概念

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。

发展历史

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–>HBase
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儿子的玩具大象

三大发行版本

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。

优势

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。

   

组成

• 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只负责资源调度MapReduce只负责运算 。
• Hadoop3.x 在组成上没有变化。

HDFS架构概述

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。

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。

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

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。

ResourceManager（RM）：整个集群资源（内存、CPU等）的老大

NodeManager（NM）：单个节点服务器资源老大

ApplicationMaster（AM）：单个任务运行的老大

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Container

MapReduce 架构概述

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
2. Reduce 阶段对 Map 结果进行汇总

以康师傅找资源为案例,康师傅需要某个资源,但是并不知道资源在哪个服务器上,这时可以调用所有服务器,并且汇总服务器的结果,得到需要的资源

三者的关系

大数据生态体系

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。

推荐系统案例

环境配置

模板虚拟机准备

安装一台linux虚拟机

克隆

完全克隆四台虚拟机,并修改hostname以及ip地址

安装jdk,hadoop

Jdk

解压

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

环境变量

打开/etc/profile.d/my_env.sh

#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212 
export PATH=$PATH:$JAVA_HOME/bin

读取环境变量

source /etc/profile

检测

Java -version

hadoop

解压

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

配置环境变量

#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

读取环境变量

source /etc/profile

测试

hadoop version

hadoop目录结构

[root@hadoop102 bin]# ll
总用量 996
-rwxr-xr-x. 1 fate fate 441936 9月  12 2019 container-executor
-rwxr-xr-x. 1 fate fate   8707 9月  12 2019 hadoop
-rwxr-xr-x. 1 fate fate  11265 9月  12 2019 hadoop.cmd
-rwxr-xr-x. 1 fate fate  11026 9月  12 2019 hdfs
-rwxr-xr-x. 1 fate fate   8081 9月  12 2019 hdfs.cmd
-rwxr-xr-x. 1 fate fate   6237 9月  12 2019 mapred
-rwxr-xr-x. 1 fate fate   6311 9月  12 2019 mapred.cmd
-rwxr-xr-x. 1 fate fate 483728 9月  12 2019 test-container-executor
-rwxr-xr-x. 1 fate fate  11888 9月  12 2019 yarn
-rwxr-xr-x. 1 fate fate  12840 9月  12 2019 yarn.cmd

说明:

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

生产集群搭建

本地模式(wordcount案例)

1. 在hadoop文件夹下创建wcinput文件夹

   mkdir wcinput
   

2. 在wcinput下创建word.txt文件

   vim word.txt
   

3. 编写文件内容

   hadoop yarn 
   hadoop mapreduce 
   fate
   fate
   

4. 返回hadoop文件夹

5. 执行hadoop案例

   hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput/ ./wcoutput
   

6. 查看输出路径我们会发现两个文件:_SUCCESS与part-r-00000其中_SUCCESS仅仅只是成功的标志,正在的结果存储在part-r-00000中

   [root@hadoop102 wcoutput]# cat part-r-00000 
   fate	2
   haaoop	1
   hadoop	1
   mapreduce	1
   yarn	1
   

完全分布式集群(‼)

集群分发脚本xsync

scp(secure copy)安全拷贝

基本语法

scp -r   $pdir/$fname       $user@$host:$pdir/$fname
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

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。

基本语法:

rsync -av $pdir/$fname        $user@$host:$pdir/$fname
命令   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

选项参数说明

xsync集群脚本分发

1. 需求：循环复制文件到所有节点的相同目录下

2. 需求分析：

   rsync 命令原始拷贝

   期望脚本：

   xsync 要同步的文件名称

   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）

3. 脚本实现

   在/home/atguigu/bin 目录下创建 xsync 文件

   #!/bin/bash
   #1. 判断参数个数
   if [ $# -lt 1 ]; thenecho Not Enough Arguement!exit
   fi
   #2. 遍历集群所有机器
   for host in hadoop102 hadoop103 hadoop104; doecho ==================== $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 $host:$pdirelseecho $file does not exists!fidone
   done
   

   修改脚本xsync具有执行权限chomd +x xsync

   测试脚本xsync /home/atguigu/bin

   将脚本复制到bin中,方便全局调用sudo cp xsync /bin/

   同步环境变量配置sudo ./bin/xsync /etc/profile.d/my_env.sh

   重载环境变量source /etc/profile

ssh免密登陆

基本语法

ssh 另一台电脑的 IP 地址

无密钥配置

1. 生成公钥和私钥

   ssh-keygen -t rsa
   

2. 拷贝公钥

   ssh-copy-id ip地址
   

注意:

还需要在 hadoop103 上采用 atguigu 账号配置一下无密登录到 hadoop102、hadoop103、 hadoop104 服务器上。

还需要在 hadoop102 上采用 root 账号，配置一下无密登录到 hadoop102、hadoop103、 hadoop104；

集群配置

集群规划

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 配置在同一台服务器

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：

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core-site.xml

fs.defaultFShdfs://hadoop102:8020hadoop.tmp.dir/opt/module/hadoop-3.1.3/datahadoop.http.staticuser.userfate

HDFS配置hdfs-site.xml

dfs.namenode.http-addresshadoop102:9870dfs.namenode.secondary.http-addresshadoop104:9868

YARN配置文件yarn-site.xml

yarn.nodemanager.aux-servicesmapreduce_shuffleyarn.resourcemanager.hostnamehadoop103yarn.nodemanager.env-whitelistJAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME

MapReduce配置文件mapred-site.xml

mapreduce.framework.nameyarn

分发配置文件

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

群起集群

配置works

vim /opt/moduble/hadoop-3.13/etc/hadoop/workers

添加以下内容

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。

同步所有节点配置文件

启动集群

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。）

启动HDFS

sbin/start-dfs.sh

在ResourceManager 的节点(103)启动YARN

sbin/start-yarn.sh

web服务器查看HDFS的NameNode=>http://namenode_ip:9870

Web 端查看 YARN 的 ResourceManager=>http://ResourceManager:8088

集群测试

• 上传文件:

  #上传小文件
  #在hadoop创建目录
  hadoop fs -mkdir /input
  #上传文件
  hadoop fs -put /$HADOOP_HOME/wcinput/word.txt /input
  #上传大文件
  hadoop fs -put /opt/software/jdk*****.tar.gz
  

• 下载

  hadoop fs -get /jdk****.tar.gz ./
  

• 测试wordcount程序

  hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
  

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

   mapreduce.jobhistory.addresshadoop102:10020
   
   
   mapreduce.jobhistory.webapp.addresshadoop102:19888
   
   

2. 分发配置

3. 在namenode(102)启动历史服务器

   mapred --daemon start historyserver
   

4. 查看服务是否启动jps

5. 访问http://hadoop102:19888/jobhistory

   

配置日志聚集

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。

开启日志聚集功能具体步骤如下：

1. 配置yarn-site.xml

   
   yarn.log-aggregation-enabletrue
   
   
   yarn.log.server.urlhttp://hadoop102:19888/jobhistory/logs
   
   
   yarn.log-aggregation.retain-seconds604800
   
   

2. 分发配置

3. 关闭 NodeManager 、ResourceManager 和 HistoryServer

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

4. 启动 NodeManager 、ResourceManage 和 HistoryServer

   start-yarn.sh
   mapred --daemon start historyserver
   

5. 移除输出文件,并执行测试程序

6. 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

各个模块分开启动/停止HDFS

start-dfs.sh/stop-dfs.sh

整天启动/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myhadoop.sh

#!/bin/bash
if [ $# -lt 1 ]; thenecho "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

查看进程脚本jpsall

#!/bin/bash
for host in hadoop102 hadoop103 hadoop104; doecho =============== $host ===============ssh $host jps
done

常用端口号说明

常见错误处理方案

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

   java.net.UnknownHostException: hadoop102: hadoop102
   at 
   java.net.InetAddress.getLocalHost(InetAddress.java:1475)
   at 
   org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(Job 
   Submitter.java:146)
   at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290) 
   at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287) 
   at  java.security.AccessController.doPrivileged(Native 
   Method)
   at javax.security.auth.Subject.doAs(Subject.java:415)
   

   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

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