Hadoop大数据入门教程

Hadoop可运行于一般的商用服务器上，具有高容错、高可靠性、高扩展性等特点

特别适合写一次，读多次的场景

适合
大规模数据
流式数据（写一次，读多次）
商用硬件（一般硬件）
不适合
低延时的数据访问
大量的小文件
频繁修改文件（基本就是写1次）

Hadoop版本和架构变迁

Hadoop 1.0版本

HDFS(分布式文件存储)
MapReduce(资源管理和分布式数据处理)

Hadoop 2.0版本

HDFS(分布式文件存储)
MapReduce(分布式数据处理)
YARN(分布式资源管理)

Hadoop 3.0版本
架构与2.0类似，但性能做了优化。截止到目前最新版本3.3.2

架构图

Hadoop集群整体概述

Hadoop集群包括两个集群：HDFS集群，YARN集群，两个集群逻辑上分离，通常物理上在一起，两个集群都是标准的主从架构集群。

HDFS集群：主角色NameNode，从角色DataNode，主角色的辅助角色SecondaryNameNode。
YARN集群：主角色ResourceManager，从角色NodeManager。

集群规划与安装

集群规划

服务器	运行角色
node1 192.168.3.33	NameNode DataNode ResourceManager NodeManager
node2 192.168.3.34	DataNode NodeManager SecondaryNameNode
node3 192.168.3.35	DataNode NodeManager

安装前准备工作

目前采用的是Ubuntu18.04服务器版本，linux常用命令汇总

# 常用配置，参考另一篇文章
# 1、IP配置，参考另一篇文章
sudo vim /etc/netplan/50-cloud-init.yaml # 注意这个文件名可能不一样

# 2、主机名修改
sudo vim /etc/hostname
node1

# 3、Hosts映射:IP 主机名或域名 别名
sudo vim /etc/hosts 
192.168.3.33 node1
192.168.3.34 node2
192.168.3.35 node3

# 4、关闭防火墙，参考常用命令
# 5、配置ssh免密登录，参考常用命令
# 6、集群中创建统一的工作目录
/opt/server # 服务器软件安装目录
/opt/data # 数据目录
/opt/soft # 软件源码

# 7、安装jdk1.8，参考常用命令

安装hadoop最新版

wget https://mirrors.bfsu.edu.cn/apache/hadoop/common/hadoop-3.3.2/hadoop-3.3.2.tar.gz
# 配置hadoop环境变量
vim /etc/profile
export HADOOP_HOME=/opt/server/hadoop-3.3.2
export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export PATH=${HADOOP_HOME}/bin:$PATH
source /etc/profile

hadoop目录说明

bin目录，基础脚本
etc目录，配置文件
include目录，对外提供编程库的头文件
lib目录，对外提供编程的动态库和静态库，与include目录的头文件结合使用
libexec目录，各个服务对应的shell配置文件所在的目录，可用于配置日志输出、启动参数等基本信息
sbin目录，管理脚本目录，各种启动和关闭脚本等
share目录，各模块编译后的jar包所在目录，官方自带的示例

Hadoop配置

hadoop-env.sh

Hadoop 运行的环境变量

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64

# 指定运行账户，如果不指定可能在 start-dfs.sh 或 start-yarn.sh时报错
export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root

xxx-site.xml

这里面配置了用户需要自定义的配置选项，site中配置选项优先级 > Default中的配置.

core-site.xml 核心模块

<configuration>
<property>
    <name>fs.defaultFS</name>
    <value>hdfs://node1:9000</value>
    <description>定义默认的文件系统主机和端口</description>
</property>
<property>
    <name>hadoop.tmp.dir</name>
    <value>/opt/data/hadoop-3.3.2</value>
    <description>临时文件夹</description>
</property>
<property>
    <name>io.file.buffer.size</name>
    <value>131072</value>
    <description>流文件的缓冲区大小</description>
</property>
<property>
    <name>hadoop.http.staticuser.user</name>
    <value>root</value>
    <description>在网页界面访问数据使用的用户名，默认值dr.who，权限很小，在网页端创建文件等会报错</description>
</property>
<property>
    <name>hadoop.proxyuser.root.hosts</name>
    <value>*</value>
</property>
<property>
    <name>hadoop.proxyuser.root.groups</name>
    <value>*</value>
    <description>注意这里root 需要记住使用哪个用户运行的就写哪个用户名</description>
</property>
<property>
    <name>fs.trash.interval</name>
    <value>1440</value>
</property>
</configuration>

hdfs-site.xml HDFS模块

<configuration>
<property>
    <name>dfs.namenode.secondary.http-address</name>
    <value>node2:9001</value>
    <description>secondary namenode HTTP服务器地址和端口</description>
</property>
<property>
    <name>dfs.namenode.name.dir</name>
    <value>/opt/data/dfs/name</value>
    <description>存放namenode的名称表（fsimage）的目录，如果这是一个逗号分隔的目录列表，那么在所有目录中复制名称表，用于冗余。</description>
</property>
<property>
    <name>dfs.datanode.data.dir</name>
    <value>/opt/data/dfs/data</value>
    <description>存放datanode块的目录。如果这是一个逗号分隔的目录列表，那么数据将存储在所有命名的目录中，通常存储在不同的设备上。</description>
</property>
<property>
    <name>dfs.replication</name>
    <value>2</value>
    <description>副本数量。可以在创建文件时指定副本的实际数目。如果在创建时未指定复制，则使用默认值。</description>
</property>
<property>
    <name>dfs.webhdfs.enabled</name>
    <value>true</value>
    <description>是否允许在namenode和datanode中启用WebHDFS (REST API)。</description>
</property>
</configuration>

mapred-site.xml MapReduce模块

<configuration>
 <property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
    <description>取值local、classic或yarn其中之一，如果不是yarn，则不会使用YARN集群来实现资源的分配</description>
 </property>
 <property>
     <name>mapreduce.jobhistory.address</name>
     <value>node1:10020</value>
     <description>定义历史服务器的地址和端口，通过历史服务器查看已经运行完的Mapreduce作业记录</description>
 </property>
 <property>
     <name>mapreduce.jobhistory.webapp.address</name>
     <value>node1:19888</value>
     <description>定义历史服务器web应用访问的地址和端口</description>
 </property>
 <property>
  <name>yarn.app.mapreduce.am.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
  <description>hadoop3.0版本后必须设定，不然执行MapReduce程序会报错Could not find or load main class ...MRAppMaster。下面两个配置同理 </description>
 </property>
 <property>
  <name>mapreduce.map.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
 </property>
 <property>
  <name>mapreduce.reduce.env</name>
  <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
 </property>
</configuration>

yarn-site.xml YARN模块

<configuration>
<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>node1</value>
    <description>设置yarn运行在哪个节点上</description>
</property>
<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
    <description>通过该配置项，用户可以自定义一些服务，例如Map-Reduce的shuffle功能就是采用这种方式实现的，这样就可以在NodeManager上扩展自己的服务</description>
</property>
<property>
    <name>yarn.nodemanager.pmem-check-enable</name>
    <value>false</value>
    <description>是否对物理内存限制，默认开启，正式环境需要限制</description>
</property>
<property>
    <name>yarn.nodemanager.vmem-check-enable</name>
    <value>false</value>
    <description>是否对虚拟内存限制，默认开启，正式环境需要限制</description>
</property>
<property>
    <name>yarn.resourcemanager.address</name>
    <value>node1:8132</value>
    <description>ResourceManager 提供给客户端访问的地址。客户端通过该地址向RM提交应用程序，杀死应用程序等</description>
</property>
<property>
    <name>yarn.resourcemanager.scheduler.address</name>
    <value>node1:8130</value>
    <description>ResourceManager提供给ApplicationMaster的访问地址。ApplicationMaster通过该地址向RM申请资源、释放资源等</description>
</property>
<property>
    <name>yarn.resourcemanager.resource-tracker.address</name>
    <value>node1:8131</value>
    <description>ResourceManager 提供给NodeManager的地址。NodeManager通过该地址向RM汇报心跳，领取任务等</description>
</property>
<property>
    <name>yarn.resourcemanager.admin.address</name>
    <value>node1:8133</value>
    <description>ResourceManager 提供给管理员的访问地址。管理员通过该地址向RM发送管理命令等。</description>
</property>
<property>
    <name>yarn.resourcemanager.webapp.address</name>
    <value>node1:8188</value>
    <description>ResourceManager对web 服务提供地址。用户可通过该地址在浏览器中查看集群各类信息</description>
</property>
</configuration>

workers

设置运行 datanode 的主机，一行一个主机名

node1
node2
node2

Hadoop格式化

# 在node1节点中使用如下命令之一都可以格式化
hdfs namenode -format
hadoop namenode -format

执行格式化指令后，必须出现有successfully formatted信息才表示格式化成功，然后就可以正式启动集群了；否则，就需要查看指令是否正确，或者之前Hadoop集群的安装和配置是否正确。

另外需要注意的是，上述格式化指令只需要在安装后执行一次，否则会出现错误或数据丢失。重新格式化之前一定要先删除data数据和log日志，然后再进行格式化。

管理Hadoop命令

# HDFS集群启动、停止
./sbin/start-dfs.sh
./sbin/stop-dfs.sh

# YARN集群启动、停止
./sbin/start-yarn.sh
./sbin/stop-yarn.sh

# 或将HDFS和YARN集群一起启停
./sbin/start-all.sh
./sbin/stop-all.sh

# Hadoop-daemon.sh:用于启动当前节点的进程
./sbin/hadoop-daemon.sh start namenode
./sbin/hadoop-daemon.sh stop namenode
# Hadoop-daemons.sh：用于启动所有节点的进程
./sbin/hadoop-daemon.sh start namenode

# 管理单个节点yarn
./sbin/yarn-daemon.sh start resourcemanager

WEB管理界面

hdfs的web页面默认端口是9870
yarn的web页面默认端口是8088，本项目中我自定义了8188端口。具体查看yarn-site.xml配置

HDFS文件管理

hdfs文件系统命令与shell命令类似，下面介绍一些常用命令。另外，也可以使用web管理界面管理文件。

注意这几个命令前缀的区别：
hadoop fs 可以操作任意的文件系统。例如 hadoop fs -ls file:///root/ 可以查看本地文件信息
hdfs dfs 只能操作HDFS文件系统。

# 查看所有命令
hdfs dfs

# 查看某个具体命令的使用方式
hdfs dfs -help [命令]

# -ls: 显示目录信息
hdfs dfs -ls /

# -mkdir：在HDFS上创建目录
# -touch：在HDFS上创建空文件，一般在linux中创建好了后使用-put上传到hdfs
hdfs dfs -mkdir -p /demo1/demo2

# -put 或 -copyFromLocal：从本地文件系统中拷贝文件到HDFS路径去
# -moveFromLocal：从本地剪切粘贴到HDFS
# -get 或 -copyToLocal：从HDFS拷贝到本地
# -cp ：从HDFS的一个路径拷贝到HDFS的另一个路径
# -mv：在HDFS目录中移动文件
touch test.txt
hdfs dfs -put ./test.txt /demo1/demo2
hdfs dfs -mv /demo1/demo2/test.txt /demo1
hdfs dfs -cp /demo1/test.txt /demo1/demo2
rm test.txt
hdfs dfs -get /demo1/test.txt ./

# -rm：删除文件或文件夹
# -rmdir：删除空目录
hdfs dfs -rm /demo1/test.txt # 注意，这里删除了，但是会存在于hdfs的/user/root/.Trash目录下。参数：fs.trash.interval设置多久自动删除垃圾箱，默认1天
hdfs dfs -rm -skipTrash /demo1/test.txt # 直接删除，不存放到回收站中

# -appendToFile：追加一个文件到已经存在的文件末尾
# -cat：显示文件内容
# -tail：显示一个文件的末尾
vim test.txt
hdfs dfs -appendToFile ./test.txt /demo1/demo2/test.txt
hdfs dfs -cat /demo1/demo2/test.txt
hdfs dfs -tail /demo1/demo2/test.txt

# -chgrp 、-chmod、-chown：Linux文件系统中的用法一样，修改文件所属权限
hdfs dfs -chmod 666 /demo1/demo2/test.txt
hdfs dfs -chown bigdata:bigdata /demo1/demo2/test.txt

# -du 统计文件夹的大小信息
# -df 查看磁盘的使用情况
hdfs dfs -du -s -h /demo1/demo2
hdfs dfs -df -h /

# -expunge ：清空hdfs垃圾桶
hdfs dfs -expunge

# -test: 测试。
# -e:文件是否存在,存在返回0   -z:文件是否为空,为空返回0   -d:是否是路径(目录) ,是返回0
hdfs dfs -test -e /data/file01 && echo "exists" || echo "no exists"

运行hadoop自带的MapRaduce程序

在node1节点中执行如下命令

# 计算圆周率
cd /opt/server/hadoop-3.3.2
hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.2.jar pi 30 30

# 统计文档中字符个数
vim test.txt
hdfs dfs -put ./test.txt /demo1
hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.2.jar wordcount /demo1 /demo2

MapReduce教程

MapReduce优缺点

优点：通过简单的增加机器来扩展它的计算能力、很高的容错性、海量数据的离线处理。
缺点：不擅长做实时计算（毫秒内返回结果）、流式计算（输入数据是动态的）、DAG（有向图）计算（后一个应用程序的输入为前一个的输出）

MapReduce进程分3类

MrAppMaster：负责整个程序的过程调度及状态协调，一个。
MapTask：负责Ma阶段的整个数据处理流程，一个或多个。
ReduceTask：负责Reduce阶段的整个数据处理流程，一个或多个。

MapReduce工作流程

请输入图片描述

MapReduce把任务分割成小任务并分发到集群上并行执行，最后将每台计算机上的结果合并成最终的结果。

“分而治之”，Map函数就是分而治之中的“分”，Reduce函数就是分而治之中的“治”。

MapReduce算法包含两部分重要的任务：Map和Reduce.
Map任务把一个数据集转化成另一个数据集，单独的元素会被拆分成键值对(key-value pairs).
Reduce任务把Map的输出作为输入，把这些键值对的数据合并成一个更小的键值对数据集.

流程如下

Input：HDFS上的数据文件，格式有多种多样。
Split：数据逻辑切片(默认128MB)，格式化(分片后数据默认按行读取并格式化为键值对<key,value>形式的数据，其中key代表偏移量value代表每一行内容)
Map：是用户自定义的一个函数，输入的是键值对数据，输出的是新的键值对数据。
Shuffle：对Map阶段产生键值对进行分区、排序、缓存等，处理成适合Reduce任务输入的键值对形式。
Reduce：提取所有相同的key(key设计非常关键)，并按用户的需求对value进行操作，最后也是以<key,value>的形式输出结果。
Output：进行一系列验证后，将reduce的输出结果上传到分布式文件系统中。

YARN教程

YARN是一个通用的资源管理系统和调度平台。

通用：不仅仅支持MapReduce程序，理论上支持各种计算程序。
资源管理系统：集群的硬件资源，内存、硬盘、CPU等。
调度平台：多个程序同时申请资源时，如何分配资源，调度算法等。

YARN的3大组件

ResourceManager(RM)，主角色，决定了系统中所有应用程序之间的资源分配的最终权限。接收用户的作业提交，并通过NM分配管理各机器上的资源。
NodeManager(NM)，每台机器上都有一个，负责管理本机器的资源。根据RM的命令，启动Container容器监视容器内的资源使用情况并向RM汇报。
ApplicationMaster(AM)，用户提交的每个应用程序均包含一个AM，负责应用程序内部各阶段的资源申请监督等。

hadoop客户端

目前为止，我们所讲的都是在服务端(hadoop集群内部)的一些操作。那么如果是在业务服务器(集群外部)中如何操作hadoop呢？

# 首先，客户端也是需要完整安装hadoop环境的。
# 客户端可访问hadoop集群，安装JDK，安装hadoop，配置环境变量
# 最好在客户端，将hadoop集群内部的hosts也配置到本地，不然某些通过网页访问时，可能会出现404错误。

# 配置客户端的core-site.xml
<property>
    <name>fs.defaultFS</name>
    <value>hdfs://192.168.3.33:9000</value>
    <description>定义默认的文件系统主机和端口</description>
</property>

# 配置客户端的mapred-site.xml
 <property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
    <description>取值local、classic或yarn其中之一，如果不是yarn，则不会使用YARN集群来实现资源的分配</description>
 </property>

# 配置客户端的yarn-site.xml
<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>192.168.3.33</value>
    <description>设置yarn运行在哪个节点上</description>
</property>

注意：客户端不需要启动hadoop服务，只需要使用hadoop相关命令即可，或使用java等编程工具库访问。

扩展阅读

Hadoop各进程的作用

NameNode，是hdfs的主服务器，记录每个文件中各个块所在数据节点位置信息，文件系统元数据。
SecondaryNameNode，在文件系统中设置一个检查点来帮助NameNode更好的工作。它不是要取代掉NameNode也不是NameNode的备份。
DataNode，负责管理各个存储节点，每个存储数据的节点都有一个datanode守护进程。
ResourceManager，在YARN中，负责集群中所有资源的统一管理和分配，它接收来自各个节点（NodeManager）的资源汇报信息，并把这些信息按照一定的策略分配给各个应用程序
NodeManager，是YARN中每个节点上的代理，它管理Hadoop集群中单个计算节点资源。

HDFS重要特性

主从架构，一主多从
分块储存，可以将一个大文件分割多块，默认一块128M，可以通过hdfs-site.xml中的dfs.blocksize配置。
副本机制，副本是为了保证数据安全，默认3个(也就是额外复制2份)，可以通过dfs.replication配置
元数据记录，由hdfs中的namenode管理，包括文件属性，块映射。
抽象统一的目录树(namespace)，由namenode管理。
数据块，由datanode管理。

最后更新于 2022-05-03 19:25:12 并被添加「Hadoop 大数据」标签，已有 905 位童鞋阅读过。

本站使用「署名 4.0 国际」创作共享协议，可自由转载、引用，但需署名作者且注明文章出处

Hive与数据仓库

沉迷于学习，无法自拔^_^