Python+大数据-Hadoop生态-hadoop(二)--Apache Hadoop

Python+大数据-Hadoop生态-hadoop(二)–Apache Hadoop

---

今日课程学习目标

了解Hadoop发展历史、生态圈
掌握Hadoop集群架构、角色
掌握Hadoop集群分布式安装部署
掌握Job HistoryServer功能
理解HDFS垃圾桶机制

今日课程内容大纲

#Apache Hadoop入门
	介绍概念  
		狭义上hadoop指什么  指软件
        广义上hadoop指什么  指生态圈
	hadoop起源
	hadoop特性优点
#Apache Hadoop搭建
	hadoop集群：主从架构
		分为两个集群，两个集群物理上在一起，逻辑上分离
			hdfs集群 
			yarn集群
	集群角色 集群规划
    集群配置
    format初始化
    启停脚本
    webUI页面
	hadoop初体验   现象与疑惑 后续学习方向
#Apache hadoop辅助功能
	jobhistory服务 查看历史执行记录
	文件系统垃圾桶机制 回收站

---

一、Apache Hadoop入门

1.1、Hadoop介绍

• 狭义上：hadoop指的是Apache一款java开源软件，是一个大数据分析处理平台。

  • Hadoop HDFS：分布式文件系统。 解决了海量数据存储问题。

    Hadoop Distributed File System (HDFS™)
    

  • Hadoop MapReduce：分布式计算框架。解决海量数据计算问题。

    parallel processing of large data sets.
    

  • Hadoop YARN：集群资源管理和任务调度。

    A framework for job scheduling and cluster resource management.
    
    #资源指的是和程序运行相关的硬件资源
    cpu ram内存
    
    #任务调度
    集群资源繁忙的时候 如何分配资源给各个程序  调度
    调度的关键是策略：先来后到  权重
    

• 广义上：Hadoop指的是hadoop生态圈。

  提供了大数据的几乎所有软件。
  采集、存储、导入、分析、挖掘、可视化、管理...
  

1.2、Hadoop起源发展

• Hadoop之父–Doug Cutting 卡大爷

• 起源项目Apache Nutch。 致力于构建一个全网搜索引擎。

  1、爬取互联网网页 --->存储在哪里？ 海量数据存储问题
  
  2、基于网页创建倒排索引。--->如何计算？  海量数据计算问题
  

• Google也在做搜索，也遇到这些问题，内部解决了。

  • google不想开源软件，但是又憋的难受，怕被人不知道，写论文发表。

  • 前后写了3篇论文（谷歌是使用c实现的）。

    谷歌分布式文件系统（GFS）------>HDFS
    谷歌版MapReduce 系统------>Hadoop MapReduce
    bigtable---->HBase
    

  • 基于论文的影响 Nutch团队实现了相应的java版本开源组件。

• Nutch团队把HDFS和MapReduce抽取独立成为单独软件在2008年贡献给了Apache。开源。

• Doug Cutting 看到他儿子在牙牙学语时，抱着黄色小象，亲昵的叫hadoop，他灵光一闪，就把这技术命名为 Hadoop，而且还用了黄色小象作为标示 Logo。

1.3、Hadoop特性优点

• 分布式、扩容能力

  不再注重单机能力 看中的是集群的整体能力。
  动态扩容、缩容。
  

• 成本低

  在集群下 单机成本很低 可以是普通服务器组成集群
  意味着大数据处理不一定需要超级计算机。
  

• 高效率 并发能力

• 可靠性

• 通用性

  #技术是相同的 业务不相同的
  #hadoop精准区分技术和业务。
  
  做什么?(what need to do)---->业务问题（20%）
  怎么做?(how to do)----->技术问题（80%）
  
  Hadoop把技术实现了 用户负责业务问题。
  
  原来大数据这么简单 可以这么玩。
  

---

二、Apache Hadoop集群搭建

2.1、发行版本

• 官方社区版本 Apache基金会官方

  • 版本新 功能最全的
  • 不稳定 兼容性需要测试 bug多

• 商业版本 商业公司在官方版本之上进行商业化发行。著名：Cloudera、hotonWorks、MapR

  • 稳的一批 兼容性极好 技术支持 本地化支持 一键在线安装

  • 版本不一定是最新的 辅助工具软件需要收费

    Cloudera发行的hadoop生态圈软件叫做CDH版本。
    Cloudera’s Distribution Including Apache Hadoop。
    
    https://www.cloudera.com/products/open-source/apache-hadoop/key-cdh-components.html
    
    Hortonworks Data Platform (HDP)
    

• 本课程中 使用的是Apache 3.3.0版本。

• Hadoop本身版本变化

  • hadoop 1.x

    只有hdfs mapreduce. 架构过于垃圾 性能不高 当下企业中没人使用了。
    

  • hadoop 2.x

    hdfs  MapReduce  yarn.
    

  • hadoop 3.x

    架构和2一样 性能做了优化
    

2.2、Hadoop集群

• 通常是有hdfs集群和yarn集群组成。两个集群都是标准的主从架构集群。
• 两个集群逻辑上分离 物理上在一起。
• HDFS集群：解决了海量数据存储 分布式存储系统
  • 主角色：namenode（NN）
  • 从角色：datanode（DN）
  • 主角色辅助角色"秘书角色"：secondarynamenode （SNN）
• YARN集群：集群资源管理 任务调度
  • 主角色：resourcemanager（RM）
  • 从角色：nodemanager（NM）

2.3、Hadoop部署模式、集群规划

• 单机模式 Standalone

  一台机器，所有的角色在一个java进程中运行。 适合体验。
  

• 伪分布式

  一台机器 每个角色单独的java进程。 适合测试
  

• 分布式 cluster

  多台机器  每个角色运行在不同的机器上  生产测试都可以
  

• 高可用（持续可用）集群 HA

  在分布式的模式下 给主角色设置备份角色  实现了容错的功能 解决了单点故障
  保证集群持续可用性。
  

• Hadoop集群的规划

  • 根据软件和硬件的特性 合理的安排各个角色在不同的机器上。

    • 有冲突的尽量不部署在一起
    • 有工作依赖尽量部署在一起
    • nodemanager 和datanode是基友

    node1: namenode  datanode                    | resourcemanager  nodemanger
    node2:			 datanode   secondarynamenode|			        nodemanger
    node3:			 datanode                    |  		        nodemanger
    

  • Q：如果后续需要扩容hadoop集群，应该增加哪些角色呢？

    node4:  datanode  nodemanger
    node5:  datanode  nodemanger
    node6:  datanode  nodemanger
    .....
    

2.4、Hadoop源码编译

https://archive.apache.org/dist/

Apache软件基金会的所有软件所有版本的下载地址.

• 源码下载地址

  https://archive.apache.org/dist/hadoop/common/
  
  hadoop-3.3.0-src.tar.gz    source 源码包
  hadoop-3.3.0.tar.gz        官方编译后安装包
  

• 对应java语言开发的项目软件来说，所谓的编译是什么？

  xxx.java(源码)---->xxx.class(字节码)---->jar包
  

• 正常来说，官方网站提供了安装包，可以直接使用，为什么要自己编译呢？

  • 修改源码之后需要重新编译。
  • 官方提供的最大化编译 满足在各个平台运行，但是不一定彻底兼容本地环境。
  • 某些软件，官方只提供源码。

  native library 本地库。
  官方编译好的 adoop的安装包没有提供带 C程序访问的接口。主要是本地压缩支持、IO支持。
  

• 怎么编译？

  在源码的根目录下有编译相关的文件BUILDING.txt 指导如何编译。
  使用maven进行编译 联网jar.
  

• 可以使用课程提供编译好的安装包

  hadoop-3.3.0-Centos7-64-with-snappy.tar.gz
  

---

三、Hadoop具体安装部署

详细安装步骤参考课程资料：

《Python+大数据：hadoop离线阶段\02–Apache Hadoop\2、软件\hadoop-3.3.0\Hadoop3.3.0Linux编译安装.md》

3.1、服务器基础环境准备

ip、主机名
hosts映射 别忘了windows也配置
防火墙关闭
时间同步
免密登录  node1---->node1 node2 node3
JDK安装

3.2、安装包目录结构

#上传安装包到/export/server 解压

 bin    #hadoop核心脚本 最基础最底层脚本
 etc    #配置目录
 include
 lib
 libexec
 LICENSE.txt
 NOTICE.txt
 README.txt
 sbin  #服务启动 关闭 维护相关的脚本
 share #官方自带实例  hadoop相关依赖jar

3.3、配置文件的修改

官网文档：https://hadoop.apache.org/docs/r3.3.0/

• 第一类 1个 hadoop-env.sh

• 第二类 4个 core|hdfs|mapred|yarn-site.xml

  • site表示的是用户定义的配置，会覆盖default中的默认配置。

  • core-site.xml 核心模块配置

  • hdfs-site.xml hdfs文件系统模块配置

  • mapred-site.xml MapReduce模块配置

  • yarn-site.xml yarn模块配置

• 第三类 1个 workers

3.4、scp安装包到其他机器

3.5、Hadoop环境变量配置

3.6、hadoop namenode format

• format准确来说翻译成为初始化比较好。对namenode工作目录、初始文件进行生成。

• 通常在namenode所在的机器执行 执行一次。首次启动之前

  #在node1 部署namenode的这台机器上执行
  
  hadoop namenode -format
  
  #执行成功 日志会有如下显示
  21/05/23 15:38:19 INFO common.Storage: Storage directory /export/data/hadoopdata/dfs/name has been successfully formatted.
  
  [root@node1 server]# ll /export/data/hadoopdata/dfs/name/current/
  total 16
  -rw-r--r-- 1 root root 321 May 23 15:38 fsimage_0000000000000000000
  -rw-r--r-- 1 root root  62 May 23 15:38 fsimage_0000000000000000000.md5
  -rw-r--r-- 1 root root   2 May 23 15:38 seen_txid
  -rw-r--r-- 1 root root 207 May 23 15:38 VERSION
  

• Q：如果不小心初始化了多次，如何？

  • 现象：主从之间互相不识别。

  • 解决

    #企业真实环境中    枪毙
    
    #学习环境
    删除每台机器上hadoop.tmp.dir配置指定的文件夹/export/data/hadoop-3.3.0。 
    重新format。
    

---

四、Hadoop集群启动

4.1、单节点单进程逐个手动启动

• HDFS集群

  #hadoop2.x版本命令
  hadoop-daemon.sh start|stop  namenode|datanode|secondarynamenode
  
  #hadoop3.x版本命令
  hdfs --daemon start|stop namenode|datanode|secondarynamenode
  

• YARN集群

  #hadoop2.x版本命令
  yarn-daemon.sh start|stop resourcemanager|nodemanager
  
  #hadoop3.x版本命令
  yarn --daemon start|stop resourcemanager|nodemanager
  

• 优点：精准的控制每个角色每个进程的启停。避免了群起群停（时间成本）。

4.2、脚本一键启动

• 前提：配置好免密登录。ssh

  ssh-copy-id node1.itcast.cn
  ssh-copy-id node2.itcast.cn
  ssh-copy-id node3.itcast.cn
  

• HDFS集群

  start-dfs.sh 
  stop-dfs.sh 
  

• YARN集群

  start-yarn.sh
  stop-yarn.sh
  

• 更狠的

  start-all.sh
  stop-all.sh
  
  [root@node1 ~]# start-all.sh 
  This script is Deprecated. Instead use start-dfs.sh and start-yarn.sh
  

4.3、集群进程确认和错误排查

• 确认是否成功

  [root@node1 ~]# jps
  8000 DataNode
  8371 NodeManager
  8692 Jps
  8264 ResourceManager
  7865 NameNode
  

• 如果进程不在 看启动运行日志！！！！！！！！！！！！！

  #默认情况下 日志目录
  cd /export/server/hadoop-3.3.0/logs/
  
  #注意找到对应进程名字 以log结尾的文件
  

---

五、Hadoop初体验

• Hadoop Web UI页面

  • HDFS集群 http://namenode_host:9870
  • YARN集群 http://resourcemanager_host:8088

  http://node1:9870/dfshealth.html#tab-overview
  

5.1、初体验之HDFS

• 本质就是存储文件的 和标准文件系统一样吗？

  • 也是有目录树结构，也是从根目录开始的。
  • 文件是文件、文件夹是文件夹（对于zk来说）
  • 和linux很相似
  • 上传小文件好慢。为什么慢？和分布式有没有关系？

5.2、体验之MapReduce+yarn

• MapReduce是分布式程序 yarn是资源管理 给程序提供运算资源。 Connecting to ResourceManager

  [root@node1 mapreduce]# pwd
  /export/server/hadoop-3.3.0/share/hadoop/mapreduce
  
  hadoop jar hadoop-mapreduce-examples-3.3.0.jar pi  2 2
  

• MR程序运行首先连接YRAN ResourceManager，连接它干什么的？要资源。

• MR程序好像是两个阶段 ，先Map 再Reduce。

• 数据量这么小的情况下，为什么MR这么慢？ MR适合处理大数据场景还是小数据场景？

---

六、Hadoop辅助功能

6.1、MapReduce jobhistory服务

• 背景

  默认情况下，yarn上关于MapReduce程序执行历史信息、执行记录不会永久存储；
  一旦yarn集群重启 之前的信息就会消失。
  

• 功能

  保存yarn上已经完成的MapReduce的执行信息。
  

• 配置

  • 因为需求修改配置。重启hadoop集群才能生效。

    vim mapred-site.xml
    
    <property>
    	<name>mapreduce.jobhistory.addressname>
    	<value>node1:10020value>
    property>
    
    <property>
    	<name>mapreduce.jobhistory.webapp.addressname>
    	<value>node1:19888value>
    property>
    

  • scp同步给其他机器

    scp /export/server/hadoop-3.3.0/etc/hadoop/mapred-site.xml node2:/export/server/hadoop-3.3.0/etc/hadoop/
    
    scp /export/server/hadoop-3.3.0/etc/hadoop/mapred-site.xml node3:/export/server/hadoop-3.3.0/etc/hadoop/
    

  • 重启hadoop集群

  • 自己手动启停jobhistory服务。

    #hadoop2.x版本命令
    mr-jobhistory-daemon.sh start|stop historyserver
    
    #hadoop3.x版本命令
    mapred --daemon start|stop historyserver
    
    [root@node1 ~]# jps
    13794 JobHistoryServer
    13060 DataNode
    12922 NameNode
    13436 NodeManager
    13836 Jps
    13327 ResourceManager
    

6.2、HDFS 垃圾桶机制

• 背景 在windows叫做回收站

  在默认情况下 hdfs没有垃圾桶 意味着删除操作直接物理删除文件。
  
  [root@node1 ~]# hadoop fs -rm /itcast/1.txt
  Deleted /itcast/1.txt
  

• 功能：和回收站一种 在删除数据的时候 先去垃圾桶 如果后悔可以复原。

• 配置

  在core-site.xml中开启垃圾桶机制
  
  指定保存在垃圾桶的时间。单位分钟
  
  <property>
  	<name>fs.trash.intervalname>
  	<value>1440value>
  property>
  

• 集群同步配置 重启hadoop服务。

  [root@node1 hadoop]# pwd
  /export/server/hadoop-3.3.0/etc/hadoop
  [root@node1 hadoop]# scp core-site.xml node2:$PWD
  core-site.xml                                              100% 1027   898.7KB/s   00:00    
  [root@node1 hadoop]# scp core-site.xml node3:$PWD
  core-site.xml 
  

• 垃圾桶使用

  • 配置好之后 再删除文件 直接进入垃圾桶

    [root@node1 ~]# hadoop fs -rm /itcast.txt
    INFO fs.TrashPolicyDefault: Moved: 'hdfs://node1:8020/itcast.txt' to trash at: hdfs://node1:8020/user/root/.Trash/Current/itcast.txt
    

• 垃圾桶的本质就是hdfs上的一个隐藏目录。

    hdfs://node1:8020/user/用户名/.Trash/Current
  

• 后悔了 需要恢复怎么做？

    hadoop fs -cp /user/root/.Trash/Current/itcast.txt /
  

• 就想直接删除文件怎么做？

    hadoop fs -rm -skipTrash /itcast.txt
     
    [root@node1 ~]#  hadoop fs -rm -skipTrash /itcast.txt
    Deleted /itcast.txt
  

---

今日作业

• 复习讲义，课堂笔记
• 搭建Hadoop集群
• 预先Hadoop HDFS
  • 本质就是文件系统 和linux很类似 学习成本使用成本很低
  • 其次是分布式的文件系统 分布式使得它的底层原理特性很多。