第三章大数据之Hadoop搭建

环境

服务器信息，是腾讯云服务器，2核cpu，4GB内存，80GB云硬盘，系统为centos 7.6_x64

介绍

Hadoop是用来处理大数据集合的分布式存储计算基础架构。可以使用一种简单的编程模式，通过多台计算机构成的集群，分布式处理大数据集。hadoop作为底层，其生态环境很丰富。hadoop基础包括以下四个基本模块：

hadoop基础功能库：支持其他hadoop模块的通用程序包。
HDFS: 一个分布式文件系统，能够以高吞吐量访问应用的数据。
YARN: 一个作业调度和资源管理框架。
MapReduce: 一个基于YARN的大数据并行处理程序。

安装配置

创建hadoop用户

1
2
3

su              #  root 用户登录
useradd -m hadoop -s /bin/bash   # 创建新用户hadoop,并使用 /bin/bash 作为shell
passwd hadoop # 设置密码

设置权限

为 hadoop 用户增加管理员权限，方便部署，避免一些对新手来说比较棘手的权限问题，输入命令visudo
1
2
[hadoop@VM-24-13-centos hadoop]$ sudo visudo
[sudo] password for hadoop:
找到 root ALL=(ALL) ALL 这行，然后在这行下面增加一行内容：hadoop ALL=(ALL) ALL （当中的间隔为tab），如下图所示：
su hadoop 直接可以切换用户

安装SSH、配置SSH无密码登陆

集群、单节点模式都需要用到 SSH 登陆（类似于远程登陆，你可以登录某台 Linux 主机，并且在上面运行命令），一般情况下，CentOS 默认已安装了 SSH client、SSH server，打开终端执行如下命令进行检验：
1
2
3
4
5
6
[hadoop@VM-24-13-centos /]$ rpm -qa | grep ssh
openssh-7.4p1-21.el7.x86_64
openssh-clients-7.4p1-21.el7.x86_64
openssh-server-7.4p1-21.el7.x86_64
libssh2-1.8.0-4.el7.x86_64
- 包含了 SSH client 跟 SSH server，则不需要再安装

接着执行如下命令(ssh localhost)测试一下 SSH 是否可用：


[hadoop@VM-24-13-centos /]$ ssh localhost
The authenticity of host 'localhost (::1)' can't be established.
ECDSA key fingerprint is SHA256:v9LOJv5al8BNRGGZVJeqa2AdV3znIsa6cjyoj9CbWRQ.
ECDSA key fingerprint is MD5:bd:51:9d:6f:1f:9c:1f:ad:34:ce:fb:90:4f:27:bc:b1.
Are you sure you want to continue connecting (yes/no)? yes

此时会有如下提示(SSH首次登陆提示)，输入 yes 。然后按提示输入密码 hadoop，这样就登陆到本机了，类似于下面这样：

Warning: Permanently added 'localhost' (ECDSA) to the list of known hosts.
hadoop@localhost's password:
Last login: Tue Dec  7 09:37:37 2021
[hadoop@VM-24-13-centos ~]$

但这样登陆是需要每次输入密码的，我们需要配置成SSH无密码登陆比较方便。

首先输入 exit 退出刚才的 ssh，就回到了我们原先的终端窗口，


[hadoop@VM-24-13-centos ~]$ exit
logout
Connection to localhost closed.
[hadoop@VM-24-13-centos /]$

然后利用 ssh-keygen 生成密钥，并将密钥加入到授权中

cd ~/.ssh/                     # 若没有该目录，请先执行一次ssh localhost
ssh-keygen -t rsa              # 会有提示，都按回车就可以
cat id_rsa.pub >> authorized_keys  # 加入授权
chmod 600 ./authorized_keys    # 修改文件权限

~的含义

在 Linux 系统中，~ 代表的是用户的主文件夹，即 “/home/用户名” 这个目录，如你的用户名为 hadoop，则 ~ 就代表 “/home/hadoop/”。此外，命令中的 # 后面的文字是注释。

此时再用 ssh localhost 命令，无需输入密码就可以直接登陆了，如下所示。

1
2
3

hadoop@VM-24-13-centos .ssh]$ ssh localhost
Last login: Tue Dec  7 09:44:00 2021 from ::1
[hadoop@VM-24-13-centos ~]$

java

java之前已经装好了，为1.8


[hadoop@VM-24-13-centos ~]$ java -version
java version "1.8.0_311"
Java(TM) SE Runtime Environment (build 1.8.0_311-b11)
Java HotSpot(TM) 64-Bit Server VM (build 25.311-b11, mixed mode)

安装hadoop

安装hadoop版本为3.0

su root
cd /usr/local
wget https://archive.apache.org/dist/hadoop/common/hadoop-3.0.3/hadoop-3.0.3.tar.gz


[hadoop@VM-24-13-centos local]$ sudo tar zxvf hadoop-3.0.3.tar.gz
cd /usr/local/
sudo mv ./hadoop-3.0.3/ ./hadoop            # 将文件夹名改为hadoop
sudo chown -R hadoop:hadoop ./hadoop        # 修改文件权限

Hadoop 解压后即可使用。输入如下命令来检查 Hadoop 是否可用，成功则会显示 Hadoop 版本信息：

cd /usr/local/hadoop
./bin/hadoop version


[hadoop@VM-24-13-centos hadoop]$ ./bin/hadoop version
Hadoop 3.0.3
Source code repository https://yjzhangal@git-wip-us.apache.org/repos/asf/hadoop.git -r 37fd7d752db73d984dc31e0cdfd590d252f5e075
Compiled by yzhang on 2018-05-31T17:12Z
Compiled with protoc 2.5.0
From source with checksum 736cdcefa911261ad56d2d120bf1fa
This command was run using /usr/local/hadoop/share/hadoop/common/hadoop-common-3.0.3.jar

Hadoop单机配置(非分布式)

Hadoop 默认模式为非分布式模式，无需进行其他配置即可运行。非分布式即单 Java 进程，方便进行调试。
这里比较奇怪，安装原文中教程，示例已经验证通过了，当搭建了伪分布式配置时，第二天运行这里的实例，没有成功？然后把实例修改后，发现居然和伪分布式配置代码差不多？暂不做深究了

实例

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.0.3.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。
在此我们选择运行 wordcount例子，我们将 input 文件夹中的所有文件作为输入，最后输出结果到 output 文件夹中。

cd /usr/local/hadoop
mkdri iniput1
cp ./etc/hadoop/*.xml ./input1
# 在HDFS创建一个目录
hdfs dfs -mkdir /usr/local/hadoop/input
#  将配置文件作为输入文件上传到刚创建的HDFS目录中
hdfs dfs -put ./input1/* /usr/local/hadoop/input

hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar wordcount /usr/local/hadoop/input /usr/local/hadoop/output 

# 查看运行结果列表
[hadoop@VM-24-13-centos hadoop]$ hdfs dfs -ls /usr/local/hadoop/output/*

-rw-r--r--   1 hadoop supergroup          0 2021-12-10 16:48 /usr/local/hadoop/output/_SUCCESS
-rw-r--r--   1 hadoop supergroup       9405 2021-12-10 16:48 /usr/local/hadoop/output/part-r-00000

# 用cat查运行数据
[hadoop@VM-24-13-centos hadoop]$ hdfs dfs -cat /usr/local/hadoop/output/part-r-00000
...
datanodes       1
decryptEncryptedKey     1
default 13
default_priority={priority}]    1
defined.        4
delete-key      1
dfsadmin        1
different

注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。
1
[hadoop@VM-24-13-centos hadoop]$ hdfs dfs -rm -r /usr/local/hadoop/output

Hadoop伪分布式配置

Hadoop 可以在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行，节点既作为 NameNode 也作为 DataNode，同时读取的是 HDFS 中的文件。

设置环境变量

在设置 Hadoop 伪分布式配置前，我们还需要设置 HADOOP 环境变量，执行如下命令在 ~/.bashrc 中设置：

vi ~/.bashrc

# Hadoop Environment Variables
export HADOOP_HOME=/usr/local/hadoop # hadoop的安装路径
export HADOOP_INSTALL=$HADOOP_HOME
export HADOOP_MAPRED_HOME=$HADOOP_HOME # 设置MAPRED环境变量
export HADOOP_COMMON_HOME=$HADOOP_HOME # 设置COMMON环境变量
export HADOOP_HDFS_HOME=$HADOOP_HOME # HDFS的环境变量
export YARN_HOME=$HADOOP_HOME # YARN的环境变量
export JAVA_HOME=/usr/local/jdk1.8.0_311 # 设置jdk的安装目录（用which java查看到）
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin

生效环境变量

source ~/.bashrc

修改Hadoop-env.sh中的java_home，不然在启动集群（伪集群）时出现报错

sudo vi /usr/local/hadoop/etc/hadoop/hadoop-env.sh

# 设置如下
export JAVA_HOME=/usr/local/jdk1.8.0_311

配置文件

Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中，伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml
Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

修改配置文件 core-site.xml

sudo vi /usr/local/hadoop/etc/hadoop/core-site.xml 

<configuration>
 <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>

# 设置HDFS的默认名称，在使用命令调用时，可以用此名称
 <property>
   <name>fs.defaultFS</name>
   <value>hdfs://localhost:9000</value>
 </property>
</configuration>

同样的，修改配置文件 hdfs-site.xml：

<configuration>
<property>
        <name>dfs.replication</name>
        <value>1</value>
        <description>设置blocks副本数</description>

    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
       <description>设置存放NameNode的数据存储目录</description>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
       <description>设置存放DataNode的数据存储目录</description>
    </property>
</configuration>

配置完成后，执行 NameNode 的格式化:
1
./bin/hdfs namenode -format

接着开启 NaneNode 和 DataNode 守护进程，./sbin/start-dfs.sh

[hadoop@VM-24-13-centos hadoop]$ ./sbin/start-dfs.sh
Starting namenodes on [localhost]
Starting datanodes
Starting secondary namenodes [VM-24-13-centos]

启动完成后，可以通过命令 jps 来判断是否成功启动，若成功启动则会列出如下进程: NameNode、DataNode和SecondaryNameNode（如果 SecondaryNameNode 没有启动，请运行 sbin/stop-dfs.sh 关闭进程，然后再次尝试启动尝试）。如果没有 NameNode 或 DataNode ，那就是配置不成功，请仔细检查之前步骤，或通过查看启动日志排查原因。


[hadoop@VM-24-13-centos hadoop]$ jps
12433 Jps
11741 DataNode
11597 NameNode
11934 SecondaryNameNode
# HDFS功能：NameNode，SecondaryNameNode，DataNode已经启动

通过查看启动日志分析启动失败原因

有时 Hadoop 无法正确启动，如 NameNode 进程没有顺利启动，这时可以查看启动日志来排查原因，注意几点：

启动时会提示形如 “dblab: starting namenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-namenode-dblab.out”，其中 dblab 对应你的主机名，但启动的日志信息是记录在 /usr/local/hadoop/logs/hadoop-hadoop-namenode-dblab.log 中，所以应该查看这个后缀为 .log 的文件；

每一次的启动日志都是追加在日志文件之后，所以得拉到最后面看，看下记录的时间就知道了。

一般出错的提示在最后面，也就是写着 Fatal、Error 或者 Java Exception 的地方。

可以在网上搜索一下出错信息，看能否找到一些相关的解决方法。

实例

上面的单机模式，grep 例子读取的是本地数据，伪分布式读取的则是 HDFS 上的数据。要使用 HDFS，首先需要在 HDFS 中创建用户目录：

1
2

[hadoop@VM-24-13-centos hadoop]$ ./bin/hdfs dfs -mkdir -p /user/hadoop
2021-12-07 16:25:32,492 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable

接着将·./etc/hadoop中的 xml 文件作为输入文件复制到分布式文件系统中，即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的/user/hadoop/input中。我们使用的是 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是 /user/hadoop/input

1 2	./bin/hdfs dfs -mkdir input ./bin/hdfs dfs -put ./etc/hadoop/*.xml input

复制完成后，可以通过如下命令查看 HDFS 中的文件列表：

[hadoop@VM-24-13-centos hadoop]$ ./bin/hdfs dfs -ls input

Found 9 items
-rw-r--r--   1 hadoop supergroup       7861 2021-12-07 16:28 input/capacity-scheduler.xml
-rw-r--r--   1 hadoop supergroup       1071 2021-12-07 16:28 input/core-site.xml
-rw-r--r--   1 hadoop supergroup      10206 2021-12-07 16:28 input/hadoop-policy.xml
-rw-r--r--   1 hadoop supergroup       1339 2021-12-07 16:28 input/hdfs-site.xml
-rw-r--r--   1 hadoop supergroup        620 2021-12-07 16:28 input/httpfs-site.xml
-rw-r--r--   1 hadoop supergroup       3518 2021-12-07 16:28 input/kms-acls.xml
-rw-r--r--   1 hadoop supergroup        682 2021-12-07 16:28 input/kms-site.xml
-rw-r--r--   1 hadoop supergroup        758 2021-12-07 16:28 input/mapred-site.xml
-rw-r--r--   1 hadoop supergroup        690 2021-12-07 16:28 input/yarn-site.xml

伪分布式运行 MapReduce 作业的方式跟单机模式相同，区别在于伪分布式读取的是HDFS中的文件（可以将单机步骤中创建的本地 input 文件夹，输出结果 output 文件夹都删掉来验证这一点）。

[hadoop@VM-24-13-centos hadoop]$ ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar  wordcount input output 
....
2021-12-07 16:30:56,021 INFO mapreduce.Job: Job job_local897809468_0002 completed successfully
...

查看运行结果的命令（查看的是位于 HDFS 中的输出结果）：

[hadoop@VM-24-13-centos hadoop]$ ./bin/hdfs dfs -ls output/*

-rw-r--r--   1 hadoop supergroup          0 2021-12-10 17:58 output/_SUCCESS
-rw-r--r--   1 hadoop supergroup       9405 2021-12-10 17:58 output/part-r-00000

[hadoop@VM-24-13-centos hadoop]$ ./bin/hdfs dfs -cat output/part-r-00000
....

我们也可以将运行结果取回到本地：

rm -r ./output    # 先删除本地的 output 文件夹（如果存在）
./bin/hdfs dfs -get output ./output     # 将 HDFS 上的 output 文件夹拷贝到本机
[hadoop@VM-24-13-centos hadoop]$ cat ./output/*
.....

Hadoop 运行程序时，输出目录不能存在，否则会提示错误 org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists，因此若要再次执行，需要执行如下命令删除 output 文件夹:

1	./bin/hdfs dfs -rm -r output # 删除 output 文件夹

为防止覆盖结果，程序指定的输出目录（如 output）不能存在，否则会提示错误，运行前需要先删除输出目录。在实际开发应用程序时，可考虑在程序中加上如下代码，能在每次运行时自动删除输出目录，避免繁琐的命令行操作，可以采用类似于下面java代码：

Configuration conf = new Configuration();
Job job = new Job(conf);
 
/* 删除输出目录 */
Path outputPath = new Path(args[1]);
outputPath.getFileSystem(conf).delete(outputPath, true);

若要关闭 Hadoop，则运行
1
./sbin/stop-dfs.sh
下次启动 hadoop 时，无需进行 NameNode 的初始化，只需要运行 ./sbin/start-dfs.sh 就可以！

完全分布式

后续打算采用本地三台虚拟机的模式搭建完全分布式。

请注意分布式运行中的这几个结点的区别：

从分布式存储的角度来说，集群中的结点由一个NameNode和若干个DataNode组成,另有一个SecondaryNameNode作为NameNode的备份。
从分布式应用的角度来说，集群中的结点由一个JobTracker和若干个TaskTracker组成，JobTracker负责任务的调度，TaskTracker负责并行执行任务。TaskTracker必须运行在DataNode上，这样便于数据的本地计算。JobTracker和NameNode则无须在同一台机器上。一个机器上，既当namenode，又当datanode,或者说既是jobtracker,又是tasktracker。没有所谓的在多台机器上进行真正的分布式计算，故称为”伪分布式”。
真正的分布式，由3个及以上的实体机或者虚拟机组件的机群。
来自这里

施坤的博客