zookeeper —— 分布式服务协调框架

一、Zookeeper概述

1、Zookeeper的基本概念

• Zookeeper是一个开源的分布式的，为分布式应用提供协调服务的Apache项目。
• Zookeeper从设计模式角度来理解：是一个基于观察者模式设计的分布式服务管理框架，它负责存储和管理大家都关心的数据，然后接受观察者的注册，一旦这些数据的状态发生变化，Zookeeper就将负责通知已经在Zookeeper上注册的那些观察者做出相应的反应，从而实现集群中类似Master/Slave管理模式
• Zookeeper = 文件系统 + 通知机制

2、Zookeeper的特点

• Zookeeper：一个领导者（leader），多个跟随者（follower）组成的集群。
• Leader负责进行投票的发起和决议，更新系统状态
• Follower用于接收客户请求并向客户端返回结果，在选举Leader过程中参与投票
• 群中只要有半数以上节点存活，Zookeeper集群就能正常服务。
• 全局数据一致：每个server保存一份相同的数据副本，client无论连接到哪个server，数据都是一致的。
• 更新请求顺序进行，来自同一个client的更新请求按其发送顺序依次执行。
• 数据更新原子性，一次数据更新要么成功，要么失败。
• 实时性，在一定时间范围内，client能读到最新数据。

3、Zookeeper的数据结构

• ZooKeeper数据模型的结构与Unix文件系统很类似，整体上可以看作是一棵树，每个节点称做一个ZNode。
  
• Zookeeper集群自身维护了一套数据结构。这个存储结构是一个树形结构，其上的每一个节点，我们称之为"znode"，不同于树的节点，Znode的引用方式是路径引用，类似于文件路径：/znode1/leaf1
• 这样的层级结构，让每一个Znode节点拥有唯一的路径，就像命名空间一样对不同信息作出清晰的隔离。
• ZooKeeper的节点是通过像树一样的结构来进行维护的，并且每一个节点通过路径来标示以及访问。
• 除此之外，每一个节点还拥有自身的一些信息，包括：数据、数据长度、创建时间、修改时间等等。
• 从这样一类既含有数据，又作为路径表标示的节点的特点中，可以看出，ZooKeeper的节点既可以被看做是一个文件，又可以被看做是一个目录，它同时具有二者的特点。为了便于表达，今后我们将使用Znode来表示所讨论的ZooKeeper节点。
• 每一个znode默认能够存储1MB的数据
• znode是由客户端创建的，它和创建它的客户端的内在联系，决定了它的存在性，一般存在四种类型节点：
  • PERSISTENT-持久化节点：创建本节点的客户端在与zookeeper服务的连接断开后，这个节点也不会被删除（除非使用API强制删除）
  • PERSISTENT_SEQUENTIAL-持久化顺序编号节点：当客户端请求创建这个节点A后，zookeeper会根据parent-znode的zxid状态，为这个A节点编写一个全目录唯一的编号（这个编号只会一直增长）。当客户端与zookeeper服务的连接断开后，这个节点也不会被删除。
  • EPHEMERAL-临时目录节点：创建本节点的客户端在与zookeeper服务的连接断开后，这个节点（还有涉及到的子节点）就会被删除。
  • EPHEMERAL_SEQUENTIAL-临时顺序编号目录节点：当客户端请求创建这个节点A后，zookeeper会根据parent-znode的zxid状态，为这个A节点编写一个全目录唯一的编号（这个编号只会一直增长）。当创建这个节点的客户端与zookeeper服务的连接断开后，这个节点被删除。
  • 【注意】：无论是EPHEMERAL还是EPHEMERAL_SEQUENTIAL节点类型，在zookeeper的client异常终止后，节点也会被删除。

二、Zookeeper的安装部署

1、Zookeeper的下载

在Zookeeper官网，选择你需要的版本进行下载，以下是我下载的版本。

2、Zookeeper的安装

本地模式（单机模式standalone）安装部署

Step1：将下载好的压缩包上传到虚拟机的指定目录下，我上传到了/opt/software/

Step2：将压缩包进行解压到指定目录下，我解压到了/opt/app/下

tar -zxvf apache-zookeeper-3.8.2-bin.tar.gz -C /opt/app/

Step3：将zookeeper的文件夹进行重命名

mv apache-zookeeper-3.8.2-bin/ zookeeper-3.8.2

Step4：配置环境变量，并进行source使配置文件生效

vim /etc/profile source /etc/profile

Step5：进入/opt/app/zookeeper-3.8.2/conf目录下，将此配置文件进行重命名mv zoo_sample.cfg zoo.cfg，然后进行编辑。并且在/opt/app/zookeeper-3.8.2/新建目录touch zkData

Step6：使用命令zkServer.sh start启动zookeeper，使用命令zkServer.sh status查看zookeeper状态，使用命令netstat -untlp查看端口号

Step7：使用命令zkCli.sh -server localhost:2181，进入客户端

Step8：使用命令zkServer.sh stop退出

分布式（集群模式cluster）安装部署

• 集群规划

  • 在node1、node2、node3三个节点上部署Zookeeper。
    

• 先选择node1节点进行解压安装步骤和本地模式安装部署一样

• 修改配置文件zoo.cfg

[root@node1 software]# vim /opt/app/zookeeper/conf/zoo.cfg
#修改dataDir数据目录
dataDir=/opt/module/zookeeper-3.8.2/zkData
#在文件最后增加如下配置
server.1=node1:2888:3888
server.2=node2:2888:3888
server.3=node3:2888:3888

server.A=B:C:D。
A是一个数字，表示这个是第几号服务器；
B是这个服务器的ip地址；
C是这个服务器与集群中的Leader服务器交换信息的端口；
D是万一集群中的Leader服务器挂了，需要一个端口来重新进行选举，选出一个新的Leader，而这个端口就是用来执行选举时服务器相互通信的端口。
集群模式下配置一个文件myid，这个文件在dataDir目录下，这个文件里面有一个数据就是A的值，Zookeeper启动时读取此文件，拿到里面的数据与zoo.cfg里面的配置信息比较从而判断到底是哪个server。

• 在/opt/app/zookeeper-3.8.2下创建一个文件夹mkdir zkData，再进入此目录创建文件touch myid定义当前主机的编号。

#在配置zoo.cfg的时候配置了server.1/2/3这个配置项中  数字123代表的就是第几号服务器
#其中这个数字必须在zookeeper的zkData的myid文件中定义  并且定义的时候必须和配置项对应的IP相互匹配
[root@node1 zookeeper]# touch /opt/app/zookeeper/zkData/myid
[root@node1 zookeeper]# vim /opt/app/zookeeper/zkData/myid
#文件中写入当前主机对应的数字 然后保存退出即可 例 node1节点的myid写入1   node2节点的myid写入：2   node3节点的myid写入：3

• 拷贝配置好的zookeeper到其他机器上

  scp -r /opt/app/zookeeper-3.8.2/ root@node2:/opt/app/
  scp -r /opt/app/zookeeper-3.8.2/ root@node3:/opt/app/
  并分别修改myid文件中内容为2、3
  

• 将node2、node3节点上的zookeeper所需的环境变量进行配置。

• 分别启动zookeeper并查看状态

三、zookeeper的内部实现原理

1、选举机制

• 半数机制（Paxos协议）：集群中半数以上机器存活，集群可用。所以zookeeper适合装在奇数台机器上。
• Zookeeper虽然在配置文件中并没有指定master和slave。但是，zookeeper工作时，是有一个节点为leader，其他则为follower，Leader是通过内部的选举机制临时产生的

1、Zookeeper第一次启动的选举机制

• Zookeeper的内部选举机制

  • 假设有五台服务器组成的zookeeper集群，它们的id从1-5，同时它们都是最新启动的，也就是没有历史数据，在存放数据量这一点上，都是一样的。假设这些服务器依序启动， 他们内部的实现过程如图所示

    

    • 服务器1启动，此时只有它一台服务器启动了，它发出去的报没有任何响应，所以它的选举状态一直是LOOKING状态。
    • 服务器2启动，它与最开始启动的服务器1进行通信，互相交换自己的选举结果，由于两者都没有历史数据，所以id值较大的服务器2胜出，但是由于没有达到超过半数以上的服务器都同意选举它(这个例子中的半数以上是3)，所以服务器1、2还是继续保持LOOKING状态。
    • 服务器3启动，根据前面的理论分析，服务器3成为服务器1、2、3中的老大，而与上面不同的是，此时有三台服务器选举了它，所以它成为了这次选举的leader。
    • 服务器4启动，根据前面的分析，理论上服务器4应该是服务器1、2、3、4中最大的，但是由于前面已经有半数以上的服务器选举了服务器3，所以它只能接收当小弟的命了。
    • 服务器5启动，同4一样当小弟。

2、zookeeper非第一次启动的选举机制

• SID：服务器ID。用来唯一标识一台ZooKeeper集群中的机器，每台机器不能重复，和myid一致。
• ZXID：事务ID。ZXID是一个事务ID，用来标识一次服务器状态的变更。在某一时刻，集群中的每台机器的ZXID值不一定完全一致，这ZooKeeper服务器对于客户端“更新请求”的处理逻辑有关。
• Epoch：每个Leader任期的代号。没有Leader时同一轮投票过程中的逻辑时钟值是相同的。每投完一次票这个数据就会增加

2、Zookeeper写数据流程

1、直接写Leader节点的流程

2、直接写Follower的流程

3、写数据流程的详细概述

• 比如 Client 向 ZooKeeper 的 Server1 上写数据，发送一个写请求。
• 如果Server1不是Leader，那么Server1 会把接受到的请求进一步转发给Leader，因为每个ZooKeeper的Server里面有一个是Leader这个Leader 会将写请求广播给各个Server，比如Server1和Server2， 各个Server写成功后就会通知Leader。
• 当Leader收到大多数 Server 数据写成功了，那么就说明数据写成功了。如果这里三个节点的话，只要有两个节点数据写成功了，那么认为数据写成功了。写成功之后，Leader会告诉Server1数据写成功了。
• Server1会进一步通知 Client 数据写成功了，这时就认为整个写操作成功。ZooKeeper 整个写数据流程就是这样的。

四、Zookeeper的客户端命令行操作

• 使用命令，连接zookeeper集群zkCli.sh -server node:2181,node2:2181,node3:2181

1、命令行语法

命令基本语法	功能描述
help	显示所有操作命令
ls path [watch]	使用 ls 命令来查看当前znode中所包含的内容
ls -s path [watch]	查看当前节点信息
create [-e] [-s]	创建节点 -s 含有序列 -e 临时（重启或者超时消失）
get path [watch]	获得节点的值
set	设置节点的具体值
stat	查看节点状态
delete	删除节点
rmr/deleteall	递归删除节点

2、命令行基本操作

1. 启动命令行客户端

   zkCli.sh -server node1:2181,node2:2181,node3:2181
   

   

2. 显示所有操作命令

   help
   

   

   

3. 查看znode节点信息

   ls / 
   

   

4. 查看znode某节点的详细信息

   [zk: node1:2181(CONNECTED) 5] ls -s / 
   [zookeeper]cZxid = 0x0 
   ctime = Thu Jan 01 08:00:00 CST 1970 
   mZxid = 0x0 
   mtime = Thu Jan 01 08:00:00 CST 1970 
   pZxid = 0x0 
   cversion = -1 
   dataVersion = 0 
   aclVersion = 0 
   ephemeralOwner = 0x0 
   dataLength = 0 
   numChildren = 1 
   
    （1）czxid：创建节点的事务 zxid 每次修改 ZooKeeper 状态都会产生一个 ZooKeeper 事务 ID。事务 ID 是 ZooKeeper 中所 有修改总的次序。每次修改都有唯一的 zxid，如果 zxid1 小于 zxid2，那么 zxid1 在 zxid2 之前发生。 
    （2）ctime：znode 被创建的毫秒数（从 1970 年开始） 
    （3）mzxid：znode 最后更新的事务 zxid 
    （4）mtime：znode 最后修改的毫秒数（从 1970 年开始） 
    （5）pZxid：znode 最后更新的子节点 zxid
    （6）cversion：znode 子节点变化号，znode 子节点修改次数 
    （7）dataversion：znode 数据变化号 
    （8）aclVersion：znode 访问控制列表的变化号 
    （9）ephemeralOwner：如果是临时节点，这个是 znode 拥有者的 session id。如果不是 临时节点则是 0。 
    （10）dataLength：znode 的数据长度 
    （11）numChildren：znode 子节点数量
   

5. 创建普通节点（永久节点 + 不带序号）

   create /sanguo "weishuwu"
   

   

6. 获得节点的值

   get -s /test 
   

7. 创建带序号的节点（永久节点 + 带序号）

   create  -s  /a
   
   create  -s  /a 
   
   create  /a 
   
   如果原来没有序号节点，序号从 0 开始依次递增。如果原节点下已有 2 个节点，则再排序时从 2 开始，以此类推。
   

   

8. 创建短暂节点（短暂节点 + 不带序号 or 带序号）

    （1）创建短暂的不带序号的节点 
   create -e /b
   
    （2）创建短暂的带序号的节点 
   create -e -s /b
   
    （3）在当前客户端是能查看到的 
   ls /
   
    （4）退出当前客户端然后再重启客户端 
    [zk: node1:2181(CONNECTED) 12] quit 
    [root@node1 zookeeper-3.5.7]$ bin/zkCli.sh 
    （5）再次查看根目录下短暂节点已经删除 
   ls /
   

   

   

9. 修改节点数据值

   [zk: node1:2181(CONNECTED) 6] set /sanguo/weiguo "simayi"
   

10. 删除节点

    delete /test
    

11. 递归删除节点

    deleteall /test
    

    

12. 查看节点状态

    stat /sanguo 
    

    

    13.监听节点的数据变化

    get -w /sanguo
    

    

    14.监听节点的子节点变化

    ls -w /sanguo
    

    

五、高可用HA-Hadoop集群的搭建

1、高可用HA概述

• 所谓HA（high available），即高可用（7*24小时不中断服务）。
• 实现高可用最关键的策略是消除单点故障。HA严格来说应该分成各个组件的HA机制：HDFS的HA和YARN的HA。
• Hadoop2.0之前，在HDFS集群中NameNode存在单点故障（SPOF）。
• NameNode主要在以下两个方面影响HDFS集群：
  • NameNode机器发生意外，如宕机，集群将无法使用，直到管理员重启。
  • NameNode机器需要升级，包括软件、硬件升级，此时集群也将无法使用。
• HDFS HA功能通过配置Active/Standby两个nameNodes实现在集群中对NameNode的热备来解决上述问题。如果出现故障，如机器崩溃或机器需要升级维护，这时可通过此种方式将NameNode很快的切换到另外一台机器。

2、HDFS-HA工作机制：通过双namenode消除单点故障

• HDFS-HA工作要点

  • 元数据管理方式需要改变(不需要SecondaryNameNode)

    内存中各自保存一份元数据；
    Edits日志只有Active状态的namenode节点可以做写操作；
    两个namenode都可以读取edits；
    共享的edits放在一个共享存储中管理（qjournal和NFS两个主流实现）；
    

  • 需要一个状态管理功能模块

    实现了一个zkfailover，常驻在每一个namenode所在的节点，每一个zkfailover负责监控自己所在namenode节点，利用zk进行状态标识，当需要进行状态切换时，由zkfailover来负责切换，切换时需要防止brain split现象的发生。
    

  • 必须保证两个NameNode之间能够ssh无密码登录。

  • 隔离（Fence），即同一时刻仅仅有一个NameNode对外提供服务。

3、HDFS-HA集群配置

• 环境准备：

  • 修改IP

  • 修改主机名及主机名和IP地址的映射

  • 关闭防火墙

  • ssh免密登录

  • 安装JDK，配置环境变量等

• 规划集群

node1	node2	node3
NameNode	NameNode	-
JournalNode	JournalNode	JournalNode
DataNode	DataNode	DataNode
ZK	ZK	ZK
ResourceManager
NodeManager	NodeManager	NodeManager

• 配置Zookeeper集群：在上面的笔记中已经记录过！

• 配置HDFS-HA集群：

  • 配置hadoop-env.sh

    export JAVA_HOME=/opt/app/jdk
    

  • 配置core-site.xml

    <configuration>
    
          <property>
              <name>fs.defaultFSname>
              <value>hdfs://HCvalue>
          property>
          
          <property>
              <name>hadoop.tmp.dirname>
              <value>/opt/app/hadoop-3.1.4/metaDatavalue>
          property>
          
          <property>
              <name>ha.zookeeper.quorumname>
              <value>node1:2181,node2:2181,node3:2181value>
          property>
    configuration>
    

  

  • 配置hdfs-site.xml

    <configuration>
          
      <property>
          <name>dfs.nameservicesname>
          <value>HCvalue>
      property>
      
      <property>
          <name>dfs.ha.namenodes.HCname>
          <value>nn1,nn2value>
      property>
      
      <property>
          <name>dfs.namenode.rpc-address.HC.nn1name>
          <value>node1:9000value>
      property>
      
      <property>
          <name>dfs.namenode.rpc-address.HC.nn2name>
          <value>node2:9000value>
      property>
      
      <property>
          <name>dfs.namenode.http-address.HC.nn1name>
          <value>node1:9870value>
      property>
      
      <property>
          <name>dfs.namenode.http-address.HC.nn2name>
          <value>node2:9870value>
      property>
      
      <property>
          <name>dfs.namenode.shared.edits.dirname>
          <value>qjournal://node1:8485;node2:8485;node3:8485/HadoopClustervalue>
      property>
      
      <property>
          <name>dfs.ha.fencing.methodsname>
          <value>sshfencevalue>
      property>
      
      <property>
          <name>dfs.ha.fencing.ssh.private-key-filesname>
          <value>/root/.ssh/id_rsavalue>
      property>
      
      <property>
          <name>dfs.journalnode.edits.dirname>
          <value>/opt/app/hadoop-3.1.4/journalnodeDatavalue>
      property>
      
      <property>
          <name>dfs.permissions.enablename>
          <value>falsevalue>
      property>
      
      <property>
            <name>dfs.client.failover.proxy.provider.HCname>
          <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvidervalue>
      property>
          <property>
              <name>dfs.replicationname>
              <value>3value>
          property>
          <property>
              <name>dfs.namenode.datanode.registration.ip-hostname-checkname>
              <value>truevalue>
          property>
        <property>
          <name>dfs.ha.automatic-failover.enabledname>
          <value>truevalue>
        property>
     configuration>
    

  • 拷贝配置好的hadoop环境到其他节点

  scp /opt/app/hadoop-3.1.4/etc/hadoop/core-site.xml root@node2:/opt/app/hadoop-3.1.4/etc/hadoop/
  scp /opt/app/hadoop-3.1.4/etc/hadoop/core-site.xml root@node3:/opt/app/hadoop-3.1.4/etc/hadoop/
  scp /opt/app/hadoop-3.1.4/etc/hadoop/hdfs-site.xml root@node3:/opt/app/hadoop-3.1.4/etc/hadoop/
  scp /opt/app/hadoop-3.1.4/etc/hadoop/hdfs-site.xml root@node2:/opt/app/hadoop-3.1.4/etc/hadoop/
  

• 启动HDFS-HA集群

  • 安装psmisc软件

  zkfc的自动故障转移需要借助psmisc软件完成，因此需要在三个节点上安装这个软件

  yum install -y psmisc
  

  

  • 在各个JournalNode节点上，输入以下命令启动journalnode服务：
    sbin/hadoop-daemon.sh start journalnode

  

  • 在[nn1]上，对其进行格式化，并启动：

    rm -rf metaData/ journalnodeData/  删除三台节点
   /opt/app/hadoop-3.1.4   hdfs namenode -format  只需要在第一台节点格式化
                           hadoop-daemon.sh start namenode    只需要执行一次即可，之后就不需要再执行
  

  • 遇到报错，如图

    • 
    • vim /opt/app/hadoop-3.1.4/etc/hadoop/hadoop-env.sh
    • scp /opt/app/hadoop-3.1.4/etc/hadoop/hadoop-env.sh root@node2:/opt/app/hadoop-3.1.4/etc/hadoop/
    • scp /opt/app/hadoop-3.1.4/etc/hadoop/hadoop-env.sh root@node3:/opt/app/hadoop-3.1.4/etc/hadoop/
    • 
    • 启动start-dfs.sh
      • 

  • 在[nn2]上，同步nn1的元数据信息：
    bin/hdfs namenode -bootstrapStandby只需要执行一次即可，之后就不需要再执行；

    hadoop-daemon.sh start namenode并在第二台节点上启动namenode

  • 在三台节点上启动datanodehadoop-daemon.sh start datanode

  • 重新启动HDFS

    • 关闭所有HDFS服务：sbin/stop-dfs.sh
    • 启动Zookeeper集群：bin/zkServer.sh start
    • 初始化HA在Zookeeper中状态：bin/hdfs zkfc -formatZK
    • 启动HDFS服务：sbin/start-dfs.sh
    • 在各个NameNode节点上启动DFSZK Failover Controller，先在哪台机器启动，哪个机器的NameNode就是Active NameNode:sbin/hadoop-daemin.sh start zkfc

  • 验证

    • 
    • 
    • 将Active NameNode进程kill:kill -9 namenode的进程id
      • 
    • 将Active NameNode机器断开网络:service network stop
      • 

六、YARN-HA配置

配置YARN-HA集群

• 环境准备
  • 修改IP
  • 修改主机名及主机名和IP地址的映射
  • 关闭防火墙
  • ssh免密登录
  • 安装JDK，配置环境变量等
  • 配置Zookeeper集群
• 规划集群

node1	node2	node3
NameNode	NameNode
JournalNode	JournalNode	JournalNode
DataNode	DataNode	DataNode
ZK	ZK	ZK
ResourceManager	ResourceManager
NodeManager	NodeManager	NodeManager

• 具体配置 —— 在每个节点上进行配置

  • yarn-site.xml

    <configuration>
      <property>
          <name>yarn.nodemanager.aux-servicesname>
          <value>mapreduce_shufflevalue>
      property>
      
      <property>
          <name>yarn.resourcemanager.ha.enabledname>
          <value>truevalue>
      property>
      
      <property>
          <name>yarn.resourcemanager.cluster-idname>
          <value>cluster-yarn1value>
      property>
      <property>
          <name>yarn.resourcemanager.ha.rm-idsname>
          <value>rm1,rm2value>
      property>
      <property>
          <name>yarn.resourcemanager.hostname.rm1name>
          <value>node1value>
      property>
      <property>
          <name>yarn.resourcemanager.hostname.rm2name>
          <value>node2value>
      property>
       
      <property>
          <name>yarn.resourcemanager.zk-addressname>
          <value>node1:2181,node2:2181,node3:2181value>
      property>
       
      <property>
          <name>yarn.resourcemanager.recovery.enabledname>
          <value>truevalue>
      property>
       
      <property>
          <name>yarn.resourcemanager.store.classname>     
          <value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStorevalue>
      property>
    configuration>
    

  • 同步更新其他节点的配置信息

    • scp /opt/app/hadoop-3.1.4/etc/hadoop/yarn-site.xml root@node2:/opt/app/hadoop-3.1.4/etc/hadoop/
      scp /opt/app/hadoop-3.1.4/etc/hadoop/yarn-site.xml root@node3:/opt/app/hadoop-3.1.4/etc/hadoop/
      

      

• 启动hdfs （本步骤可以不做，如果搭建过HA-Hadoop集群）

  • 在各个JournalNode节点上，输入以下命令启动journalnode服务：sbin/hadoop-daemon.sh start journalnode

  • 在[nn1]上，对其进行格式化，并启动：

    bin/hdfs namenode -format
    sbin/hadoop-daemon.sh start namenode
    

  • 在[nn2]上，同步nn1的元数据信息：bin/hdfs namenode -bootstrapStandby

  • 启动[nn2]：sbin/hadoop-daemon.sh start namenode

  • 启动所有datanode：sbin/hadoop-daemons.sh start datanode

  • 将[nn1]切换为Active：bin/hdfs haadmin -transitionToActive nn1

• 启动yarn

  • 在node1中执行：sbin/start-yarn.sh
  • 在node2中执行：sbin/yarn-daemon.sh start resourcemanager
  • 查看服务状态：bin/yarn rmadmin -getServiceState rm1

七、在高可用环境下如何用MR程序做单词计数

编辑一下wc.txt，上传到hdfs上

打开idea，创建一个maven项目，引入编程依赖于pom.xml中

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
  xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
  <modelVersion>4.0.0modelVersion>

  <groupId>com.kanggroupId>
  <artifactId>ha-testartifactId>
  <version>1.0version>
  <packaging>jarpackaging>

  <name>ha-testname>
  <url>http://maven.apache.orgurl>

  <properties>
    <project.build.sourceEncoding>UTF-8project.build.sourceEncoding>
  properties>

  <dependencies>
    <dependency>
      <groupId>org.apache.hadoopgroupId>
      <artifactId>hadoop-clientartifactId>
      <version>3.1.4version>
    dependency>
    <dependency>
      <groupId>org.apache.hadoopgroupId>
      <artifactId>hadoop-hdfsartifactId>
      <version>3.1.4version>
    dependency>
    <dependency>
      <groupId>org.slf4jgroupId>
      <artifactId>slf4j-log4j12artifactId>
      <version>1.6.1version>
    dependency>
  dependencies>
project>

编写MapReduce代码

package com.kang;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class WCMapper extends Mapper<LongWritable, Text,Text,LongWritable> {
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, LongWritable>.Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String[] words = line.split(" ");
        for (String word : words) {
            context.write(new Text(word),new LongWritable(1L));
        }
    }
}


package com.kang;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class WCReduce extends Reducer<Text, LongWritable,Text,LongWritable> {
    @Override
    protected void reduce(Text key, Iterable<LongWritable> values, Reducer<Text, LongWritable, Text, LongWritable>.Context context) throws IOException, InterruptedException {
        long sum = 0L;
        for (LongWritable value : values) {
            sum += value.get();
        }
        context.write(key,new LongWritable(sum));
    }
}



package com.kang;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import javax.xml.soap.Text;
import java.io.IOException;

public class WCDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS","hdfs://HC");

        Job job = Job.getInstance(conf);
        job.setJarByClass(WCDriver.class);
        FileInputFormat.setInputPaths(job,new Path("/wc.txt"));

        job.setMapperClass(WCMapper.class);
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(LongWritable.class);

        job.setReducerClass(WCReduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(LongWritable.class);
        job.setNumReduceTasks(0);

        FileOutputFormat.setOutputPath(job,new Path("/output"));

        boolean flag = job.waitForCompletion(true);
        System.exit(flag?0:1);
    }
}

将hdfs-site.xml和core-site.xml从虚拟机上导出到Java项目目录下

然后运行WCDriver，会收到报错信息，会显示权限不足，然后我们为了实现这一任务，我们将权限进行修改

再次运行程序，返回代码0，即运行成功

最后，我们将Hadoop分布式文件系统（HDFS）中文件和目录的默认权限恢复到默认权限类型