分布式-HADOOP三大组件技术概要

hadoop中有3个核心组件：

分布式文件系统：HDFS —— 实现将文件分布式存储在很多的服务器上

分布式运算编程框架：MAPREDUCE —— 实现在很多机器上分布式并行运算

分布式资源调度平台：YARN —— 帮用户调度大量的mapreduce程序，并合理分配运算资源

 

1，概述：hdfs：分布式文件系统

1.1 hdfs有着文件系统共同的特征：

1. 有目录结构，顶层目录是：  /
2. 系统中存放的就是文件
3. 系统可以提供对文件的：创建、删除、修改、查看、移动等功能

1.2 hdfs跟普通的单机文件系统有区别：

1. 单机文件系统中存放的文件，是在一台机器的操作系统中
2. hdfs的文件系统会横跨N多的机器
3. 单机文件系统中存放的文件，是在一台机器的磁盘上
4. hdfs文件系统中存放的文件，是落在n多机器的本地单机文件系统中（hdfs是一个基于linux本地文件系统之上的文件系统）

 

1.3 hdfs的工作机制：

1. 客户把一个文件存入hdfs，其实hdfs会把这个文件切块后，分散存储在N台linux机器系统中（负责存储文件块的角色：data node）<准确来说：切块的行为是由客户端决定的>
2. 一旦文件被切块存储，那么，hdfs中就必须有一个机制，来记录用户的每一个文件的切块信息，及每一块的具体存储机器（负责记录块信息的角色是：name node）

3. 为了保证数据的安全性，hdfs可以将每一个文件块在集群中存放多个副本（到底存几个副本，是由当时存入该文件的客户端指定的）

综述：一个hdfs系统，由一台运行了namenode的服务器，和N台运行了datanode的服务器组成！

2，搭建hdfs分布式集群

上图为HDFS集群视图

2.1 安装hdfs集群的具体步骤

一、首先需要准备N台linux服务器

用Vmware虚拟机先准备4台虚拟机：

1个namenode节点  + 3 个datanode 节点

 

二、修改各台机器的主机名和ip地址

主机名：hdp-01  对应的ip地址：192.168.33.61

主机名：hdp-02  对应的ip地址：192.168.33.62

主机名：hdp-03  对应的ip地址：192.168.33.63

主机名：hdp-04  对应的ip地址：192.168.33.64

 

三、从windows中用CRT软件进行远程连接（使用其他文件传输工具也可）

在windows中将各台linux机器的主机名配置到的windows的本地域名映射文件中：

c:/windows/system32/drivers/etc/hosts

192.168.33.61	hdp-01
192.168.33.62	hdp-02
192.168.33.63	hdp-03
192.168.33.64	hdp-04

这是windows访问HDFS的必要域名转换操作

用crt连接上后，修改一下crt的显示配置（字号，编码集改为UTF-8）：

 

四、配置linux服务器的基础软件环境

 

1 防火墙

关闭防火墙：service iptables stop 

关闭防火墙自启： chkconfig iptables off

如果不关闭集群的防火墙会导致无法进行通信

 

2 安装jdk：（hadoop体系中的各软件都是java开发的）

1. 利用alt+p 打开sftp窗口，然后将jdk压缩包拖入sftp窗口
2. 然后在linux中将jdk压缩包解压到/root/apps 下
3. 配置环境变量：JAVA_HOME  与PATH

vi /etc/profile   在文件的最后，加入：

export JAVA_HOME=/root/apps/jdk1.8.0_60

export PATH=$PATH:$JAVA_HOME/bin

1. 修改完成后，记得 source /etc/profile使配置生效
2. 检验：在任意目录下输入命令： java -version 看是否成功执行
3. 将安装好的jdk目录用scp命令拷贝到其他机器
4. 将/etc/profile配置文件也用scp命令拷贝到其他机器并分别执行source命令

3  集群内主机的域名映射配置

在hdp-01上，vi /etc/hosts，在后面假如映射关系

127.0.0.1   localhost localhost.localdomain localhost4 localhost4.localdomain4

::1         localhost localhost.localdomain localhost6 localhost6.localdomain6

192.168.33.61   hdp-01

192.168.33.62   hdp-02

192.168.33.63   hdp-03

192.168.33.64   hdp-04

scp /etc/hosts hdp-02:/etc/

然后，将hosts文件拷贝到集群中的所有其他机器上

scp /etc/hosts hdp-03:/etc/

scp /etc/hosts hdp-04:/etc/

PS：

如果在执行scp命令的时候，提示没有scp命令，则可以配置一个本地yum源来安装，也可以配置网络yum源

配置本地yum源的方法如下：

1. 先在虚拟机中配置cdrom为一个centos的安装镜像iso文件
2. 在linux系统中将光驱挂在到文件系统中（某个目录）
3. mkdir /mnt/cdrom
4. mount -t iso9660 -o loop /dev/cdrom /mnt/cdrom
5. 检验挂载是否成功： ls /mnt/cdrom
6. 配置yum的仓库地址配置文件
7. yum的仓库地址配置文件目录： /etc/yum.repos.d
8. 先将自带的仓库地址配置文件批量更名：

   9.然后，拷贝一个出来进行修改

    10 修改完配置文件后，再安装scp命令：

yum install openssh-clients -y

五、安装HDFS集群

1，上传hadoop安装包到hdp-01

2，修改配置文件

核心配置参数：

1. 指定hadoop的默认文件系统为：hdfs
2. 指定hdfs的namenode节点为哪台机器
3. 指定namenode软件存储元数据的本地目录
4. 指定datanode软件存放文件块的本地目录

hadoop的配置文件在：/root/apps/hadoop

安装目录  ：            /etc/hadoop/

1) 修改hadoop-env.sh

修改其JAVA路径

export JAVA_HOME=/root/apps/jdk1.8.0_60

2) 修改core-site.xml

<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://hdp-01:9000</value>
</property>
</configuration>

指定hdfs的namenode节点为为hdp-01
3) 修改hdfs-site.xml

<configuration>
<property>
<name>dfs.namenode.name.dir</name>
<value>/root/dfs/name</value>
</property>

<property>
<name>dfs.datanode.data.dir</name>
<value>/root/dfs/data</value>
</property>

</configuration>

指定namenode软件存储元数据的本地目录
指定datanode软件存放文件块的本地目录

4) 拷贝整个hadoop安装目录到其他机器

scp -r /root/apps/hadoop-2.8.0  hdp-02:/root/apps/
scp -r /root/apps/hadoop-2.8.0  hdp-03:/root/apps/
scp -r /root/apps/hadoop-2.8.0  hdp-04:/root/apps/

5) 启动HDFS

所谓的启动HDFS，就是在对的机器上启动对的软件
要点
提示：    要运行hadoop的命令，需要在linux环境中配置HADOOP_HOME和PATH环境变量
vi /etc/profile

export JAVA_HOME=/root/apps/jdk1.8.0_60
export HADOOP_HOME=/root/apps/hadoop-2.8.0
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

以上，配置好了环境，接下来需要启动HDFS

STEP1：

首先，初始化namenode的元数据目录
要在hdp-01上执行hadoop的一个命令来初始化namenode的元数据存储目录

hadoop namenode -format

初始化namenode的元数据存储目录会进行以以下三点操作：

    创建一个全新的元数据存储目录
    生成记录元数据的文件fsimage
    生成集群的相关标识：如：集群id——clusterID

STEP2：

然后，启动namenode进程（在hdp-01上）

hadoop-daemon.sh start namenode

启动完后，首先用jps查看一下namenode的进程是否存在

然后，在windows中用浏览器访问namenode提供的web端口：50070

http://hdp-01:50070

然后，依此启动众datanode

hadoop-daemon.sh start datanode

PS：用自动批量启动脚本来启动HDFS
1)    先配置hdp-01到集群中所有机器（包含自己）的免密登陆
2)    配完免密后，可以执行一次  ssh 0.0.0.0
3)    修改hadoop安装目录中 /etc/hadoop/slaves（把需要启动datanode进程的节点列入）

hdp-01
hdp-02
hdp-03
hdp-04

4)    在hdp-01上用脚本：start-dfs.sh 来自动启动整个集群
5)    如果要停止，则用脚本：stop-dfs.sh
 

 

3，hdfs的客户端操作

3.1 客户端的理解

hdfs的客户端有多种形式：
1、网页形式
2、命令行形式
3、客户端在哪里运行，没有约束，只要运行客户端的机器能够跟hdfs集群联网

文件的切块大小和存储的副本数量，都是由客户端决定！
所谓的由客户端决定，是通过配置参数来定的
hdfs的客户端会读以下两个参数，来决定切块大小、副本数量：
切块大小的参数： dfs.blocksize
副本数量的参数： dfs.replication上面两个参数应该配置在客户端机器的hadoop目录中的hdfs-site.xml中配置
 

<property>
<name>dfs.blocksize</name>
<value>64m</value>
</property>

<property>
<name>dfs.replication</name>
<value>2</value>
</property>

 

3.2 hdfs命令行客户端的常用操作命令

查看hdfs中的目录信息

hadoop fs -ls /hdfs路径

上传文件到hdfs中

hadoop fs -put /本地文件  /aaa
hadoop fs -copyFromLocal /本地文件  /hdfs路径   ##  copyFromLocal等价于 put

hadoop fs -moveFromLocal /本地文件  /hdfs路径  ## 跟copyFromLocal的区别是：从本地移动到hdfs中

下载文件到客户端本地磁盘

hadoop fs -get /hdfs中的路径   /本地磁盘目录
hadoop fs -copyToLocal /hdfs中的路径 /本地磁盘路径   ## 跟get等价
hadoop fs -moveToLocal /hdfs路径  /本地路径  ## 从hdfs中移动到本地

在hdfs中创建文件夹

hadoop fs -mkdir  -p /aaa/xxx

移动hdfs中的文件（更名）

hadoop fs -mv /hdfs的路径  /hdfs的另一个路径

删除hdfs中的文件或文件夹

hadoop fs -rm -r /aaa

修改文件的权限

hadoop fs -chown user:group /aaa
hadoop fs -chmod 700 /aaa

追加内容到已存在的文件

hadoop fs -appendToFile /本地文件   /hdfs中的文件

显示文本文件的内容

hadoop fs -cat /hdfs中的文件
hadoop fs -tail /hdfs中的文件

补充：hdfs命令行客户端的所有命令列表
 

Usage: hadoop fs [generic options]
        [-appendToFile <localsrc> ... <dst>]
        [-cat [-ignoreCrc] <src> ...]
        [-checksum <src> ...]
        [-chgrp [-R] GROUP PATH...]
        [-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
        [-chown [-R] [OWNER][:[GROUP]] PATH...]
        [-copyFromLocal [-f] [-p] [-l] [-d] <localsrc> ... <dst>]
        [-copyToLocal [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
        [-count [-q] [-h] [-v] [-t [<storage type>]] [-u] [-x] <path> ...]
        [-cp [-f] [-p | -p[topax]] [-d] <src> ... <dst>]
        [-createSnapshot <snapshotDir> [<snapshotName>]]
        [-deleteSnapshot <snapshotDir> <snapshotName>]
        [-df [-h] [<path> ...]]
        [-du [-s] [-h] [-x] <path> ...]
        [-expunge]
        [-find <path> ... <expression> ...]
        [-get [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
        [-getfacl [-R] <path>]
        [-getfattr [-R] {-n name | -d} [-e en] <path>]
        [-getmerge [-nl] [-skip-empty-file] <src> <localdst>]
        [-help [cmd ...]]
        [-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [<path> ...]]
        [-mkdir [-p] <path> ...]
        [-moveFromLocal <localsrc> ... <dst>]
        [-moveToLocal <src> <localdst>]
        [-mv <src> ... <dst>]
        [-put [-f] [-p] [-l] [-d] <localsrc> ... <dst>]
        [-renameSnapshot <snapshotDir> <oldName> <newName>]
        [-rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ...]
        [-rmdir [--ignore-fail-on-non-empty] <dir> ...]
        [-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]]
        [-setfattr {-n name [-v value] | -x name} <path>]
        [-setrep [-R] [-w] <rep> <path> ...]
        [-stat [format] <path> ...]
        [-tail [-f] <file>]
        [-test -[defsz] <path>]
        [-text [-ignoreCrc] <src> ...]
        [-touchz <path> ...]
        [-truncate [-w] <length> <path> ...]
        [-usage [cmd ...]]

 

4  hdfs的核心工作原理

4.1 namenode元数据管理要点

1、什么是元数据？
hdfs的目录结构及每一个文件的块信息（块的id，块的副本数量，块的存放位置<datanode>）

2、元数据由谁负责管理？
namenode

3、namenode把元数据记录在哪里？
namenode的实时的完整的元数据存储在内存中；
namenode还会在磁盘中（dfs.namenode.name.dir）存储内存元数据在某个时间点上的镜像文件；
namenode会把引起元数据变化的客户端操作记录在edits日志文件中；

secondarynamenode会定期从namenode上下载fsimage镜像和新生成的edits日志，然后加载fsimage镜像到内存中，然后顺序解析edits文件，对内存中的元数据对象进行修改（整合）
整合完成后，将内存元数据序列化成一个新的fsimage，并将这个fsimage镜像文件上传给namenode

上述过程叫做：checkpoint操作
提示：secondary namenode每次做checkpoint操作时，都需要从namenode上下载上次的fsimage镜像文件吗？
第一次checkpoint需要下载，以后就不用下载了，因为自己的机器上就已经有了。
 

secondary namenode启动位置的配置

补充：secondary namenode启动位置的配置
默认值  

 <property>
  <name>dfs.namenode.secondary.http-address</name>
  <value>0.0.0.0:50090</value>
</property>

把默认值改成你想要的机器主机名即可

secondarynamenode保存元数据文件的目录配置：
默认值  

<property>
  <name>dfs.namenode.checkpoint.dir</name>
  <value>file://${hadoop.tmp.dir}/dfs/namesecondary</value>
</property>

改成自己想要的路径即可：/root/dfs/namesecondary
 

5 mapreduce运行平台YARN

mapreduce程序应该是在很多机器上并行启动，而且先执行map task，当众多的maptask都处理完自己的数据后，还需要启动众多的reduce task，这个过程如果用用户自己手动调度不太现实，需要一个自动化的调度平台——hadoop中就为运行mapreduce之类的分布式运算程序开发了一个自动化调度平台——YARN

5.1 安装yarn集群

yarn是一个分布式程序的运行调度平台

yarn中有两大核心角色：

yarn集群中有两个角色：
主节点：Resource Manager  1台
从节点：Node Manager   N台

1，Resource Manager

接受用户提交的分布式计算程序，并为其划分资源

管理、监控各个Node Manager上的资源情况，以便于均衡负载

Resource Manager一般安装在一台专门的机器上

2，Node Manager

管理它所在机器的运算资源（cpu + 内存）

负责接受Resource Manager分配的任务，创建容器、回收资源

Node Manager应该与HDFS中的data node重叠在一起

修改配置文件：
yarn-site.xml

<property>
<name>yarn.resourcemanager.hostname</name>
<value>hdp-04</value>
</property>

<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>

然后复制到每一台机器上

然后在hdp-04上，修改hadoop的slaves文件，列入要启动nodemanager的机器
然后将hdp-04到所有机器的免密登陆配置好
然后，就可以用脚本启动yarn集群：
sbin/start-yarn.sh
停止：
sbin/stop-yarn.sh

启动完成后，可以在windows上用浏览器访问resourcemanager的web端口：
http://hdp-04:8088
看resource mananger是否认出了所有的node manager节点

6. 运行mapreduce程序

STEP1：首先，为你的mapreduce程序开发一个提交job到yarn的客户端类（模板代码）：

STEP2：描述你的mapreduce程序运行时所需要的一些信息(比如用哪个mapper、reducer、map和reduce输出的kv类型、jar包所在路径、reduce task的数量、输入输出数据的路径)

STEP3：将信息和整个工程的jar包一起交给yarn

STEP4：将整个工程（yarn客户端类+ mapreduce所有jar和自定义类）打成jar包
STEP5：将jar包上传到hadoop集群中的任意一台机器上
STEP1：最后，运行jar包中的（YARN客户端类）

[root@hdp-04 ~]# hadoop jar wc.jar cn.edu360.hadoop.mr.wc.JobSubmitter