Hadoop1
- hadoop是什么
- 狭义上
- 特指Apache 的一款软件 java语言开发 开源软件 大数据问题解决处理平台
Hadoop HDFS:分布式文件系统 解决了海量数据存储问题
Hadoop MapReduce:分布式计算框架 解决了海量数据的计算问题
Hadoop YARN:资源管理任务调度系统
- 广义上
- 特指hadoop 生态圈 包括了大数据解决的各个不同步骤的软件
- 甚至一些非apache 的项目也会处于生态圈中
- hadoop的优点和应用
- 优点:扩容能力强 使用分布式的思想解决了海量数据的处理问题
使用方便简单 相比较于传统的处理方式 犹如一缕清风 - 应用:hadoop精准了区分 what to do(做什么 业务)| how to do(怎么做 技术)
hadoop提供了大数据存储能力 计算能力 跟具体的行业不会挂钩 通用的大数据解决方案。
hadoop集群搭建
- hadoop发行版本
- 社区版:官方版本 apache社区维护
- 优点:功能最新的 免费
- 缺点:稳定性 兼容性不好
https://archive.apache.org/dist/hadoop/common/
hadoop-2.6.0-src.tar.gz 官方提供的源码包
hadoop-2.6.0.tar.gz 官方预编译安装包
- 商业版:商业公司在社区版本至少进行商业化开发 架构 api 配置不会发生改变 主要改变bug和兼容性
- 优点:稳的一批 兼容性极好
- 缺点:花钱 某些软件可能版本不高 不能使用最新的功能
http://archive.cloudera.com/cdh5/cdh/5/
hadoop-2.6.0-cdh5.14.0-src.tar.gz cdh版本源码包
hadoop-2.6.0-cdh5.14.0.tar.gz cdh版本预编译安装包
只要保证cdh版本号是一致的 该版本号中所有的生态圈软件之间都是兼容的
- 在博客中 我们使用cdh最稳定的一个版本 cdh5.14.0–hadoop 2.6.0
- hadoop自身版本发展
- 历经了1.X 2.X 3.X
- 当下企业中使用最多的是2系列高阶版本 2.5~2.8 稳定兼容性最好
- hadoop集群介绍
- hadoop分为两个集群 hdfs集群 yarn集群
- hdfs集群 分布式文件存储
- 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)
- hadoop部署模型
- 单机模式 所有的进程在一个机器上运行 过家家
- 伪分布模式 每个进程独立 在一台机器上 模拟分布式执行环境
- 分布式集群模式:多个进程多台机器 生成环境中的模式
- HA高可用集群: 主要解决了单点故障 保证集群稳定 可靠
- hadoop安装环境检测
- jdk是否正常安装 环境变量
- 时间是否同步
- 防火墙是否关闭
iptables selinux - 主机名 ip映射
- 免密登录 ssh
- hadoop源码编译
- 为什么某些软件需要编译源码
软件的运行依赖于操作系统平台 操作系统之间存在着差异性 下载源码结合具体平台进行编译
修改源码中某些组件的逻辑
- 什么叫做编译
以java语言来说 把.java 编译成.class —>jar 便于程序运行 - 如何编译源码
在每个版本的hadoop 源码包中 building.txt 里面描述了该版本的编译需要配置的依赖软件
最终只需要执行mvn -pachage 进行编译
保证编译过程中网络的顺畅 jar可以下载 推荐使用博客中提供cdh编译需要的jar仓库
- 集群规划(站在架构的角度规划服务器集群分配)
- 根据软件自己 软件之间的工作特性结合服务器的硬件特性 合理安排软件运行在不同的机器上
- 原则:
- 优先满足软件需要的硬件资源
- 尽量避免有冲突的软件不在一起
- 有工作上依赖的软件尽量部署在一起
NodeManager和Datanode通常部署在一台机器上。
node-1: NameNode DataNode | ResourceManager NodeManager
node-2: DataNode SecondaryNameNode| NodeManager
node-3: DataNode | NodeManager
如何扩展hadoop集群
node-4 DataNode NodeManager
node-5 DataNode NodeManager
node-6 DataNode NodeManager
.......
- hadoop 安装目录结构
bin hadoop集群管理的基本脚本
etc 配置文件路径
include
lib
libexec
sbin hadoop集群启动关闭的脚本(单节点逐个 一键启动)
share hadoop 编译之后的jar 官方自带示例
- hadoop配置修改
- 第一类 shell脚本 hadoop-env.sh
导入java_home 保证hadoop运行的时候一定可以正确的加载jdk环境变量
vim etc/hadoop/hadoop-env.sh
export JAVA_HOME=/export/servers/jdk1.8.0_65
- 第二类配置文件 4个 xml文件(分别配置了 hdfs mapreduce yarn common)
- core-site.xml common模块
<!-- 指定HADOOP所使用的文件系统schema(URI),HDFS的老大(NameNode)的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://node-1:8020</value>
</property>
<!-- 指定hadoop运行时产生文件的存储目录,默认/tmp/hadoop-${user.name} -->
<property>
<name>hadoop.tmp.dir</name>
<value>/export/data/hadoopdata</value>
</property>
- hdfs-site.xml hdfs模块
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>node-2:50090</value>
</property>
- mapred-site.xml mr模块
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
- yarn-site.xml
<property>
<name>yarn.resourcemanager.hostname</name>
<value>node-1</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
- 第三类配置文件 slaves
- 配合一键启动脚本 到slaves指定的机器上启动hdfs和yarn集群的从角色
- 通过 dfs.hosts 指定的slaves文件中的机器才可以加入hadoop集群 白名单
- 一个写一个ip或者主机名
node-1
node-2
node-3
- 把主节点上配置 好的安装包scp给其他节点上
cd /export/servers/
scp -r hadoop-2.6.0-cdh5.14.0/ node-2:$PWD
scp -r hadoop-2.6.0-cdh5.14.0/ node-3:$PWD
- 添加hadoop的环境变量
export HADOOP_HOME=/export/servers/hadoop-2.6.0-cdh5.14.0
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
hadoop初体验
- namnode format操作
- 首次启动集群需要针对hdfs 操作
- 操作只需要进行一次 通常在namenode所在节点进行
- format中主要创建了hadoop运行时依赖的一些文件夹和文件
Storage directory /export/data/hadoopdata/dfs/name has been successfully formatted.
-rw-r--r--. 1 root root 321 Jul 18 14:53 fsimage_0000000000000000000
-rw-r--r--. 1 root root 62 Jul 18 14:53 fsimage_0000000000000000000.md5
-rw-r--r--. 1 root root 2 Jul 18 14:53 seen_txid
-rw-r--r--. 1 root root 208 Jul 18 14:53 VERSION
- Q:如果不小心format多从会如何?怎么解决?
- 后果:集群中主从角色互相不识别 貌合神离 之前集群的元数据都会丢失
- 解决:把3台机器上hadoop.tmp.dir 指定文件夹全部删除 重新format一次
- hadoop集群的启动方式
- 单节点逐个启动
- hdfs集群
hadoop-daemon.sh start|stop namenode/datanode/secondarynamenode
- yarn集群
yarn-daemon.sh start|stop reourcemanager/nodemanager
- 好处:可以精准的控制每个机器上每个进程启停状态 便于后期维护集群
- 脚本一键启动
- 前提是必须配置好 ssh免密登录 指定slaves文件
- hdfs集群
start-dfs.sh stop-dfs.sh
- yarn集群
start-yarn.sh stop-yarn.sh
- 更狠的命令 一键启动两个集群
start-all.sh stop-all.sh
- hadoop web-ui页面
- hdfs:http://namenode_ip:50070
- yarn:http://resourcemanager_ip:8088
- 初体验
- hdfs 存储文件集群
- 本质就是用于文件存储的
- 结构上也是目录树结构 从/根目录开始
- 文件夹是文件夹 目录是目录
- 操作起来比较慢?为什么慢? 难道是分布式存储造成?
- yarn+mr
- mr程序本质就是一个java程序
- mr程序第一步去寻找yarn?为什么去?寻找资源。?
- mr程序分为两个阶段的 先map 再reduce
- mr输出的结果好像有顺序 字典序(a–z 0–9)
MapReduce jobhistory
- 记录已经完成的mr程序的信息 历史任务信息
- 如何开启
vim mapred-site.xml
<property>
<name>mapreduce.jobhistory.address</name>
<value>node-1:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>node-1:19888</value>
</property>
- 把修改好的配置文件scp给其他机器上
scp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/mapred-site.xml node-2:/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
scp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/mapred-site.xml node-3:/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
- 单独启动关闭historyserver 服务(只需要配置指定的机器上启动即可)
mr-jobhistory-daemon.sh start historyserver
如果关闭的话 用下述命令
mr-jobhistory-daemon.sh start historyserver
- 访问浏览historyserver
- 注意事项
- historyserver 是否运行不影响hadoop集群正常工作 只是为了更好查看历史运行信息的
hadoop hdfs 垃圾回收机制
- 何为垃圾回收
开启垃圾回收站 把删除的文件首先放置在回收站中 等待配置的时间结束 进行真正的数据删除 - 如何开始
vim core-site.xml
<property>
<name>fs.trash.interval</name>
<value>1440</value>
</property>
- 把配置文件 scp给其他节点上
scp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/core-site.xml node-2:/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
scp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/core-site.xml node-3:/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/
- 垃圾回收机制演示效果
- 未开启
[root@node-1 ~]# hadoop fs -rm /test/1.txt
Deleted /test/1.txt
- 开启
hadoop fs -rm /test/1.txt
19/07/18 16:18:17 INFO fs.TrashPolicyDefault: Moved: 'hdfs://node-1:8020/test/1.txt' to trash at: hdfs://node-1:8020/user/root/.Trash/Current/test/1.txt
本质是把删除文件 首先移动一个指定的文件夹下面
- 恢复删除的数据
hadoop fs -mv /user/root/.Trash/Current/test/1.txt /test
- 跳过垃圾回收 直接删除
skipTrash 选项删除文件,该选项不会将文件发送到垃圾箱。它将从HDFS 中完全删除