分布式集群——搭建Hadoop环境以及相关的Hadoop介绍
系列文章目录
分布式集群——jdk配置与zookeeper环境搭建
分布式集群——搭建Hadoop环境以及相关的Hadoop介绍
文章目录
前言
一 hadoop的相关概念
1.1 Hadoop概念
补充：块的存储
1.2 HDFS是什么
1.3 三种节点的功能
I、NameNode节点
II、fsimage与edits文件存放的内容介绍
III、DataNode节点
IV、SecondaryNameNode节点【辅助管理员信息】
1.4 HDFS的读写流程
1、读操作
2、写操作
1.5 HDFS元数据管理机制
1、如何持久化存储数据？
fsimage(镜像文件)
edits log(编辑日志)
2、SeconderyNameNode辅助管理元数据的流程
第一阶段：启动NameNode
第二阶段：SecondaryNameNode开始工作
3. 小细节
二 HDFS的五大机制
1、切片机制
2、汇报机制
3、心跳检测机制
4、负载均衡
5、副本机制
三 Hadoop安装
3.1 集群规划列表
3.2 上传压缩包
3.3 配置相关的文件
（1）修改core-site.xml配置文件
（2）修改hdfs-site.xml
（3）配置hadoop-env.sh
（4）配置mapred-site.xml
（5）配置yarn-site.xml文件
（6）修改mapred-env.sh
（7）修改slaves（配置我们的从机）
（8）前面配置好后，我们需要自己创建目录
（9）分发安装内容
（10）三台机器配置hadoop环境变量
（11）启动集群
前言
本文主要介绍hadoop的相关概念以及在Linux上面配置Hadoop的具体操作。
一 hadoop的相关概念
1.1 Hadoop概念
Hadoop是一个由Apache基金会所开发的分布式系统基础架构，HDFS、MR、Yarn三个重要的组件组 成。HDFS是GFS的实现（论文必须会），Hadoop的MR是MR的实现（论文稍微了解一下）。
分片是客户端做的，专门的机器来接受请求，真正存节点的是客户端和datanode。
客户端建立通道上传，一次64k上传。存在缓存区。
切片是客户端负责切片，物理上分块，2.0以上为128M以上
目录信息在专门的机器上面，有两处存放位置【硬盘+内存】
读写文件时客户端与机器之间操作
文件需要嵌套缓冲流，
补充：块的存储
通过机架感知原理 + 网络拓扑结构实现副本摆放
-
第1个副本：优先本机存放，否则就近随机
-
第2个副本：放在与第1个副本就近不同机架上的某一个服务器
-
第3个副本：与第2个副本相同机架的不同服务器。
-
如果还有更多的副本：随机放在各机架的服务器中。
1.2 HDFS是什么
分布式文件系统,适合一次写入，多次查询的情况。不支持并发写，不适用于小文件存储【小文件内容1M,但是存放的时候依旧为128M】。低时延的数据访问。
重要的三个节点
-
NameNode节点
-
DataNode节点
-
SecondaryNameNode节点【辅助源操作信息】
1.3 三种节点的功能
I、NameNode节点
NameNode节点：
-
NameNode负责存储数据文件的元数据
-
NameNode负责管理文件系统目录结构。接受客户端的文件操作请求。
NameNode维护两套数据：
-
一套是文件目录与数据块之间的对应关系【静态】
-
一套是数据块与存储节点之间的对应关系【动态】
前一套数据是静态的，存放在磁盘上，通过fsimage和edits【编辑日志文件】文件来维护；
后一套是动态的，在集群重启时会在内存自动建立这些信息。
-
其中fsimage存储的是某一时段NameNode内存元数据信息（配置时通过hdfs-default.xml中的dfs.name.dir选项设置）；【整个文件系统的目录结构以及文件相关信息】
-
edits记录操作日志文件（配置时通过hdfs-default.xml的dfs.name.edits.dir选项设置）；fstime保存最近一次checkpoint的时间。
II、fsimage与edits文件存放的内容介绍
-
fsimage：镜像文件实际是存放的目录结构、文件属性等相关信息，是NameNode中关于 元数据的镜像。它是在NameNode启动时对整个文件系统的快照。
-
edits：编辑日志文件,记录对文件或者目录的修改信息，比如删除目录，修改文件等信 息。编辑日志一般命名规则是“edits_*”，它在NameNode启动后，记录对文件系统的改动 序列。
edits文件存放的是hadoop文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先会被记录到edits文件中。
fsimage和edits文件都是经过序列化的，在NameNode启动的时候，它会将fsimage文件中的所有内容加载到内存中，之后再执行edits文件中的各项操作。使得内存中的元数据和实际的数据同步，存在内存中的元数据支持客户端的读操作。
III、DataNode节点
DataNode负责按Block存储数据文件。每一个数据文件都会按照Block大小进行划分。每个Block都会进行多副本备份（一般为三份），通常多个副本会按照一定的策略(机架感知策略)放在不同的DataNode节点上。
IV、SecondaryNameNode节点【辅助管理员信息】
SecondaryNameNode作为NameNode的冷备份。负责合并NameNode上的fsimage和edits文件。集群启动会交给namenode存到内存里面。
SecondaryNameNode的本质作用是辅助NameNode进行fsimage和editlogs的合并操作。
-
首先，它定时到NameNode去获取edit logs，并更新到fsimage上。[注：Secondary NameNode自己的fsimage]
-
一旦它有了新的fsimage文件，它将其拷贝回NameNode中。
-
NameNode在下次重启时会使用这个新的fsimage文件，从而减少重启的时间。
Secondary NameNode的整个目的是在HDFS中提供一个检查点。它只是NameNode的一个助手节点。这也是它在社区内被认为是检查点节点的原因。
1.4 HDFS的读写流程
1、读操作
① 客户端向NameNode请求读取文件
② NameNode检查该文件是否存在以及该客户端是否具有读权限，有一个不满足则返回报错信息 两者都有则根据“机架感知原理”和“网络拓补图”，返回存储该文件的块地址（存储该文件的DataNode列表）
③ 客户端拿到返回的块地址后，并行的读取DataNode列表中对应的块信息 如果之前读取的是部分块的信息，则在这些块数据读取完毕后会重新请求NameNode 获取 剩下的块地址重新读取，直至所有数据块的信息读取完毕
⑤ 最后拼接块信息得到最终的文件
至此，读取文件操作完成
2、写操作
① 客户端向NameNode请求上传文件
② NameNode检查是否已存在要上传的文件，如果已有则拒绝请求 如文件不存在则继续检查该客户端在待上传的目录下是否有写权限，如果无权限则返回报错信息，有权限则给客户端返回可以上传的信息
③ 客户端接收可以上传的信息后，对文件进行切块
④ 客户端重新请求NameNode，询问第一个数据块的上传位置
⑤ NameNode接收到客户端的请求后，根据副本机制、负载均衡、机架感知原理和网络拓补图，找到存储第一个数据块的DataNode列表（例如node1、node2、node3）后告知客户端
⑥ 客户端根据接收到的DataNode列表，连接就近的节点（例如node1）
⑦ 第一个节点收到请求后会与DataNode列表中的其他节点进行连接，形成“传输管道”，然后客户端通过数据报包（对数据块再进行切分）的方法开始给节点传输第一个数据块
⑧ 节点接收到数据块后，需要告知客户端块信息已上传成功 所以node3接收到信息后会反馈给node2已接收，node2再反馈给node1已接收，最后node1告知客户端已上传成功 这一步也称为【构建反向应答机制】
⑨ 第一个数据块上传完成后，客户端继续请求NameNode询问第二个数据块的上传位置，重复第四到第八步的操作，直至所有的数据块上传成功
至此，写文件操作完成
1.5 HDFS元数据管理机制
HDFS元数据按类型划分为两部分
持久化存储：
-
文件、目录自身的属性信息，例如文件名，目录名，修改信息
-
文件存储的相关信息，例如存储块信息，分块情况，副本个数
非持久化存储： DataNode节点中的数据块信息
1、如何持久化存储数据？
答：通过fsimage和edits log
fsimage(镜像文件)
保存Hadoop文件系统中的所有目录和元数据信息，但不保存文件块位置的信息 文件块位置信息只存储在内存中，是Namenode在DataNode加入集群时询问得到，并且间断的更新
edits log(编辑日志)
保存客户端对Hadoop集群的事务性操作记录（增、删、改）
2、SeconderyNameNode辅助管理元数据的流程
图解
原理
第一阶段：启动NameNode
-
① 如果是首次启动namenode格式化，则新建fsimage（镜像文件）和edits log（编辑日志） 如果是非首次启动，则直接加载fsimage和edits log到内存中
-
② 客户端对元数据的增删改操作会实时的写入到edits log
第二阶段：SecondaryNameNode开始工作
-
③ SecondaryNameNode会实时检查edits log的状态，只要满足一定阈值时（1小时或修改达到100W次）后就通知NameNode重新生成一个新的edits log文件，后续将操作记录写入新文件中
-
④ SecondaryNameNode通过HTTP协议拉取NameNode中的fsimage和edits log到本地
-
⑤ 对拉取过来的edits log和fsimage加载到内存中进行合并操作（这个过程也成为Checkpoint），形成新的fsimage文件
-
⑥ 把新的fsimage推送给NameNode，替换旧fsimage
3. 小细节
-
① 产生的edits log和fsiamge不会被立即删除，而是在集群重启或者这些文件达到一定量级后才会删除
-
② 对edits log和fsimage的合并操作实在SecondaryNameNode实现的，整个过程NameNode不参与
-
③ 实际开发中，NameNode和SecondaryNameNode一般部署在不同的服务器上，两者的配置几乎一样，只是SecondaryNameNode内存要稍微大点
-
④ 紧急情况下，SecondaryNameNode可以用来恢复NameNode的元数据
二 HDFS的五大机制
1、切片机制
HDFS中的文件在物理上是分块（block）存储的，块的大小可以通过配置参数来规定，在hadoop2.x版本中默认大小是128M
2、汇报机制
① HDFS集群重新启动的时候，所有的DataNode都要向NameNode汇报自己的块信息 ② 当集群在正常工作的时，间隔一定时间（6小时）后DataNode也要向NameNode汇报一次自己的块信息
3、心跳检测机制
NameNode与DataNode依靠心跳检测机制进行通信
① DataNode每3秒给NameNode发送自己的心跳信息 ② 如果NameNode没有收到心跳信息，则认为DataNode进入“假死”状态。DataNode在此阶段还会再尝试发送10次（30s）心跳信息 ③ 如果NameNode超过最大间隙时间（10分钟）还未接收到DataNode的信息，则认为该DataNode进入“宕机”状态 ④ 当检测到某个DataNode宕机后，NameNode会将该DataNode存储的所有数据重新找台活跃的新机器做备份
4、负载均衡
让集群中所有的节点（服务器）的利用率和副本数尽量都保持一致或在同一个水平线上
5、副本机制
① 副本的默认数量为3 ② 当某个块的副本小于3份时，NameNode会新增副本 ③ 当某个块的副本大于3份时，NameNode会删除副本 ④ 当某个块的副本数小于3份且无法新增的时候，此时集群会强制进入安全模式（只能读，不能写）
三 Hadoop安装
3.1 集群规划列表
检查我们的hadoop包对本地库的支持：切换到hadoop安装目录下，执行bin/hadoopchecknative回车即可。
3.2 上传压缩包
上传我们编译好的apache hadoop包并解压缩（下图红色标记的）
解压hadoop的压缩包
修改配置文件 /etc/profile ，后使用source命令使其生效。
3.3 配置相关的文件
（1）修改core-site.xml配置文件
vim /opt/hadoop的安装路径/etc/hadoop/core-site.xml
定义hadoop集群系统的文件类型是一个分布式文件系统
定义hadoop集群系统的文件类型是一个分布式文件系统
定义hadoop集群中文件的类型，说明我们用的是分布式文件系统，该文件系统的主节点的node01节点上，分布式文件系统的服务端口号为8020。
fs.default.name
hdfs://node01:8020
hadoop.tmp.dir
/opt/software/hadoop-2.7.5/hadoopDatas/tempDatas
定义文件缓冲区大小，实际工作中根据服务器性能动态调整
io.file.buffer.size
4096
开启hdfs垃圾桶机制，删除掉的数据可以从垃圾桶中回收，单位：分钟
删除掉的文件会先放在垃圾桶里面，而不是立刻从机器上删除掉。10080是七天，也就是说7天之后，会清理垃圾桶中超过7天的数据。一天是1440.
fs.trash.interval
10080
（2）修改hdfs-site.xml
设定辅助管理节点的主机和端口号
dfs.namenode.secondary.http-address
node01:50090
设定NameNode（HDFS）主节点的访问地址（即：主机和端口号）——会非常常用可以通过网页查看分布式文件系统中的数据。
dfs.namenode.http-address
node01:50070
指定namdenode存储元数据的位置，这个文件是不存在的，我们需要创建它。
dfs.namenode.name.dir
file:///export/opt/software/hadoop-2.7.5/hadoopDatas/namenodeDatas,file:///export/opt/software/hadoop-
2.7.5/hadoopDatas/namenodeDatas2
定义datanode数据存储的节点位置，实际工作中，一般先确定磁盘的挂载目录，然后多个目录用，进行分割。
dfs.datanode.name.dir
file:///export/opt/software/hadoop-2.7.5/hadoopDatas/datanodeDatas,file:///export/opt/software/hadoop-
2.7.5/hadoopDatas/datanodeDatas2
定义namenode编辑日志文件的存放目录
dfs.namenode.edits.dir
file:///export/opt/software/hadoop-2.7.5/hadoopDatas/nn/edits
定义检查点的存放位置（定期从活动的NameNode下载fsimage和editlog，在本地合并它
们，并将新映像上传回活动的NameNode）
dfs.namenode.checkpoint.dir
file:///export/opt/software/hadoop-2.7.5/hadoopDatas/dfs/snn/name
dfs.namenode.checkpoint.edits.dir
file:///export/opt/software/hadoop-2.7.5/hadoopDatas/dfs/snn/edits
指定一个文件切片存储的副本个数
dfs.replication
3
设置HDFS文件权限，暂时关闭，后期需要，可以再开启
dfs.permissions
false
指定一个文件切片的大小，这里面指定的大小为128M
dfs.blocksize
134217728
（3）配置hadoop-env.sh
export JAVA_HOME=/opt/software/jdk1.8.0_281
（4）配置mapred-site.xml
开启mapreduce的小任务模式，该模式是 2.x 开始引入的；以Uber模式运行 MR 作业，所
有的 Map Tasks 和 Reduce Tasks 将会在 ApplicationMaster 所在的容器（container）中运行。如果数据量不是非常大，我们就可以开启小任务模式，这样可以提高2-3倍的效率。
mapreduce.job.ubertask.enable
true
历史任务服务器的主机地址，通过该地址可以访问到我们曾经计算过的任务、结果及信
息。
mapreduce.jobhistory.address
node01:10020
设置通过网页访问历史任务的主机和端口
mapreduce.jobhistory.webapp.address
node01:19888
（5）配置yarn-site.xml文件
配置yarn主节点的位置
yarn.resourcemanager.hostname
node01
NodeManager上运行的附属服务，只有我们配置为下方的值，才可以运行MR程序，默
认值是””。
yarn.nodemanager.aux-services
mapreduce_shuffle
开启日志聚合功能，将各种日志汇总在一起，进行显示。
yarn.log-aggregation-enable
true
设置聚合日志保存的时间（单位：秒）
yarn.log-aggregation.retain-seconds
604800
设置yarn集群的内存分配方案
表示在节点上Yarn可使用的物理内存（M）
yarn.nodemanager.resource.memory-mb
20480
单个容器可申请的最小与最大内存
yarn.scheduler.minimum-allocation-mb
2048
在物理内存不够用的情况下，如果占用了大量虚拟内存并且超过了一定阈值，那么就认
为当前集群的性能比较差，直接让你的终端报个错提醒你。
yarn.nodemanager.vmem-pmem-ratio
2.1
（6）修改mapred-env.sh
export JAVA_HOME=/opt/software/jdk1.8.0_281
（7）修改slaves（配置我们的从机）
node01
node02
node03
（8）前面配置好后，我们需要自己创建目录
目录结构如下：
[root@node01 hadoop-2.7.5]# mkdir hadoopDatas
[root@node01 hadoop-2.7.5]# cd hadoopDatas/
[root@node01 hadoopDatas]# ls
[root@node01 hadoopDatas]# mkdir datanodeDatas
[root@node01 hadoopDatas]# mkdir datanodeDatas2
[root@node01 hadoopDatas]# mkdir namenodeDatas2
[root@node01 hadoopDatas]# mkdir namenodeDatas
[root@node01 hadoopDatas]# mkdir -p dfs/snn
[root@node01 hadoopDatas]# cd dfs/snn/
[root@node01 snn]# mkdir edits
[root@node01 snn]# mkdir name
[root@node01 snn]# cd ..
[root@node01 dfs]# cd ..
[root@node01 hadoopDatas]# mkdir -p nn/edits
[root@node01 hadoopDatas]# mkdir tempDatas
[root@node01 hadoopDatas]# tree
.
├── datanodeDatas
├── datanodeDatas2
├── dfs
│?? └── snn
│?? ├── edits
│?? └── name
├── namenodeDatas
├── namenodeDatas2
├── nn
│?? └── edits
└── tempDatas
11 directories, 0 files
PS：注意此处的文件夹在你的Hadoop安装路径下面
（9）分发安装内容
做一个文件的分发，将整个hadoop安装目录分发给node02和node03节点上去。 进入opt目录后，执行分发命令：
scp -r hadoop-2.7.5 node02:/opt/software
此处选择需要Copy到node02节点的那个目录当中。
scp -r hadoop-2.7.5 node03:/opt/software（10）三台机器配置hadoop环境变量
export JAVA_HOME=/opt/software/jdk1.8.0_281
export ZOOKEEPER_HOME=/opt/software/zookeeper
export HADOOP_HOME=/opt/software/hadoop-2.7.5
export PATH=:$JAVA_HOME/bin:$PATH:$ZOOKEEPER_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin别忘记用source /etc/profile使环境变量生效。
（11）启动集群
概述：主要是启动两个模块，hdfs和yarn。一定要注意：首次启动HDFS的时候，一定要对其进行格式化操作。本质上是一些清理和准备工作（会准备一些集群必备的文件等），因为此时的HDFS在物理上还是不存在的。 第一台机器执行如下操作： 进入到hadoop的安装目录中
cd /opt/software/hadoop-2.7.5进行格式化
bin/hdfs namenode -format
sbin/start-dfs.sh
停止命令只要把start换成stop即可 从节点，用jps看一下，启动成功，有一个DataNode。
sbin/start-yarn.sh
sbin/mr-jobhistory-daemon.sh start historyserver
三个端口查看界面
http://node01:50070/explorer.html# 查看hdfs
http://node01:8088/cluster 查看yarn集群
http://node01:19888/jobhistory 查看历史完成的任务windows访问不到node01，所以需要配置hosts 可以换成
http://192.168.1.131:50070/explorer.html#/
http://192.168.1.131:8088/cluster
http://192.168.1.131:19888/jobhistory备注：配置文件太多，所以，我们要远程修改Linux的文件，太麻烦了，所以，我们采用npp进行远程登录。
总结
以上就是今天的内容~
欢迎大家点赞，收藏⭐，转发，
如有问题、建议，请您在评论区留言哦。
最后：转载请注明出处！！！