一、运行模式
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(Local/Standalone Mode):单台服务器,数据存储在Linux本地。生产环境几乎不会采用该模式
- 伪分布式模式(Pseudo-Distributed Mode):单台服务器,数据存储在HDFS上。有较少的小型公司采用该模式。
- 完全分布式模式(Fully-Distributed Mode):多台服务器组成集群,数据存储在HDFS上,多台服务器工作。在企业中大量使用。
二、本地运行模式
(1)在 hadoop-3.3.6 文件下面创建一个 wcinput 文件夹
mkdir wcinput
(2)在 wcinput 文件下创建一个 word.txt 文件
cd wcinput
(3)编辑 word.txt 文件
vim word.txt
在文件中输入如下内容
a d
a c
b
b
保存退出::wq
(4)回到 Hadoop 目录/opt/module/hadoop-3.3.6
(5)执行程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar wordcount wcinput wcoutput
(6)查看结果
cat wcoutput/part-r-00000
看到如下结果:
a 2
b 2
c 1
d 1
三、完全分布式运行模式
主要步骤:
- 准备三台服务器 hadoop102、hadoop103、hadoop104,关闭防火墙、设置静态IP、配置主机名称和主机映射。
- 安装JDK、Hadoop,配置环境变量
- 配置集群
- 单点启动
- 配置ssh
- 群起并测试集群
1. 编写集群分发脚本xsync
1.1 scp安全拷贝
scp 可以实现服务器与服务器之间的数据拷贝。(from server1 to server2)
(1) 基本语法scp [选项] 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称
(2) 说明
选项 | 说明 |
---|---|
-r | 递归复制文件和目录 |
-p | 在复制时保留文件的权限、模式和访问时间 |
-P | 目标主机SSH端口号 |
-I | 复制时限制带宽 |
-i | 身份文件或私钥 |
-C | 启用压缩 |
(3) 案例实操
使用scp将安装包进行分发,因为在 hadoop102上已经搭建好了 jdk、hadoop,所以可以直接复制到其他服务器上:
# 在 hadoop102 上,将 hadoop102 中/opt/module/jdk1.8.0_212 目录拷贝到hadoop103 上
scp -r /opt/module/jdk1.8.0_212 huahua@hadoop103:/opt/module
# 在 hadoop103 上,将 hadoop102 中/opt/module/hadoop-3.1.3 目录拷贝到hadoop103 上
scp -r huahua@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/
# 在 hadoop103 上操作,将 hadoop102 中/opt/module 目录下所有目录拷贝到hadoop104 上
scp -r huahua@hadoop102:/opt/module/* huahua@hadoop104:/opt/module
1.2 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。
(1) 基本语法rsync [选项] 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称
(2)说明
选项 | 功能 |
---|---|
-a | 归档拷贝 |
-v | 显示复制过程 |
–delete | 当目的路径文件或文件夹比源路径多(源路径删除了文件),删除目的路径的文件 |
(3)案例实操
# 同步 hadoop102 中的/opt/module/hadoop-3.1.3 到 hadoop103
rsync -av hadoop-3.1.3/ huahua@hadoop103:/opt/module/hadoop-3.1.3/
1.3 xsync集群分发脚本
需求:循环复制文件到所有节点的相同目录下
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)
# 查看声明全局变量的路径
echo $PATH
/usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/home/huahua/.local/bin:/home/huahua/bin:/opt/module/jdk1.8.0_212/bin
可以编写一个shell脚本调用 rsync 命令,将文件同步到所有节点的相同目录下。在/home/huahua创建bin目录,并将/home/huahua/bin加入环境变量。
在/home/huahua/bin
中新建一个shell脚本文件 xsync
,内容如下:
#!/bin/bash
# 1. 判断参数个数
if [ $# -lt 1 ]
then
echo Not Enough Argument
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,逐个发送
for file in $@
do
# 4. 判断文件是否存在
if [ -e $file ]
then
# 5. 获取父目录
# -P 如果cd后面是一个软链接,-P可以进入软链接指向的真正文件夹
pdir=$(cd -P $(dirname $file); pwd)
# 6. 获取当前文件名称
fname=$(basename $file)
# -p 如果存在则不创建,如果不存在则创建
ssh $host "mkdir -p $pdir"
rsync -av $pdir/$fname $host:$pdir
else
echo $file does not exists!
fi
done
done
执行时,只需:xsync 文件或文件夹1 文件或文件夹2.....
执行即可。
# 将/home/tengyer/bin文件夹同步到其他几台服务器
cd /home/huahua
xsync bin/
如果要同步的文件是root权限,比如环境变量配置文件/etc/profile.d/my_env.sh
,可以使用sudo
进行同步
# 使用sudo时,因为xsync不在root的命令列表,所以需要使用./进行调用
sudo ./bin/xsync /etc/profile.d/my_env.sh
脚本中使用了 ssh 命令和 rsync命令去连接其他服务器,所以每台服务器都要输入两次密码,比较繁琐,可以配置ssh免密登录。
2. SSH免密登录
免密登录原理
如果当前服务器使用ssh命令连接过其他服务器,那么在该用户家目录下就会生成一个 .ssh文件夹,里面存有一个
known_hosts
文件,文件中保存的有该用户曾经使用ssh命令远程连接过的服务器。
配置hadoop102免密登录hadoop103、hadoop104:
(1) 在hadoop102上创建一个SSH的RSA密钥对:
# 选择非对称加密算法为rsa算法
ssh-keygen -t rsa
# 然后一路回车即可
命令执行后,会在用户家目录下的 .ssh文件夹中生成一个公钥文件
id_rsa.pub
、一个私钥文件id_rsa
(2) 将hadoop102上的公钥id_rsa.pub拷贝到hadoop103、hadoop104:
# 将hadoop102的公钥拷贝给hadoop103
# 命令执行后,需要输入hadoop103的密码
# 之后hadoop102再用ssh访问hadoop103时便不再需要输入密码
ssh-copy-id hadoop103
# 配置免密登录 hadoop104
ssh-copy-id hadoop103
(3) 另外,还需要对自己设置免密登录,否则 hadoop102 使用 ssh 连接 hadoop102 本身时也需要密码:
ssh-copy-id hadoop102
进行免密之后,在 hadoop103、hadoop104的 .ssh 文件夹中会多一个
authorized_keys
文件,里面记录了允许哪些客户机免密登录自己。authorized_keys文件中的内容其实就是 hadoop102的公钥文件id_rsa.pub
中的内容。
(4) 然后在 hadoop103、 hadoop104上也执行上述同样的操作,使集群中的几台服务器可以互相免密登录。
.ssh 文件夹下(~/.ssh)的文件功能解释
文件 | 功能 |
---|---|
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 |
3. 集群配置
3.1 服务器规划
注意事项:
- NameNode 和 SecondaryNameNode 不要安装到同一台服务器上
- ResourceManager 也很消耗内存,不要和 NameNode、SecondaryNameNode配置在同一台机器上
Hadoop集群 = HDFS集群 + Yarn集群
- Yarn集群和HDFS集群:逻辑上分离、物理上在一起。
- 逻辑上,Yarn集群的启动和HDFS集群的启动并没有直接的依赖关系。
- 物理上,Yarn集群、HDFS集群,都是在同一个安装了Hadoop的集群内。
- MapReduce是计算框架,是代码层面的组件,没有集群之说。
对三台服务器进行如下规划:
3.2 配置文件配置
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:
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 |
自定义配置文件:core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml、workers
五个配置文件存放在$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。
(1) 配置核心配置文件 core-site.xmlcd $HADOOP_HOME/etc/hadoop
进入hadoop目录,vim core-site.xml
进入文件
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- 在configuration中添加以下配置信息 -->
<!-- 指定NameNode的地址 -->
<!-- core-defualt.xml中该项默认值为本地Linux路径,因为我们集群要用HDFS,所以要改成HDFS路径 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://hadoop102:8020</value>
</property>
<!-- 指定hadoop数据的存储目录 -->
<!-- core-default.xml中该项默认值为 /tmp/hadoop-${user.name},因为 /tmp在Linux中是临时目录,一段时间(默认一个月)会删除,所以要调整为自定义目录 -->
<!-- 我们指定的data文件夹如果不存在,hadoop会自动进行创建 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/module/hadoop-3.3.6/data</value>
</property>
<!-- 配置HDFS网页登录使用的静态用户为tengyer(即hdfs中的用户) -->
<!-- 如果不配置,那么在浏览器中默认的是Mr.who,该用户删除hdfs文件时,会提示无权限。-->
<property>
<name>hadoop.http.staticuser.user</name>
<value>tengyer</value>
</property>
</configuration>
(2) 配置HDFS的hdfs-site.xmlvim hdfs-site.xml
进入文件
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- 在configuration中添加以下配置 -->
<!-- NameNode对外暴露的Web端访问地址 -->
<property>
<name>dfs.namenode.http-address</name>
<value>hadoop102:9870</value>
</property>
<!-- 2NN 对外暴露的Web端访问地址(2NN安装在hadoop104上) -->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>hadoop104:9868</value>
</property>
</configuration>
(3) 配置Yarn的yarn-site.xmlvim yarn-site.xml
进入文件
<?xml version="1.0"?>
<configuration>
<!-- 在configuration中添加以下配置 -->
<!-- 指定MR走shuffle -->
<!-- 在yarn-default.xml中该项默认值为空,但是官方推荐使用mapreduce_shuffle -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 指定ResourceManager的地址(ResourceManager安装在hadoop103) -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hadoop103</value>
</property>
<!-- 环境变量的继承 -->
<!-- Hadoop3.1.x需要配置,因为yarn-default.xml中该项默认值缺少了HADOOP_MAPRED_HOME -->
<!-- 到了Hadoop3.2.x就不需要再配置该项了,可以直接使用yarn-default.xml中的默认值 -->
<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>
(4) 配置MapReduce的mapred-site.xmlvim mapred-site.xml
进入文件
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- 在configuration中添加以下配置 -->
<!-- 指定MapReduce程序运行在Yarn上 -->
<!-- mapred-default.xml中该项默认值是local,即在本地运行 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
(5) 配置完成后,将hadoop102的这些配置同步分发给hadoop103、hadoop104cd /opt/module/hadoop-3.3.6/etc
# 使用我们编写的同步分发脚本进行分发
xsync hadoop/
4.群起集群
4.1 配置workers
workers内容即为集群中的各台主机,默认的是localhost。因为我们使用集群方式,所以可以删掉localhost,然后把几台主机都配置进来。
需要在$HADOOP_HOME/etc/hadoop/workers
中将几台节点都添加进去(该文件将来会作为hadoop集群启动的脚本一部分,所以主机名后面不能有空格、结尾也不能有空行)
hadoop102
hadoop103
hadoop104
将works文件分发给其他服务器
xsync works
4.2 启动集群
(1)NameNode初始化
根据集群规划,我们的NameNode节点为hadoop102。
如果是第一次启动集群,需要进行初始化操作,在hadoop102节点上格式化NameNode。(类似于电脑新加了一个硬盘,需要给硬盘进行分盘符等初始化操作)
cd $HADOOP_HOME
hdfs namenode -format
# 初始化完毕后,会在 $HADOOP_HOME 文件夹中生成 data和logs两个文件夹
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。
(2)启动HDFS
# 在hadoop102服务器上启动集群
sbin/start-dfs.sh
启动完毕后,在三台服务器上依次使用jps查看其上面运行的 hdfs 的java进程和集群规划的是否一致。正常情况下,应该为以下形式:
- hadoop102上:jps本身、DataNode、NameNode
- hadoop103上:jps本身、DataNode
- hadoop104上:jps本身、DataNode、SecondaryNameNode
可以使用浏览器访问NameNode,查看HDFS中的存储数据信息:http://hadoop102:9870
(3)启动YARN
根据集群规划,我们的ResourceManager节点为 hadoop103
# 在hadoop103上启动YARN
sbin/start-yarn.sh
启动完毕后,在三台服务器上依次使用jps查看其上面运行的 hdfs、yarn 的java进程和集群规划的是否一致。正常情况下,应该为以下形式:
- hadoop102上:jps本身、DataNode、NameNode、NodeManager
- hadoop103上:jps本身、DataNode、NodeManager、ResourceManager
- hadoop104上:jps本身、DataNode、SecondaryNameNode、NodeManager
可以在浏览器查看Yarn的ResourceManager,查看yarn上运行的job信息:http://hadoop103:8088
4.3 测试集群运行情况
(1)测试上传文件到集群
# 在hdfs创建一个目录
hadoop fs -mkdir /wcinput
# 上传小文件
hadoop fs -put $HADOOP_HOME/wcinput/word.txt /input
# 上传大文件
hadoop fs -put /opt/software/jdk-8u381-linux-x64.tar.gz /
上传之后便可以在NameNode的web页面中进行查看下载,也可以使用命令进行查看和下载
hadoop fs -ls /wcinput
hadoop fs -get /wcinput/aa.txt aa.txt
上传的文件保存在我们在core-site.xml中配置的
/opt/module/hadoop-3.3.6/data
目录。
因为hadoop上传的文件默认会存储3份进行备份,所以三台服务器上都会保存有刚刚上传的文件,位于:/opt/module/hadoop-3.3.6/data/dfs/data/current/BP-xxxxxxxx/current/finalized/subdir0/subdir0
文件夹中。
(2)测试Yarn执行wordcount示例程序
在hadoop102上执行Hadoop的wordcount示例程序:
# 统计我们上传导hdfs的 /wcinput/aa.txt中的单词出现次数
# 因为我们的core-site.xml中配置的fs.defaultFS不再是local,而是hdfs地址了,所以文件输入路径、结果输出路径应该为hdfs上的路径
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar wordcount /wcinput /wcoutput
通过yarn的web管理页面查看运行的job,可以发现多出来一个正在运行的wordcount任务。
执行完毕后,可以在hdfs上查看到输出的结果/wcoutput/part-r-00000。
执行完毕后,yarn管理页面上的job状态也变为FINISHED。
但是因为我们没有配置历史记录服务器,所以该job后面的History点击出现404。如果没有历史记录服务器,那么yarn无法记录历史job,当前页面展示的 job 信息过段时间就会被清除。
4.4 集群崩溃时的处理
集群中如果有服务器 DataNode服务被kill或异常终止了,或者节点的data文件夹被删除了(只删除一两台节点不影响集群,因为hdfs有3个备份,所以需要三台服务器的data都被删掉),此时集群便属于崩溃状态。
如果需要重新格式化NameNode,则可以进行以下操作:
(1) 在hadoop103上关闭集群Yarn
sbin/stop-yarn.sh
(2) 在hadoop102上关掉集群hdfs
sbin/stop-dfs.sh
(3) 删除所有节点上的 data、logs文件夹
(4) 重新进行NameNode格式化
hdfs namenode -format
5. 配置历史服务器
为了查看程序的历史运行情况,需要配置历史服务器。
在 hadoop102节点上,修改 mapred-site.xml
:
<!-- 在configuration标签中加入如下配置 -->
<!-- 配置历史服务器的内部服务端地址 -->
<property>
<name>mapreduce.jobhistory.address</name>
<value>hadoop102:10020</value>
</property>
<!-- 配置历史服务器暴露的web地址 -->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop102:19888</value>
</property>
将配置信息复制分发到其他服务器:
xsync mapred-site.xml
在hadoop103节点上重启 Yarn:
sbin/stop-yarn.sh
sbin/start-yarn.sh
因为我们配置了hadoop102为历史服务器,所以需要在hadoop102上启动历史服务器进程:
mapred --daemon start historyserver
启动之后,使用 jps
查看java进程,可以发现多出来了一个 JobHistoryServer
进程。
可以在浏览器查看我们的历史服务器信息:http://hadoop102:19888
6. 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。
(1)配置 yarn-site.xml
在hadoop102节点的 yarn-site.xml 中加入配置:
<!-- 在configuration中加入以下配置 -->
<!-- 配置日志聚集功能,yarn-default.xml中该项默认为false -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 设置日志聚集服务器地址,设置聚集到历史日志服务器上,方便查看 -->
<property>
<name>yarn.log.server.url</name>
<value>http://hadoop102:19888/jobhistory/logs</value>
</property>
<!-- 设置日志保留时间:7天 -->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
(2)分发给其他服务器
xsync yarn-site.xml
(3)重启HistroyServer、Yarn(ResourceManager、NodeManager)
# 在hadoop102上停止历史服务器
mapred --daemon stop historyserver
# 在hadoop103上重启Yarn
sbin/stop-yarn.sh
sbin/start-yarn.sh
# 在hadoop102上启动历史服务器
mapred --daemon start historyserver
# 测试:可以删除hdfs上的/wcoutput结果文件夹,然后重新执行wordcount任务
hadoop fs -rm -f -r /wcoutput
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar wordcount /wcinput /wcoutput
到 http://hadoop102:19888/ 查看历史任务时,点击logs链接便可以正常查看历史任务日志
7. 集群的启停方式
整体启动、停止 HDFS:
# 启动hdfs集群
sbin/start-dfs.sh
# 停止hdfs集群
sbin/stop-dfs.sh
整体启动、停止 YARN:
# 启动YARN集群
sbin/start-yarn.sh
# 停止YARN集群
sbin/stop-yarn.sh
分别启动、停止 HDFS 组件(例如某台DataNode宕机了,需要只将该服务器的DataNode重新启动,无需整个集群重启):
hdfs --daemon start/stop namenode/datanode/secondarynamenode
启动、停止YARN组件:
yarn --daemon start/stop resourcemanager/nodemanager
8. 编写Hadoop集群常用脚本
编写脚本集中启动、停止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-3.3.6/sbin/start-dfs.sh"
echo "------------- 启动 yarn ---------------------------"
ssh hadoop103 "/opt/module/hadoop-3.3.6/sbin/start-yarn.sh"
echo "---------- 启动 historyserver ----------------------"
ssh hadoop102 "/opt/module/hadoop-3.3.6/bin/mapred --daemon start historyserver"
;;
"stop")
echo "================ 关闭hadoop集群 =========================="
echo "-------------- 关闭historyserver ------------------------"
ssh hadoop102 "/opt/module/hadoop-3.3.6/bin/mapred --daemon stop historyserver"
echo "---------------- 关闭 yarn ------------------------------"
ssh hadoop103 "/opt/module/hadoop-3.3.6/sbin/stop-yarn.sh"
echo "---------------- 关闭 hdfs ------------------------------"
ssh hadoop102 "/opt/module/hadoop-3.3.6/sbin/stop-dfs.sh"
;;
*)
echo "Input Args Error..."
;;
esac
保存后退出,然后赋予脚本执行权限
chmod +x myhadoop.sh
使用脚本进行集群整体的启停:
# 停止整个historyserver、yarn、hdfs集群
myhadoop.sh stop
# 启动整个hdfs、yarn、historyserver集群
myhadoop.sh start
编写脚本,遍历集群中每台服务器调用jps查看上面的java进程启动情况:jpsall
#!/bin/bash
for host in hadoop102 hadoop103 hadoop104
do
echo ================= $host =================
ssh $host jps
done
执行脚本查看集群所有服务器的java进程情况:文章来源:https://www.toymoban.com/news/detail-775611.html
jpsall
将hadoop102上编写好的这两个脚本分发给其他服务器:文章来源地址https://www.toymoban.com/news/detail-775611.html
xsync jpsall myhadoop.sh
9. hadoop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 |
到了这里,关于【大数据】Hadoop运行模式(集群搭建)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!