Hadoop 安装(本地、伪分布、分布式模式)

本地模式

环境介绍

一共三台测试机

master   192.168.4.91

slave1   192.168.4.45

slave2   192.168.4.96

操作系统配置

1、Centos7操作系统

2、防火墙，selinux都关闭（在学习的时候，基本都是关闭防火墙，生产环境，防火墙都是打开的，不仅有Linux自带的主机防火墙，还有其他的物理防火墙）

***　　以下操作需要root权限　　***

()　Centos7关闭防火墙命令
　　 #systemctl stop firewalld
　　 #systemctl disable firewalld

     Centos6关闭防火墙
     #/etc/init.d/iptables stop
     #chkconfig  iptables off

()　关闭Selinux
　　 #sed -i 's/enforcing/disabled/g' /etc/selinux/config 通常情况下，设置完selinux需要重启操作系统，如果不想重启，可以临时关闭selinux。
　　 #setenforce    表示临时关闭selinux

()　修改操作系统ulimit的限制（可以使用ulimit -a参数看当前系统的ulimit限制值）
　　 #echo "*        -      nofile     65535" >>  /etc/security/limits.conf  修改最大文件数。
    #echo "*         -    nproc     65535" >> /etc/security/limits.d/-nproc.conf   修改最大进程数
    注意：修改完以后，如果想要生效，需要重新打开会话。

()  关闭ipv6
　　  #echo "net.ipv6.conf.all.disable_ipv6 = 1" >> /etc/sysctl.conf
     #echo "net.ipv6.conf.default.disable_ipv6 = 1" >> /etc/sysctl.conf
     #sysctl -p  

()  修改/etc/hosts文件，添加主机名和ip的映射
()  创建管理集群的用户
　　#useradd -m -d /home/hadoop hadoop
   #passwd hadoop   #修改密码
()   创建数据目录
      #mkdir /data/hadoop
      #chown hadoop:hadoop /data/hadoop
      #su - hadoop     #切换到hadoop用户
()  设置主机之间免密登录
     #ssh-keygen  -t rsa -N '' -f ~/.ssh/id_rsa （在每台机器执行）
     拷贝分发秘钥

　　

下载软件包

下载JDK：http://download.oracle.com/otn-pub/java/jdk/8u181-b13/96a7b8442fe848ef90c96a2fad6ed6d1/jdk-8u181-linux-x64.tar.gz

下载Hadoop：http://www.apache.org/dyn/closer.cgi/hadoop/common/hadoop-2.9.2/hadoop-2.9.2.tar.gz

如果想下载最新版的二进制包，到官网下载。

安装配置JDK和Hadoop

1、安装JDK以及配置环境变量

$ tar zxvf jdk-8u181-linux-x64.tar.gz -C /data/hadoop
$ cd /data/hadoop
$ ln -s jdk1..0_181/ jdk
$ vim ~/.bashrc   文件最后追加
export JAVA_HOME=/data1/hadoop/jdk
export PATH=${JAVA_HOME}/bin:$PATH

$source /etc/profile     #让jdk生效
$java -version   #查看jdk是否生效，如果输入如下，说明配置成功。
java version "1.8.0_181"
Java(TM) SE Runtime Environment (build 1.8.0_181-b13)
Java HotSpot(TM) -Bit Server VM (build 25.181-b13, mixed mode)

2、安装Hadoop以及配置

解压
$ tar zxvf tar zxvf hadoop-2.9..tar.gz  -C /data/hadoop/
$ cd /data/hadoop
$ ln -s hadoop-2.9.2/ hadoop

配置环境变量
$ vim ~/.bashrc，追加如下配置

export HADOOP_HOME=/data1/hadoop/hadoop/

export PATH=${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin:$PATH

$ source ~/.bashrc

3、本地模式下，各个进程运行在一台机器上，占用的jvm进程数为1，在跑MapReduce时，从本地读取文件，输出到本地文件。

(1)、在本地系统创建一个文件

#cat test.txt

11 22 33

22 33 44

44 22 11

运行hadoop自带的MapReduce程序

$ hadoop jar /data/hadoop-2.9.2/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount test.txt test.out

这里可以看到job ID中有local字样，说明是运行在本地模式下的。

(2)查看输出的文件。在本地模式下，输出文件是在本地。

# ll test.out

输出目录中有_SUCCESS文件说明JOB运行成功；part-r-00000是输出结果文件,r说明是reduce产生的结果，如果是m的话，则是map阶段产生的。

如果要查看具体的信息：

# cat test.out/part-r-00000

伪分布搭建

特点：伪分布模式下，多个进程运行在不同的jvm内

以下配置只在master节点操作

Hadoop配置

1、配置hadoop-env.sh

$ cd /data/hadoop/hadoop/etc/hadoop/
$ echo "export JAVA_HOME=/data/hadoop/jdk" >> hadoop-env.sh

2、配置core-site.xml文件

在<configuration>下面添加

fs.defaultFS参数配置的是HDFS的地址。

<property>
<!-- hdfs 地址 -->
<name>fs.defaultFS</name>
<value>hdfs://master:8020</value>
</property>

<!-- 指定hadoop临时目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/data/hadoop/hadoop/tmp</value>
</property>

hadoop.tmp.dir 是hdfs文件系统产生数据所存放的临时目录

创建目录：

$ mkdir /data/hadoop/hadoop/tmp

3、配置hdfs-site.xml文件

在<configuration>下面添加

<property>
<name>dfs.replication</name>   #这里指定hdfs产生数据时备份的机器数量，由于只有一台机器，所以为1.
<value></value>
</property>

<property>
<name>dfs.namenode.name.dir</name>
<value>/data/hadoop/hadoop/name</value>   #指定namenode数据存放的目录
</property>

<property>
<name>dfs.datanode.data.dir</name>
<value>/data/hadoop/hadoop/data</value>  #指定datanode数据存放的目录

</property>

$ mkdir /data/hadoop/hadoop/name

$ mkdir /data/hadoop/hadoop/data

4、接下来格式化hdfs

$ hadoop namenode -format

格式化是对HDFS这个分布式文件系统中的DataNode进行分块，统计所有分块后的初始元数据的存储在NameNode中。

格式化后，查看core-site.xml里hadoop.tmp.dir（本例是/data/hadoop/hadoop/目录）指定的目录下是否有了dfs目录，如果有，说明格式化成功。

$ ll /data/hadoop/hadoop/name/current，以下图片可能目录不正确，我查看的是以前安装的集群信息

fsimage_XXX 是namenode元数据存满以后持久化到磁盘的文件。

fsimage*.md5 是校验文件，校验fsimage的完整性。

seen_txid 是hadoop的版本

$ cat VERSION

namespaceID=271252846            #namenode的唯一id
clusterID=CID-97e864b1-262d-4ce0-93d9-9dd96953ecc5          #集群id
cTime=1533545685716
storageType=NAME_NODE             #存储类型
blockpoolID=BP-1051333686-192.168.4.91-1533545685716
layoutVersion=-63

当然，NameNode和DataNode的集群ID应该一致，表明这是一个集群，datenode的id可以到/data/hadoop/hadoop/data 这个目录下查看。

♥   启动namenode、datanode、SecondaryNameNode

$ hadoop-daemon.sh start namenode

$ hadoop-daemon.sh start  datanode

$ hadoop-daemon.sh start  secondarynamenode

使用jps命令查看是否启动成功

$ jps

3022 NameNode

10578 Jps

2099 DateNode

12768 SecondaryNameNode

♥ hdfs分布式文件系统测试

在hdfs上创建目录：

$ hadoop fs -mkdir /test

查看目录：

# 

上传本地文件到hdfs：

$ ./bin/hadoop fs -put wc.input /test

# 

从hdfs分布式文件系统上面下载文件到本地系统

$ ./bin/hadoop fs -get /test/wc.put

5、配置 mapred-site.xml

在 <configuration>下面添加

<!-- 指定mr运行在yarn框架上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>

6、配置yarn.site.xml

在 <configuration>下面添加

<property>
<name>yarn.nodemanager.aux-services</name>     #yarn默认混洗方式

<value>mapreduce_shuffle</value>
</property>

<property>
<name>yarn.resourcemanager.hostname</name>  #指定resourcemanager的主机名称
<value>master</value>
</property>

♥启动resourcemanager

${HADOOP_HOME}/sbin/yarn-daemon.sh start resourcemanager

♥启动nodemanager

${HADOOP_HOME}/sbin/yarn-daemon.sh start nodemanager

使用jps查看是否启动成功，如果有 resourcemanager  nodemanager 则说明成功。

♥  查看yarn的外部界面，

如果你要在Windows里面通过主机名去访问Linux里面的主机，那么你需要在Windows的hosts主机里面添加Linux主机名和其IP地址的映射关系。

这样才能正常从Windows浏览器通过主机名访问Linux，当然，你直接输入IP地址就不需要这一步了。

有时候你在修改Windows 下的/etc/hosts完成以后，保存时提示没有权限，该怎么做呢：

如图：hosts文件右键——> 安全----->指定users用户，在权限这里，把允许下面的都勾选上。

♥   允许MapReduce

在本地系统创建测试用的文件

#cat wc.put

上传到hdfs文件系统

# hadoop fs -put wc.put /

运行Wordcount MapReduce job

$ cd /data/hadoop/hadoop

$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wc.input /wc.output

查看输出结果

$ hadoop fs -ls /wc.output/

有SUCCESS就代表这个job执行成功，这是一个空文件；part-r-00000既是输出结果，其中r表示是reduce阶段产生的结果，mapreduce程序执行时，可以没有reduce阶段，但是肯定会有map阶段，如果没有reduce阶段这个地方有是-m-，一个reduce会产生一个part-r-开头的文件。

•   查看结果

#  hadoop fs -cat /wc.output/part-r-00000

其结果可以看出来是按照键值排好序的。

♥   如何停止hadoop？

(1)一个一个进程慢慢停止

$./sbin/hadoop-daemon.sh stop namenode

$./sbin/hadoop-daemon.sh stop datenode

$ ./sbin/yarn-daemon.sh stop resourcemanager

$ ./sbin/yarn-daemon.sh stop nodemanager

(2) hadoop有一个脚本文件，可以直接停止集群,这个脚本文件分开来的话就是停止hdfs和yarn。启动整个集群也可以使用 ./sbin/start-all.sh

#./sbin/stop-all.sh

♥   各个功能模块的介绍

(1) yarn

这是一个资源调度框架，在hadoop2.x中，主要就是管理整个集群资源的分配和调度，具体请查看  https://blog.csdn.net/liuwenbo0920/article/details/43304243

(2) hdfs

hdfs分布式文件系统主要用来将大文件分块以后进行分布式存储数据的，突破了单台机器磁盘存储限制，这是一个相对独立的模块，能够为yarn、hbase等模块提供服务。

(3)MapReduce

MapReduce是一个计算框架，通过map、reduce阶段来分布式的对数据进行流处理，适用于对数据的流处理，对实时性要求高的应用不太适合，在hadoop1.0中，MapReduce是出于霸主级别，但是在hadoop2.0中，提供了一个更高效的处理引擎--spark。

♥   如何开启历史服务？

(1)   #./sbin/mr-jobhistory-daemon.sh start historyserver

开启以后通过web界面可以查看，点开下图的history，可以查看历史信息。

历史服务器的端口是19888.

♥  如果想在web界面查看日志该如何做呢？那就是开启日志聚集，日志聚集是在yarn框架的，所以在配置的时候是在yarn.site.xml文件里面配置

(1)日志聚集介绍

MapReduce是在各个机器上运行的，在运行过程中产生的日志存在于各个机器上，为了能够统一查看各个机器的运行日志，将日志集中存放在HDFS上，这个过程就是日志聚集。

(2)日志聚集默认是未开启的，通过配置yarn.site.xml来开启。

<property>
<name>yarn.log-aggregation-enable</name>     #  是否开启日志聚集
<value>true</value>
</property>
<property>
<name>yarn.log-aggregation.retain-seconds</name>  #日志保存时间，以秒为单位。
<value></value>
</property>

(3)配置完以后重启yarn进程

# stop-yarn.sh

# start-yarn.sh

(4)现在就可以去web界面查看map、reduce阶段产生的日志。

当然，在执行这一步的时候，是因为我们上面刚刚跑过MapReduce程序，如果你没有跑MapReduce，则这个界面不会有这些信息。

如果是在完全分布式或者ha完全分布式集群里面，当配置完成以后，需要把配置文件拷贝到其他节点在重新启动yarn进程。

分布式模式

前提是前面的JDK在三台机器都已经安装好。

1、停止伪分布式模式下搭建的集群

$ stop-all.sh

2、删除伪分布式模式下生成的数据

$ rm -rf /data/hadoop/hadoop/name
$ rm -ff /data/hadoop/hadoop/data

3、修改/data/hadoop/hadoop/etc/hadoop/slaves，添加需要启动的datanode、nodemanagerjied

slave1
slave2

4、分发hadoop到其他机器

$ scp -r /data/hadoop/hadoop slave1:/data/hadoop

$ scp -r /data/hadoop/hadoop slave2:/data/hadoop

5、启动集群

$ start-all.sh