Hadoop（入门）

Hadoop概述

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
Hadoop三大发行版本
- Apache、Cloudera、Hortonworks
  - Apache 版本最原始（最基础）的版本
  - Cloudera 内部集成了很多大数据框架
  - CDP 整合了Hortonworks和Cloudera
Apache Hadoop下载地址
- 官网地址：https://hadoop.apache.org/
- 下载地址：https://hadoop.apache.org/releases.html
Hadoop优势
- 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
- 高扩展性：在集群间分配任何数据，可方便地扩展数以千计的节点
- 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
- 高容错性：能够自动将失败的任务重新分配
Hadoop组成
- MapReduce（计算）
- Yarn（资源调度）
- HDFS（数据存储）
- Common（辅助工具）

HDFS架构概述

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统
HDFS架构概述
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
2. DataNode（dn）：在本地文件系统存储文件快数据，以及块数据的校验和
3. Secondary NameNode（2nn）：每隔一段时间对NameNode元数据备份

YARN架构概述

Yet Another Resource Negotiator 简称YARN，另一种资源协调者，是Hadoop的资源管理器
YARN架构概述
1. ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
2. NodeManager（NM）：单个节点服务器资源老大
3. ApplicationMaster（AM）：单个任务运行的老大
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上可以有个Container

MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce

Map阶段并行处理输入数据
Reduce阶段对Map结果进行汇总

大数据生态体系

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中的数据导进到关系型数据库中
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
Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统
Spark：Spark是当前最流行的开源大数据内存计算框架。
Flink：Flink是当前最流行的开源大数据内存计算框架
Oozie：Oozie是一个管理Hadoop作业（job）的工作流程调度管理系统
Hbase：HBase是一个分布式的、面向列的开源数据库
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
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

Hadoop运行环境搭建

搭建模板机

虚拟机网络IP地址修改

修改网络IP地址为静态IP地址，避免地址经常变化，从而方便节点服务器间的互相通信

vim /etc/sysconfig/network-seripts/ifcfg-ens33

TYPE="Ethernet"    #网络类型（通常是Ethemet）
PROXY_METHOD="none"
BROWSER_ONLY="no"
BOOTPROTO="static"   #IP的配置方法[none|static|bootp|dhcp]（引导时不使用协议|静态分配IP|BOOTP协议|DHCP协议）
DEFROUTE="yes"
IPV4_FAILURE_FATAL="no"
IPV6INIT="yes"
IPV6_AUTOCONF="yes"
IPV6_DEFROUTE="yes"
IPV6_FAILURE_FATAL="no"
IPV6_ADDR_GEN_MODE="stable-privacy"
NAME="ens33"   
UUID="e83804c1-3257-4584-81bb-660665ac22f6"   #随机id
DEVICE="ens33"   #接口名（设备,网卡）
ONBOOT="yes"   #系统启动的时候网络接口是否有效（yes/no）
#IP地址
IPADDR=192.168.10.100  
#网关  
GATEWAY=192.168.10.2      
#域名解析器
DNS1=192.168.10.2

systemctl restart network #重启网络服务

修改主机名
- 修改主机名

vim /etc/hostname
hadoop100

配置Linux克隆机主机名称映射hosts文件，打开/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

通过yum安装 epel-release
- 注：Extra Package 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
```
yum install -y epel-release
```
Linux安装的是最小系统版，还需要安装如下工具

yum install -y net-tools

yum install -y vim

关闭防火墙开机自启

stop firewalld

disable firewalld.service

创建用户

useradd sry
passwd sry

配置sry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

## Allows people in group wheel to run all commands
%wheel  ALL=(ALL)       ALL
sry   ALL=(ALL)     NOPASSWD:ALL

mkdir /opt/module
mkdir /opt/software

chown 777 /opt/module
chown 777 /opt/software

卸载自带的jdk

rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps

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

克隆虚拟机

利用模板机hadoop100，克隆三台虚拟机：hadoop102 hadoop103 hadoop104
修改克隆机IP，以下以hadoop102举例说明

vim /etc/sysconfig/network-scripts/ifcfg-ens33

DEVICE=ens33
TYPE=Ethernet
ONBOOT=yes
BOOTPROTO=static
NAME="ens33"
IPADDR=192.168.10.102
PREFIX=24
GATEWAY=192.168.10.2
DNS1=192.168.10.2

修改克隆机主机名，以下以hadoop102举例说明

vim /etc/hostname
hadoop102

配置Linux克隆机主机名称映射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

安装jdk

tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/

配置JDK环境变量

sudo vim /etc/profile.d/my_env.sh

#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

安装hadoop

解压安装文件到/opt/module下面

tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/

将Hadoop添加到环境变量

sudo vim /etc/profile.d/my_env.sh

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/sbin

让修改后的文件生效

source /etc/profile

测试是否安装成功

hadoop version

编写分发脚本

编写集群分发脚本 xsync

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）
- 基本语法
- scp -r -$pdir/$fname $user@$host:$pdir/$fname
rsync 远程同步工具
- rsync 主要用于备份和镜像。具有速度快、避免复制相同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
- 基本语法
- rsync -av $pdir/$fname $user@$host:$pdir/$fname
- 选项功能
  
  -a 归档拷贝
  
  -v 显示复制过程

选项	功能
-a	归档拷贝
-v	显示复制过程

xsync 集群分发脚本

家目录下创建文件：xsync
编写脚本

#!/bin/bash

#1. 判断参数个数
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

SSH无密登录配置

配置ssh
1. 基本语法
  - ssh $host
2. 无密钥配置
  1. 免密登录原理
    1. A 服务器通过 ssh-key-gen 生成密钥对，分别是公钥(A)和私钥(A)
    2. 拷贝公钥A到B服务器，对公钥A授权 key Authorized_keys
    3. A服务器 ssh 访问B服务器（数据用私钥A加密）
    4. B服务器接收到数据后，去授权 key中查找A的公钥，并解密数据
    5. 采用 A公钥加密的数据返回给服务器A
  2. 生成公钥和私钥
    1. 生成公钥和私钥路径：
```
pwd
/home/sry/.ssh
```
    1. 生成公钥和私钥，按两下回车，会生成两个文件
      - id_rsa （私钥）
      - id_rsa.pub （公钥）
```
ssh-keygen -t rsa
```
    1. 将公钥拷贝到要免密登陆的目标机器上
```
ssh-copy-id hadoop102
ssh-copy-id hadoop103
ssh-copy-id hadoop104
```
  3. .ssh 文件夹下(~/.ssh)的文件功能解释
  文件名功能
  
  known_hosts 记录ssh访问过计算机的公钥(public keys)
  
  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

文件名	功能
known_hosts	记录ssh访问过计算机的公钥(public keys)
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

集群部署规划

集群部署规划
- 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
  hadoop102 hadoop103 hadoop104
  
  HDFS NameNode
  DataNode DataNode SecondaryNameNode
  DataNode
  
  YARN NodeManager ResourceManager
  NodeManager NodeManager

	hadoop102	hadoop103	hadoop104
HDFS	NameNode DataNode	DataNode	SecondaryNameNode DataNode
YARN	NodeManager	ResourceManager NodeManager	NodeManager

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

默认配置文件

默认文件	文件存放在Hadoop的jar包中的位置
core-defalut.xml	hadoop-common-3.1.3.ar/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

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

核心配置文件

配置 core-site.xml

cd $HADOOP_HOME/etc/hadoop
vim core-stie.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    <!-- 指定NameNode的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop102:8020</value>
    </property>

    <!-- 指定hadoop数据的存储目录 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/module/hadoop-3.1.3/data</value>
    </property>

    <!-- 配置HDFS网页登录使用的静态用户为atguigu -->
    <property>
        <name>hadoop.http.staticuser.user</name>
        <value>atguigu</value>
    </property>
</configuration>

HDFS 配置文件

vim hdfs-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
	<!-- nn web端访问地址-->
	<property>
        <name>dfs.namenode.http-address</name>
        <value>hadoop102:9870</value>
    </property>
	<!-- 2nn web端访问地址-->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop104:9868</value>
    </property>
</configuration>

YARN 配置文件

vim yarn-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    <!-- 指定MR走shuffle -->
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>

    <!-- 指定ResourceManager的地址-->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop103</value>
    </property>

    <!--3.2以后不用配这个变量 -->
    <!-- 环境变量的继承 -->
    <property>
        <name>yarn.nodemanager.env-whitelist</name>
        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>
    </property>
</configuration>

MapReduce 配置文件

vim mapred-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
	<!-- 指定MapReduce程序运行在Yarn上 -->
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

在集群上分发配置好的 Hadoop 配置文件

xsync /opt/module/hadoop-3.1.3/etc/hadoop/

查看文件分发情况

群起集群

配置workers

vim /opt/module/hadoop-3.1.3/etc/hadoop/workers

hadoop102
hadoop103
hadoop104

xsync /opt/module/hadoop-3.1.3/etc/hadoop/workers

启动集群
1. 格式化NameNode
  - 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 DateNode 的集群 id 不一致，集群找不到以往数据。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
```
1. 启动 HDFS
```
sbin/start-dfs.sh
```
1. 在配置的ResourceManager的节点（hadoop103）启动YARN
```
sbin/start-yarn.sh
```
1. Web端查看HDFS的NameNode
  - http://hadoop102:9870/
  - 查看HDFS上存储的数据信息
2. Web端查看YARN的ResourceManager
  - http://hadoop103:8088
  - 查看YARN上运行的Job信息

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：

配置 mapred-site.xml

vim mapred-site.xml

<!-- 历史服务器端地址 -->
<property>
    <name>mapreduce.jobhistory.address</name>
    <value>hadoop102:10020</value>
</property>

<!-- 历史服务器web端地址 -->
<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>hadoop102:19888</value>
</property>

分发配置

xsync $HADOOP_HOME/etc/hadoop/mapred-site.xml

在hadoop102 启动历史服务器

mapred --daemon start historyserver

查看历史服务器是否启动

jps

查看 JobHistory
- http://hadoop102:19888/jobhistory

配置日志的聚集

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
日志聚集功能好处：可以方便的查看到程序运行详情，方便开发调试
注意：开启日志聚集功能，需要重新启动 NodeManager、ResourceManager 和 HistoryServer

配置 yarn-site.xml

vim yarn-site.xml

<!-- 开启日志聚集功能 -->
<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
</property>
<!-- 设置日志聚集服务器地址 -->
<property>  
    <name>yarn.log.server.url</name>  
    <value>http://hadoop102:19888/jobhistory/logs</value>
</property>
<!-- 设置日志保留时间为7天 -->
<property>
    <name>yarn.log-aggregation.retain-seconds</name>
    <value>604800</value>
</property>

分发配置

xsync $HADOOP_HOME/etc/hadoop/yarn-site.xml

关闭 NodeManager、ResourceManager 和 HistoryServer

sbin/stop-yarn.sh
mapred --daemon stop historyserver

启动NodeManager、ResourceManager 和 HistoryServer

start-yarn.sh
mapred --daemon start historyserver

查看日志
- http://hadoop102:19888/jobhistory

集群启动/停止方式总结

各个模块分开启动/停止（配置 ssh 是前提）
1. 整体启动/停止 HDFS
```
start-dfs.sh/stop-dfs.sh
```
1. 整体启动/停止YARN
```
start-yarn.sh/stop-yarn/sh
```

各个服务组件逐一启动/停止

分别启动/停止HDFS组件

hdfs --daemon start/stop namenode/datanode/secondarynamenode

启动/停止 YARN

yarn --daemon start/stop resourcemanager/nodemanager

编写Hadoop集群常用脚本

Hadoop 集群启停脚本（包含 HDFS，Yarn，Historyserver）：myhadoop.sh

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

查看三台服务器 Java 进程脚本：jpsall

vim jpsall

#!/bin/bash

for host in hadoop102 hadoop103 hadoop104
do
        echo =============== $host ===============
        ssh $host jps 
done

常用端口号说明

端口名称	Hadoop3.x
NameNode 内部通信端口	8020 / 9000 / 9820
NameNode HTTP UI	9870
MapReduce 查看执行任务端口	8088
历史服务器通信端口	19888

集群时间同步

如果服务器在公网环境，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

查看所有节点 ntpd 服务状态和开机自启动状态

sudo systemctl status ntpd
sudo systemctl start ntpd
sudo systemctl is-enabled ntpd

修改hadoop102的ntp.conf配置文件

sudo vim /etc/ntp.conf

#restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap 
##修改为
restrict 192.168.10.0 mask 255.255.255.0 nomodify notrap 

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

server 127.127.1.0
fudge 127.127.1.0 stratum 10

修改hadoop102的/etc/sysconfig/ntpd 文件

 sudo vim /etc/sysconfig/ntpd

##让硬件时间与系统时间一起同步
SYNC_HWCLOCK=yes

重新启动ntpd服务

sudo systemctl start ntpd

设置ntpd服务开机启动

sudo systemctl enable ntpd

其他机器配置（必须root服务）

关闭所有节点上ntp服务和自启动

sudo systemctl stop ntpd
sudo systemctl disable ntpd
sudo systemctl stop ntpd
sudo systemctl disable ntpd

在其他机器配置1分钟与时间服务器同步一次

sudo crontab -e

*/1 * * * * /usr/sbin/ntpdate hadoop102

Hadoop目录结构

重要目录
- bin目录：存放对Hadoop相关服务(hdfs,yarn,mapred)进行操作的脚本
- etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件
- lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）
- sbin目录：存放启动或停止Hadoop相关服务的脚本
- share目录：存放Hadoop的依赖jar包，文档、和官方案例
Hadoop运行模式
1. 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：单机运行，数据存储在linux本地
  - 伪分布式模式：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。
  - 完全分布式模式：多台服务器组成分布式环境。