【大数据】Hadoop （一） 入门
课程链接：
尚硅谷大数据Hadoop 3.x（入门搭建+安装调优）_哔哩哔哩_bilibili
(Hadoop到底是干什么用的？ - 知乎 (zhihu.com)
资料
Hadoop中文文档 (apache.org)
Hadoop就是存储海量数据和分析海量数据的工具。
第1章 Hadoop概述
1.1 Hadoop 是什么
(1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
(2）主要解决，海量数据的存储和海量数据的分析计算问题。
(3）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。
1.2 Hadoop 发展历史（了解）
1）Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优 化升级，查询引擎和索引引擎。
2）2001年年底Lucene成为Apache基金会的一个子项目。
3）对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢。
4）学习和模仿Google解决这些问题的办法 ：微型版Nutch。
5）可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）
GFS —>HDFS、Map-Reduce —>MR 、BigTable —>HBas
6）2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了 DFS和MapReduce机制，使Nutch性能飙升。
7）2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。
8）2006 年 3 月份，Map-Reduce和Nutch Distributed File System （NDFS）分别被纳入到 Hadoop 项目 中，Hadoop就此正式诞生，标志着大数据时代来临。
9）名字来源于Doug Cutting儿子的玩具大
1.3 Hadoop 三大发行版本（了解）
Hadoop 三大发行版本：Apache、Cloudera、Hortonworks。
Apache 版本最原始（最基础）的版本，对于入门学习最好。
2006 Cloudera 内部集成了很多大数据框架，对应产品 CDH。2008 Hortonworks 文档较好，对应产品 HDP。
2011 Hortonworks 现在已经被 Cloudera 公司收购，推出新的品牌 CDP。
1.4 Hadoop 优势（4 高）
1）高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元 素或存储出现故障，也不会导致数据的丢失。
2）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处 理速度。
4）高容错性：能够自动将失败的任务重新分配。
1.5 Hadoop 组成（面试重点）
Hadoop1.x、2.x、3.x区别
在 Hadoop1.x 时 代 ， Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。
在Hadoop2.x时代，增加了Yarn。Yarn只负责资源的调度 ， MapReduce 只负责运算。
Hadoop3.x在组成上没有变化。
1.5.1 HDFS 架构概述
HDFS（Hadoop Distributed File System） ，是一个分布式文件系统。作用：数据存储。
（1）NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、 文件权限），以及每个文件的块列表和块所在的DataNode等。（数据目录）
（2）DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。（存储具体数据）
（3）Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。
1.5.2 YARN 架构概述
YARN（Yet Another Resource Negotiator） 简称 ，另一种资源协调者，是 Hadoop 的资源管理器。
作用：资源管理（主要管理CPU和内存）、资源调度。
（1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
（3）ApplicationMaster（AM）：单个任务运行的老大
（2）NodeManager（N M）：单个节点服务器资源老大
（4）Container：容器，相当一台独立的服务器，里面封装了 任务运行所需要的资源，如内存、CPU、磁盘、网络等。
说明1：客户端可以有多个
说明2：集群上可以运行多个ApplicationMaster
说明3：每个NodeManager上可以有多个Containe
1.5.3 MapReduce 架构概述
负责计算
MapReduce 将计算过程分为两个阶段：Map 和 Reduce
（1）Map 阶段并行处理输入数据 （分发）
（2）Reduce 阶段对 Map 结果进行汇总 （聚集）
1.5.4 HDFS、YARN、MapReduce三者关系
HDFS负责数据存储、YARN负责资源调度、MapReduce负责计算
1.6 大数据技术生态体系
图中涉及的技术名词解释如下：
（1）Sqoop：Sqoop 是一款开源的工具，主要用于在 Hadoop、Hive 与传统的数据库（MySQL） 间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到 Hadoop 的 HDFS 中，也可以将 HDFS 的数据导进到关系型数据库中。
（2）Flume：Flume 是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统， Flume 支持在日志系统中定制各类数据发送方，用于收集数据；
（3）Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；
（4）Spark：Spark 是当前最流行的开源大数据内存计算框架。可以基于 Hadoop 上存储的大数 据进行计算。
（5）Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
（6）Oozie：Oozie 是一个管理 Hadoop 作业（job）的工作流程调度管理系统。
（7）Hbase：HBase 是一个分布式的、面向列的开源数据库。HBase 不同于一般的关系数据库， 它是一个适合于非结构化数据存储的数据库。
（ 8）Hive：Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张 数据库表，并提供简单的 SQL 查询功能，可以将 SQL 语句转换为 MapReduce 任务进行运 行。其优点是学习成本低，可以通过类 SQL 语句快速实现简单的 MapReduce 统计，不必开 发专门的 MapReduce 应用，十分适合数据仓库的统计分析。
（9）ZooKeeper：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、 名字服务、分布式同步、组服务等。
1.7 推荐系统框架图
第 2 章 Hadoop 运行环境搭建（开发重点）
2.1 模板虚拟机环境准备
1、安装模板虚拟机，IP 地址 192.168.10.100、主机名称 hadoop100、内存 2G、硬盘 50G
(建议jdk和hadoop都装好,克隆完就少改很多东西)
2、关闭防火墙，关闭防火墙开机自启
注意：在企业开发时，通常单个服务器的防火墙时关闭的。公司整体对外会设置非常安 全的防火墙
systemctl stop firewalld
systemctl disable firewalld.service
3、配置windows网络
4、修改克隆虚拟机的静态 IP
vim /etc/sysconfig/network-scripts/ifcfg-ens33
# 要修改或增加的内容
ONBOOT=yes
BOOTPROTO=static
IPADDR=192.168.10.102
PREFIX=24
GATEWAY=192.168.10.2
DNS1=192.168.10.2
5、设置主机名(相当定义了一个全局变量，不用一个一个的改ip)
vim /etc/hostname
# 或
sudo hostnamectl hadoop100
6、配置 Linux 克隆机主机和 windows 名称映射 hosts 文件，打开/etc/hosts
vim /etc/hosts
192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108
7、重启虚拟机,测试网络
- 虚拟机外网
ping www.baidu.com
8、配置普通用户具有root权限
vim /etc/sudoers
修改/etc/sudoers 文件，在%wheel 这行下面添加一行，如下所示：
## Allow root to run any commands anywhere
root ALL=(ALL) ALL
## Allows people in group wheel to run all commands
%wheel ALL=(ALL) ALL
【普通用名称】 ALL=(ALL) NOPASSWD:AL
注意：atguigu 这一行不要直接放到 root 行下面，因为所有用户都属于 wheel 组，你先 配置了 atguigu 具有免密功能，但是程序执行到%wheel 行时，该功能又被覆盖回需要 密码。所以 atguigu 要放到%wheel 这行下面。
创建工作目录
[root@hadoop100 ~]$ mkdir /opt/module
[root@hadoop100 ~]$ mkdir /opt/software
2.2 安装工具
1、安装 epel-release(额外的软件包)
# 注：Extra Packages for Enterprise Linux 是为“红帽系”的操作系统提供额外的软件包，
# 适用于 RHEL、CentOS 和 Scientific Linux。相当于是一个软件仓库，大多数 rpm 包在官方repository 中是找不到的）
$ yum install -y epel-release
- 若yum出错
kill -9 【yum进程号】
2、卸载虚拟机自带的 JDK
rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps
# 检查是否卸载成功，无返回则成功
rpm -qa | grep -i java
➢ rpm -qa：查询所安装的所有 rpm 软件包
➢ grep -i：忽略大小写
➢ xargs -n1：表示每次只传递一个参数
➢ rpm -e –nodeps：强制卸载软件
# 重启虚拟机
reboot
3、安装 JDK
用 xftp传输工具将 JDK 导入到 opt 目录下面的 software 文件夹下面
2.3 克隆虚拟机并配置环境
2.3.1 克隆虚拟机
将虚拟机hadoop100 克隆出虚拟机hadoop102、hadoop103，并修改ip/etc/sysconfig/network-scripts/ifcfg-ens33 和 /etc/hostname 中的ip地址和主机名
2.3.2 虚拟机hadoop102 安装 JDK
1、用 Xftp 传输工具将 JDK 导入到 /opt/software 文件夹下，解压 JDK 到/opt/module 目录下
（直接拉入虚拟机的大文件不完整）
$ cd /opt/software
$ tar -zxvf jdk-8u212-linux-x64.tar.gz -C
2、配置 JDK 环境变量
- 新建
/etc/profile.d/my_env.sh文件,添加如下内容
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin
- source 一下/etc/profile 文件，让新的环境变量 PATH 生效
$ source /etc/profile
- 测试 JDK 是否安装成功
$ java -version
2.3.3 虚拟机hadoop102 安装 Hadoop
1、将 hadoop-3.1.3.tar.gz 导入到 /opt/software下
2、解压安装文件到/opt/module 下面
$ cd /opt/software
$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/
3、将 Hadoop 添加到环境变量
- 修改
/etc/profile.d/my_env.sh文件 ,在 my_env.sh 文件末尾添加如下内容
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbi
- source 一下/etc/profile 文件，让新的环境变量 PATH 生效
$ source /etc/profile
- 测试是否安装成功
$ hadoop version
/home/ywl/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/opt/module/jdk1.8.0_212/bin:/opt/module/hadoop-3.1.3/bin:/opt/module/hadoop-3.1.3/sbi:/root/bin:/opt/module/jdk1.8.0_212/bin:/opt/module/hadoop-3.1.3/bin:/opt/module/hadoop-3.1.3/sbi:/opt/module/jdk1.8.0_212/bin:/opt/module/hadoop-3.1.3/bin:/opt/module/hadoop-3.1.3/sbi
4、查看 Hadoop 目录结构
（1）bin 目录：存放对 Hadoop 相关服务（hdfs，yarn，mapred）进行操作的脚本
（2）etc 目录：Hadoop 的配置文件目录，存放 Hadoop 的配置文件
（3）lib 目录：存放 Hadoop 的本地库（对数据进行压缩解压缩功能）
（4）sbin 目录：存放启动或停止 Hadoop 相关服务的脚本
（5）share 目录：存放 Hadoop 的依赖 jar 包、文档、和官方案例
第 3 章 Hadoop 运行模式
Hadoop快速入门 (apache.org)’
Hadoop 运行模式包括：本地模式、伪分布式模式以及完全分布式模式。
➢ 本地模式：【数据存储在本地】单机运行，只是用来演示一下官方案例。生产环境不用。
➢ 伪分布式模式：【数据存储在HDFS】也是单机运行，但是具备 Hadoop 集群的所有功能，一台服务器模拟一个分布式的环境。个别缺钱的公司用来测试，生产环境不用。
➢ 完全分布式模式：【数据存储在HDFS,多台服务器同时工作】多台服务器组成分布式环境。生产环境使用。
3.1 本地运行模式（官方 WordCount）
1、在 hadoop-3.1.3 文件下面创建一个 wcinput 文件夹
[ywl@hadoop102 hadoop-3.1.3]$ mkdir wcinput
[ywl@hadoop102 hadoop-3.1.3]$ cd wcinput
[ywl@hadoop102 wcinput]$ vim word.txt
2、在 wcinput 文件下创建一个 word.txt 文件，在文件中输入如下内容
hadoop yarn
hadoop mapreduce
atguigu
atguig
3、执行程序，统计每个单词出现的次数（大数据统计）
[ywl@hadoop102 hadoop-3.1.3]$ hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount ./wcinput ./wcoutput
4、查看结果
[ywl@hadoop102 wcoutput]$ ls
part-r-00000 _SUCCESS
[ywl@hadoop102 wcoutput]$ cat part-r-00000
atguig 1
atguigu 1
hadoop 2
mapreduce 1
yarn 1
3.2 完全分布式运行模式（开发重点）
步骤
（1）准备 3 台客户机（关闭防火墙、修改静态 IP 和 主机名称）
hadoop102（192.168.10.102）、hadoop103（192.168.10.104）、hadoop104（192.168.10.104）
（2）安装 JDK
（3）配置环境变量
（4）安装 Hadoop
（5）配置环境变量
（6）配置集群
（7）单点启动
（8）配置 ssh
（9）群起并测试集群
集群分发，快速拷贝
3.2.1 scp 安全拷贝
scp（secure copy）安全拷贝
1、scp 定义 scp 可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）
2、基本语法
命令 递归 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称
scp -r $pdir/$fname $user@$host:$pdir/$fname
3、案例实操
前提：在 hadoop102、hadoop103、hadoop104 都已经创建好的/opt/module、 /opt/software 两个目录
mkdir /opt/module;mkdir /opt/software
- 在 hadoop102 上，将 hadoop102 中
/opt/module/jdk1.8.0_212目录拷贝到 hadoop103 上。【推】
$ scp -r /opt/module/jdk1.8.0_212 root@hadoop103:/opt/module
- 在 hadoop103 上，拉取 hadoop102 中
/opt/module/hadoop-3.1.3目录。【拉】
$ scp -r root@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/
- 在 hadoop103 上，拉取 hadoop102 中
/opt/module/*目录到 hadoop104 。【中间人】
$ scp -r root@hadoop102:/opt/module/* root@hadoop104:/opt/module/
3.2.2 rsync 远程同步
rsync 主要用于备份和镜像。具有速度快、避免复制相同内容和支持符号链接的优点。 rsync 和 scp 区别：用 rsync 做文件的复制要比 scp 的速度快，rsync 只对差异文件做更新。scp 是把所有文件都复制过去
1、基本语法
$ rsync 选项参数 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称
$ rsync -av $pdir/$fname $user@$host:$pdir/$fname
-a 归档拷贝、 -v 显示复制过程
2、同步测试
- 删除 hadoop103 中
/opt/module/hadoop-3.1.3/wcinput
[root@hadoop103 hadoop-3.1.3]$ rm -rf wcinput
- 同步 hadoop102 中的
/opt/module/hadoop-3.1.3到 hadoop103
$ rsync -av /opt/module/hadoop-3.1.3 root@hadoop103:/opt/module/hadoop-3.1.3/
3.2.3 xsync 集群分发脚本（自定义脚本）
1、脚本脚本：直接用命令行要输入路径和重复输入密码，太麻烦。简单命令即可循环复制文件到所有节点的相同目录下。
2、需求分析：
（1）rsync 命令原始拷贝：
$ rsync -av /opt/module atguigu@hadoop103:/opt/
（2）期望脚本： xsync 要同步的文件名称
（3）期望脚本在任何路径都能使用（脚本放在声明了全局环境变量的路径）
(4) linux配置目录/home/ywl/bin 入环境变量(三台主机都运行)
echo "export PATH=/home/ywl/bin:$PATH" >> /etc/profile
[root@hadoop102 bin]$ source /etc/profile
[root@hadoop102 bin]$ echo $PATH
/home/ywl/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/opt/module/jdk1.8.0_212/bin:/opt/module/hadoop-3.1.3/bin:/opt/module/hadoop-3.1.3/sbi:/root/bin:/opt/module/jdk1.8.0_212/bin:/opt/module/hadoop-3.1.3/bin:/opt/module/hadoop-3.1.3/sbi:/opt/module/jdk1.8.0_212/bin:/opt/module/hadoop-3.1.3/bin:/opt/module/hadoop-3.1.3/sbi
(如果source /etc/profile无效，则直接修改/etc/profile文件)
3、脚本实现
（1）在/home/ywl/bin 目录下创建 xsync 文件 ,在该文件中编写如下代码
[atguigu@hadoop102 bin]$ vim xsync
#!/bin/bash
#1. 判断参数个数是否小于零
if [ $# -lt 1 ]
then
echo Not Enough Arguement!
exit;
fi
#2. 遍历集群所有机器
for host in hadoop102 hadoop103 hadoop104
do
echo ==================== $host ====================
#3. 遍历所有目录，挨个发送
for file in $@
do
#4. 判断文件是否存在
if [ -e $file ]
then
#5. 获取父目录
pdir=$(cd -P $(dirname $file); pwd)
#6. 获取当前文件的名称
fname=$(basename $file)
ssh $host "mkdir -p $pdir"
rsync -av $pdir/$fname $host:$pdir
else
echo $file does not exists!
fi
done
done
（2）修改脚本 xsync 具有执行权限
$ chmod 777 xsync
4、脚本使用，同步java和Hadoop的环境变量配置
$ cd /etc/profile.d
$ xsync my_env.sh
3.3 SSH 无密登录配置
1、免密登录原理
2、hadoop102 生成公钥和私钥
[root@hadoop102 .ssh]$ cd /root/.ssh
[root@hadoop102 .ssh]$ ssh-keygen -t rsa
然后敲（三个回车），就会生成两个文件 id_rsa（私钥）、id_rsa.pub（公钥）
4、将公钥拷贝到要免密登录的目标机器上（自己也保存）
[root@hadoop102 .ssh]$ ssh-copy-id hadoop102
[root@hadoop102 .ssh]$ ssh-copy-id hadoop103
[root@hadoop102 .ssh]$ ssh-copy-id hadoop104
$ ssh-copy-id hadoop102;ssh-copy-id hadoop103 ;ssh-copy-id hadoop104
5、ssh 文件夹下（~/.ssh）的文件功能解释
- known_hosts ： 记录 ssh 访问过计算机的公钥（public key）
- id_rsa ：生成的私钥
- id_rsa.pub ：生成的公钥
- authorized_keys ：存放授权过的无密登录服务器公钥
6、测试,此时已经不用输入密码了
$ cd /etc/profile.d
$ xsync my_env.sh
7、将xsync 脚本文件拷贝到 hadoop103、hadoop104 (但 hadoop103、hadoop104也要配置SSH 才可以无密登录)
[root@hadoop102 profile.d]$ cd /home/ywl/bin
[root@hadoop102 bin]$ xsync xsync
3.4 配置集群
集群部署规划
| hapood102 | hapood103 | hapood104 | |
|---|---|---|---|
| HDFS | NameNode、DataNode | DataNode | DataNode、SecondaryNameNode |
| YARN | NodeManager | NodeManager、ResourceManager | NodeManager |
注意：
➢ NameNode 和 SecondaryNameNode 不要安装在同一台服务器
➢ ResourceManager 也很消耗内存，不要和 NameNode、SecondaryNameNode 配置在 同一台机器上。
配置文件说明
Hadoop 配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认 配置值时，才需要修改自定义配置文件，更改相应属性值。
（1）默认配置文件：
| 要获取的默认文件 | 文件存放在 Hadoop 的 jar 包中的位置 |
|---|---|
| [core-default.xml] | hadoop-common-3.1.3.jar/core-default.xml |
| [hdfs-default.xml] | hadoop-hdfs-3.1.3.jar/hdfs-default.xml |
| [yarn-default.xml] | hadoop-yarn-common-3.1.3.jar/yarn-default.xml |
| [mapred-default.xml] | hadoop-mapreduce-client-core-3.1.3.jar/mapred-default.xml |
2、自定义配置文件
core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放在 $HADOOP_HOME/etc/hadoop 这个路径上，用户可以根据项目需求重新进行修改配置。
配置集群
1、核心配置文件
$ cd $HADOOP_HOME/etc/hadoop
$ vim core-site.xml
配置 core-site.xml,文件内容如下：
<configuration>
<property>
<name>fs.defaultFSname>
<value>hdfs://hadoop102:8020value>
property>
<property>
<name>hadoop.tmp.dirname>
<value>/opt/module/hadoop-3.1.3/datavalue>
property>
<property>
<name>hadoop.http.staticuser.username>
<value>rootvalue>
property>
configuration>
2、HDFS 配置文件
配置 hdfs-site.xml 、文件内容如下：
<configuration>
<property>
<name>dfs.namenode.http-addressname>
<value>hadoop102:9870value>
property>
<property>
<name>dfs.namenode.secondary.http-addressname>
<value>hadoop104:9868value>
property>
configuration>
3、YARN 配置文件 配置yarn-site.xml ,文件内容如下：
<configuration>
<property>
<name>yarn.nodemanager.aux-servicesname>
<value>mapreduce_shufflevalue>
property>
<property>
<name>yarn.resourcemanager.hostnamename>
<value>hadoop103value>
property>
<property>
<name>yarn.nodemanager.env-whitelistname>
<value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOMEvalue>
property>
configuration>
4、MapReduce 配置文件 配置 mapred-site.xml
<configuration>
<property>
<name>mapreduce.framework.namename>
<value>yarnvalue>
property>
configuration>
5、hadoop102 在集群上分发配置好的 Hadoop 配置文件
[root@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop
3.5 启动集群
1、配置 workers
vim /opt/module/hadoop-3.1.3/etc/hadoop/workers
hadoop102
hadoop103
hadoop104
注意：该文件中添加的内容结尾不允许有空格，文件中不允许有空行。
[root@hadoop102 current]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/name/current
[root@hadoop102 current]$ cat VERSION
#Thu Feb 17 16:35:58 CST 2022
namespaceID=442240427
clusterID=CID-5523987b-1f88-414c-85ea-b33ad084721e
cTime=1645086958136
storageType=NAME_NODE
blockpoolID=BP-630449870-192.168.10.102-1645086958136
layoutVersion=-64
- 同步所有节点配置文件
[atguigu@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc
2、格式化集群（惕用）（在目录/opt/module/hadoop-3.1.3）
（1）如果集群是第一次启动，需要在 hadoop102 节点格式化 NameNode（注意：格式 化 NameNode，会产生新的集群 id，导致 NameNode 和 DataNode 的集群 id 不一致，集群找不到已往数据。如果集群在运行过程中报错，需要重新格式化 NameNode 的话，一定要先停止 namenode 和 datanode 进程，并且要删除所有机器的 data 和 logs 目录，然后再进行格式 化。）
$ hdfs namenode -format
[root@hadoop102 hadoop-3.1.3]# hdfs namenode -format
# ...
2022-02-17 16:35:58,671 INFO namenode.NameNode: SHUTDOWN_MSG:
/************************************************************
SHUTDOWN_MSG: Shutting down NameNode at hadoop102/192.168.10.102
************************************************************/
（2）hadoop102 启动 HDFS （在目录/opt/module/hadoop-3.1.3）
$ sbin/start-dfs.sh
root启动出错：
(37条消息) Attempting to operate on hdfs namenode as root_大猴子-CSDN博客
在/opt/module/hadoop-3.1.3/sbin路径下：
- 将start-dfs.sh，stop-dfs.sh两个文件顶部添加以下参数
#!/usr/bin/env bash
HDFS_DATANODE_USER=root
HADOOP_SECURE_DN_USER=hdfs
HDFS_NAMENODE_USER=root
HDFS_SECONDARYNAMENODE_USER=root
- 还有，start-yarn.sh，stop-yarn.sh顶部也需添加以下：
#!/usr/bin/env bash
YARN_RESOURCEMANAGER_USER=root
HADOOP_SECURE_DN_USER=yarn
YARN_NODEMANAGER_USER=root
- 同步到集群
$ xsync start-dfs.sh stop-dfs.sh start-yarn.sh stop-yarn.sh
[root@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
WARNING: HADOOP_SECURE_DN_USER has been replaced by HDFS_DATANODE_SECURE_USER. Using value of HADOOP_SECURE_DN_USER.
Starting namenodes on [hadoop102]
Last login: Thu Feb 17 16:20:40 CST 2022 from 192.168.10.1 on pts/0
Starting datanodes
Last login: Thu Feb 17 16:50:50 CST 2022 on pts/0
hadoop103: WARNING: /opt/module/hadoop-3.1.3/logs does not exist. Creating.
hadoop104: WARNING: /opt/module/hadoop-3.1.3/logs does not exist. Creating.
Starting secondary namenodes [hadoop104]
Last login: Thu Feb 17 16:50:52 CST 2022 on pts/0
[root@hadoop102 hadoop-3.1.3]$ jps
3000 NameNode
3449 Jps
3147 DataNode
- Web 端查看 HDFS 的 NameNode，访问 http://hadoop102:9870/
（3）在配置了 ResourceManager 的节点（hadoop103）启动 YARN （在目录/opt/module/hadoop-3.1.3）
$ sbin/start-yarn.sh
[root@hadoop103 hadoop-3.1.3]# jps
3140 ResourceManager
3636 Jps
2492 NodeManager
2317 DataNode
- Web 端查看 YARN 的 ResourceManager 访问：http://hadoop103:8088
3.6 集群基本测试
1、上传文件到集群
- 上传小文件
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /wcinput
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -put /opt/module/hadoop-3.1.3/wcinput /wcinput
2022-02-17 17:25:31,011 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
Download 可以下载
- 上传大文件
[atguigu@hadoop102 ~]$ hadoop fs -put /opt/software/jdk-8u212-linux-x64.tar.gz /
副本一般数量为3，3台服务器刚好每台存一份。
2、上传文件后查看文件存放在什么位置
查看 HDFS 文件存储路径
[root@hadoop102 subdir0]$ cat blk_1073741825
hadoop yarn
hadoop mapreduce
atguigu
atguig
[root@hadoop102 subdir0]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-630449870-192.168.10.102-1645086958136/current/finalized/subdir0/subdir0
3、下载（拉取）
[root@hadoop104 software]$ hadoop fs -get /jdk-8u212-linux-x64.tar.gz ./
4、执行 wordcount（单词统计） 程序,路径要集群的路径
$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
3.7 配置历史服务器
为了查看程序的历史运行情况，需要配置一下历史服务器。具体配置步骤如下：
1、配置 mapred-site.xml ,在该文件里面增加如下配置。
[root@hadoop102 hadoop]$ pwd
/opt/module/hadoop-3.1.3/etc/hadoop
[root@hadoop102 hadoop]$ vim mapred-site.xml
<property>
<name>mapreduce.jobhistory.addressname>
<value>hadoop102:10020value>
property>
<property>
<name>mapreduce.jobhistory.webapp.addressname>
<value>hadoop102:19888value>
property>
2、分发配置
[root@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml
3、hadoop103 重启yarm
[root@hadoop103 hadoop-3.1.3]$ sbin/stop-yarn.sh
[root@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
3、在 hadoop102 启动历史服务器
[root@hadoop102 hadoop-3.1.3]$ bin/mapred --daemon start historyserver
4、查看历史服务器是否启动
[root@hadoop102 hadoop-3.1.3]# jps
4260 NodeManager
4517 Jps
4441 JobHistoryServer
2410 NameNode
5、查看 JobHistory http://hadoop102:19888/jobhistory
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -mkdir /wcinput
[root@hadoop102 hadoop-3.1.3]$ hadoop fs -put wcinput/word.txt /wcinput
2022-02-17 20:49:37,431 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
6、执行 wordcount（单词统计） 程序,(路径要集群的路径)
[root@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /wcinput /wcoutput
7、访问http://hadoop102:19888/jobhistory
- 历史任务列表
8、http://hadoop103:8088/cluster
3.8 集群崩溃处理
1、su 普通用户 停止服务
[ywl@hadoop102 hadoop-3.1.3]# pwd
/opt/module/hadoop-3.1.3
[ywl@hadoop102 hadoop-3.1.3]$ sbin/stop-dfs.sh
2、su root用户 删除所有节点的 /opt/module/hadoop-3.1.3 下的 data 和 log目录
rm -rf data/ logs/
3、启动（格式化集群）
[root@hadoop102 hadoop-3.1.3]$ hdfs namenode -format
4、 hadoop102 启动 HDFS （在目录/opt/module/hadoop-3.1.3）
$ sbin/start-dfs.sh
- 访问 http://hadoop102:9870/explorer.html 测试
5、在配置了 ResourceManager 的节点（hadoop103）启动 YARN （在目录/opt/module/hadoop-3.1.3）
$ sbin/start-yarn.sh
- 访问 http://hadoop103:8088/cluster 测试
3.9 开启日志聚集功能
日志聚集概念：
应用运行完成以后，将程序运行日志信息上传到 HDFS 系统上。
配置日志聚集
1、配置 yarn-site.xml
[root@hadoop102 hadoop]$ pwd
/opt/module/hadoop-3.1.3/etc/hadoop
[root@hadoop102 hadoop]$ vim yarn-site.xml
在该文件里面增加如下配置。
<property>
<name>yarn.log-aggregation-enablename>
<value>truevalue>
property>
<property>
<name>yarn.log.server.urlname>
<value>http://hadoop102:19888/jobhistory/logsvalue>
property>
<property>
<name>yarn.log-aggregation.retain-secondsname>
<value>604800value>
property>
2、分发配置
[root@hadoop102 hadoop]$ xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml
3、关闭 NodeManager 、ResourceManager 和 HistoryServer
[root@hadoop103 hadoop-3.1.3]$ sbin/stop-yarn.sh
# 单节点 停止
[root@hadoop103 hadoop-3.1.3]$ mapred --daemon stop historyserver
4、启动 NodeManager 、ResourceManage 和 HistoryServer
[root@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
[root@hadoop103 hadoop-3.1.3]$ mapred --daemon start historyserver
5、删除 HDFS 上已经存在的输出文件
[root@hadoop102 hadoop]$ hadoop fs -rm -r /wcoutput
6、执行 wordcount（单词统计） 程序,(路径要集群的路径)
[root@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /wcinput /wcoutput
7、查看任务运行日志
- 成功
3.10 集群启动/停止方式总结
1、各个模块分开启动/停止（配置 ssh 是前提）常用
（1）整体启动/停止 HDFS
$ start-dfs.sh/stop-dfs.sh
（2）整体启动/停止 YARN
$ start-yarn.sh/stop-yarn.sh
2、各个服务组件逐一启动/停止
（1）分别启动/停止 HDFS 组件
$ hdfs --daemon start/stop namenode/datanode/secondarynamenode
（2）启动/停止 YARN
$ yarn --daemon start/stop resourcemanager/nodemanager
3.11 编写 Hadoop 集群常用脚本
1、Hadoop 集群启停脚本（包含 HDFS，Yarn，Historyserver）：myhadoop.sh,输入如下内容
[root@hadoop102 ~]$ cd /home/ywl/bin
[root@hadoop102 bin]$ vim myhadoop.sh
#!/bin/bash
if [ $# -lt 1 ]
then
echo "No Args Input..."
exit ;
fi
case $1 in
"start")
echo " =================== 启动 hadoop 集群 ==================="
echo " --------------- 启动 hdfs ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/start-dfs.sh"
echo " --------------- 启动 yarn ---------------"
ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/start-yarn.sh"
echo " --------------- 启动 historyserver ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver"
;;
"stop")
echo " =================== 关闭 hadoop 集群 ==================="
echo " --------------- 关闭 historyserver ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver"
echo " --------------- 关闭 yarn ---------------"
ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh"
echo " --------------- 关闭 hdfs ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh"
;;
*)
echo "Input Args Error..."
;;
esac
2、保存后退出，然后赋予脚本执行权限
[root@hadoop102 bin]$ chmod +x myhadoop.sh
3、查看三台服务器 Java 进程脚本：jpsall ，输入如下内容
[root@hadoop102 bin]$ vim jpsall
#!/bin/bash
for host in hadoop102 hadoop103 hadoop104
do
echo =============== $host ===============
ssh $host jps
done
4、保存后退出，然后赋予脚本执行权限
[root@hadoop102 bin]$ chmod +x jpsall
5、分发/home/ywl/bin 目录，保证自定义脚本在三台机器上都可以使用
[root@hadoop102 ~]$ xsync /home/ywl/bin/
6、使用
- 开启集群
$ myhadoop.sh start
- 关闭开启
$ myhadoop.sh stop
- 集群查看jps
$ jpsall
[root@hadoop102 bin]$ jpsall
=============== hadoop102 ===============
5713 NodeManager
5395 DataNode
5223 NameNode
5884 JobHistoryServer
6044 Jps
=============== hadoop103 ===============
4561 ResourceManager
4358 DataNode
4712 NodeManager
5145 Jps
=============== hadoop104 ===============
3841 NodeManager
4057 Jps
3739 SecondaryNameNode
3630 DataNode
3.12 常用端口号和配置文件
常用端口号
| 端口名称 | Hadoop2.x | Hadoop3.x |
|---|---|---|
| NameNode 内部通信端口 | 8020 / 9000 | 8020 / 9000/9820 |
| NameNode HTTP UI | 50070 | 9870 |
| MapReduce 查看执行任务端口 | 8088 | 8088 |
| 历史服务器通信端口 | 19888 | 19888 |
常用配置文件
core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml、workers(/opt/module/hadoop-3.1.3/etc/hadoop/workers)
3.13 集群时间同步
(不推荐配置，记得拍摄快照)
如果服务器在公网环境（能连接外网），可以不采用集群时间同步，因为服务器会定期 和公网时间进行校准； 如果服务器在内网环境，必须要配置集群时间同步，否则时间久了，会产生时间偏差， 导致集群执行任务时间不同步。
1、需求
找一个机器，作为时间服务器，所有的机器与这台集群时间进行定时的同步，生产环境 根据任务对时间的准确程度要求周期同步。测试环境为了尽快看到效果，采用 1 分钟同步一 次。
2、时间服务器配置（必须 root 用户）
（1）查看所有节点 ntpd 服务状态和开机自启动状态
[atguigu@hadoop102 ~]$ sudo systemctl status ntpd
[atguigu@hadoop102 ~]$ sudo systemctl start ntpd
[atguigu@hadoop102 ~]$ sudo systemctl is-enabled ntp
（2）修改 hadoop102 的 ntp.conf 配置文件
[atguigu@hadoop102 ~]$ sudo vim /etc/ntp.conf
修改内容如下
（a） 修改1（授权 192.168.10.0-192.168.10.255 网段上的所有机器可以从这台机器上查询和同步时间）
#修改
restrict 192.168.10.0 mask 255.255.255.0 nomodify notrap
#为
restrict 192.168.10.0 mask 255.255.255.0 nomodify notrap
（b）修改 2（集群在局域网中，不使用其他互联网上的时间）
#修改
server 0.centos.pool.ntp.org iburst
server 1.centos.pool.ntp.org iburst
server 2.centos.pool.ntp.org iburst
server 3.centos.pool.ntp.org iburst
#为
server 0.centos.pool.ntp.org iburst
server 1.centos.pool.ntp.org iburst
server 2.centos.pool.ntp.org iburst
server 3.centos.pool.ntp.org iburst
（c）添加 3（当该节点丢失网络连接，依然可以采用本地时间作为时间服务器为集群中 的其他节点提供时间同步）
server 127.127.1.0 fudge 127.127.1.0 stratum 10
3、修改 hadoop102 的/etc/sysconfig/ntpd 文件,增加内容如下（让硬件时间与系统时间一起同步）
SYNC_HWCLOCK=yes
4、重新启动 ntpd 服务
[atguigu@hadoop102 ~]$ sudo systemctl start ntpd
5、设置 ntpd 服务开机启动
[atguigu@hadoop102 ~]$ sudo systemctl enable ntpd
6、其他机器配置（必须 root 用户）
（1）关闭所有节点上 ntp 服务和自启动
[atguigu@hadoop103 ~]$ sudo systemctl stop ntpd
[atguigu@hadoop103 ~]$ sudo systemctl disable ntpd
[atguigu@hadoop104 ~]$ sudo systemctl stop ntpd
[atguigu@hadoop104 ~]$ sudo systemctl disable ntpd
（2）在其他机器配置 1 分钟与时间服务器同步一次
[atguigu@hadoop103 ~]$ sudo crontab -e
编写定时任务如下：
*/1 * * * * /usr/sbin/ntpdate hadoop102
（3）修改任意机器时间
[atguigu@hadoop103 ~]$ sudo date -s "2021-9-11 11:11:11"
（4）1 分钟后查看机器是否与时间服务器同步
[atguigu@hadoop103 ~]$ sudo date
第 4 章 常见错误及解决方案
1、防火墙没关闭、或者没有启动 YARN
INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
2、主机名称配置错误
3、IP 地址配置错误
4、ssh 没有配置好
5、root 用户和 atguigu 两个用户启动集群不统一
6、配置文件修改不细心
7、不识别主机名称
解决办法：
（1）在/etc/hosts 文件中添加 192.168.10.102 hadoop102
（2）主机名称不要起 hadoop hadoop000 等特殊名称
8、DataNode 和 NameNode 进程同时只能工作一个。
9、执行命令不生效，粘贴 Word 中命令时，遇到-和长–没区分开。导致命令失效
解决办法：尽量不要粘贴 Word 中代码。
10、jps 发现进程已经没有，但是重新启动集群，提示进程已经开启。
原因是在 Linux 的根目录下/tmp 目录中存在启动的进程临时文件，
将集群相关进程删除掉，再重新启动集群。
11、jps 不生效
原因：全局变量 hadoop java 没有生效。解决办法：需要 source /etc/profile 文件。
12、8088 端口连接不上
[atguigu@hadoop102 桌面]$ cat /etc/hosts
注释掉如下代码
#127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
#::1 hadoop102
13、配置pcore-site.xml,使root可以在网页增加和删除文件
<property>
<name>hadoop.http.staticuser.username>
<value>rootvalue>
property>
14、Block Size 是 块大小，指单个块存储文件大小上限，大于块大小就用多个块
- 如 word.txt 用单个块
- 上传 大文件，占用两个块空间
[atguigu@hadoop102 ~]$ hadoop fs -put /opt/software/jdk-8u212-linux-x64.tar.gz /
