Hadoop 部署之 Hadoop (三)
目錄
一、Hadoop 介紹
Hadoop的框架最核心的設計就是:HDFS和MapReduce。HDFS為海量的資料提供了儲存,則MapReduce為海量的資料提供了計算。
1、HDFS 介紹
Hadoop實現了一個分散式檔案系統(Hadoop Distributed File System),簡稱HDFS。
HDFS有高容錯性的特點,並且設計用來部署在低廉的(low-cost)硬體上;而且它提供高吞吐量(high throughput)來訪問應用程式的資料,適合那些有著超大資料集(large data set)的應用程式。HDFS放寬了(relax)POSIX的要求,可以以流的形式訪問(streaming access)檔案系統中的資料。
2、HDFS 組成
HDFS採用主從(Master/Slave)結構模型,一個HDFS叢集是由一個NameNode和若干個DataNode組成的。NameNode作為主伺服器,管理檔案系統名稱空間和客戶端對檔案的訪問操作。DataNode管理儲存的資料。HDFS支援檔案形式的資料。
從內部來看,檔案被分成若干個資料塊,這若干個資料塊存放在一組DataNode上。NameNode執行檔案系統的名稱空間,如開啟、關閉、重新命名檔案或目錄等,也負責資料塊到具體DataNode的對映。DataNode負責處理檔案系統客戶端的檔案讀寫,並在NameNode的統一排程下進行資料庫的建立、刪除和複製工作。NameNode是所有HDFS元資料的管理者,使用者資料永遠不會經過NameNode。
3、MapReduce 介紹
Hadoop MapReduce是google MapReduce 克隆版。
MapReduce是一種計算模型,用以進行大資料量的計算。其中Map對資料集上的獨立元素進行指定的操作,生成鍵-值對形式中間結果。Reduce則對中間結果中相同“鍵”的所有“值”進行規約,以得到最終結果。MapReduce這樣的功能劃分,非常適合在大量計算機組成的分散式並行環境裡進行資料處理。
4、MapReduce 架構
Hadoop MapReduce採用Master/Slave(M/S)架構,如下圖所示,主要包括以下元件:Client、JobTracker、TaskTracker和Task。
JobTracker
- JobTracker叫作業跟蹤器,執行到主節點(Namenode)上的一個很重要的程序,是MapReduce體系的排程器。用於處理作業(使用者提交的程式碼)的後臺程式,決定有哪些檔案參與作業的處理,然後把作業切割成為一個個的小task,並把它們分配到所需要的資料所在的子節點。
- Hadoop的原則就是就近執行,資料和程式要在同一個物理節點裡,資料在哪裡,程式就跑去哪裡執行。這個工作是JobTracker做的,監控task,還會重啟失敗的task(於不同的節點),每個叢集只有唯一一個JobTracker,類似單點的NameNode,位於Master節點
TaskTracker
- TaskTracker叫任務跟蹤器,MapReduce體系的最後一個後臺程序,位於每個slave節點上,與datanode結合(程式碼與資料一起的原則),管理各自節點上的task(由jobtracker分配),
- 每個節點只有一個tasktracker,但一個tasktracker可以啟動多個JVM,執行Map Task和Reduce Task;並與JobTracker互動,彙報任務狀態,
- Map Task:解析每條資料記錄,傳遞給使用者編寫的map(),並執行,將輸出結果寫入本地磁碟(如果為map-only作業,直接寫入HDFS)。
- Reducer Task:從Map Task的執行結果中,遠端讀取輸入資料,對資料進行排序,將資料按照分組傳遞給使用者編寫的reduce函式執行。
二、Hadoop的安裝
1、下載安裝
# 下載安裝包
wget https://archive.apache.org/dist/hadoop/common/hadoop-2.7.3/hadoop-2.7.3.tar.gz
# 解壓安裝包
tar xf hadoop-2.7.3.tar.gz && mv hadoop-2.7.3 /usr/local/hadoop
# 建立目錄
mkdir -p /home/hadoop/{name,data,log,journal}
2、配置 Hadoop 環境變數
建立檔案/etc/profile.d/hadoop.sh
。
# HADOOP ENV
export HADOOP_HOME=/usr/local/hadoop
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
使 Hadoop 環境變數生效。
source /etc/profile.d/hadoop.sh
三、Hadoop 配置
1、配置 hadoop-env.sh
編輯檔案/usr/local/hadoop/etc/hadoop/hadoop-env.sh
,修改下面欄位。
export JAVA_HOME=/usr/java/default
export HADOOP_HOME=/usr/local/hadoop
2、配置 yarn-env.sh
編輯檔案/usr/local/hadoop/etc/hadoop/yarn-env.sh
,修改下面欄位。
export JAVA_HOME=/usr/java/default
3、配置 DN 白名單 slaves
編輯檔案/usr/local/hadoop/etc/hadoop/slaves
datanode01
datanode02
datanode03
4、配置核心元件 core-site.xml
編輯檔案/usr/local/hadoop/etc/hadoop/core-site.xml
,修改為如下:
<configuration>
<!-- 指定hdfs的nameservice為cluster1 -->
<property>
<name>fs.default.name</name>
<value>hdfs://cluster1:9000</value>
</property>
<!-- 指定hadoop臨時目錄 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/data</value>
</property>
<!-- 指定zookeeper地址 -->
<property>
<name>ha.zookeeper.quorum</name>
<value>zk01:2181,zk02:2181,zk03:2181</value>
</property>
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
<!--設定hadoop的緩衝區大小為128MB-->
<property>
<name>io.file.buffer.size</name>
<value>131702</value>
</property>
</configuration>
5、配置檔案系統 hdfs-site.xml
編輯檔案/usr/local/hadoop/etc/hadoop/hdfs-site.xml
,修改為如下:
<configuration>
<!--NameNode儲存元資料的目錄 -->
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/home/hadoop/name</value>
</property>
<!--DataNode儲存資料塊的目錄-->
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/home/hadoop/data</value>
</property>
<!--指定HDFS的副本數量-->
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
<!--開啟HDFS的WEB管理介面功能-->
<property>
<name>dfs.webhdfs.enabled</name>
<value>true</value>
</property>
<!--指定HDFS的nameservice為cluster1,需要和core-site.xml中的保持一致 -->
<property>
<name>dfs.nameservices</name>
<value>cluster1</value>
</property>
</configuration>
6、配置計算框架 mapred-site.xml
編輯檔案/usr/local/hadoop/etc/hadoop/mapred-site.xml
,修改為如下:
<configuration>
<!-- 指定mr框架為yarn方式 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<!-- mapred做本地計算所使用的資料夾,可以配置多塊硬碟,逗號分隔 -->
<property>
<name>mapred.local.dir</name>
<value>/home/hadoop/data</value>
</property>
<!-- 使用管理員身份,指定作業map的堆大小-->
<property>
<name>mapreduce.admin.map.child.java.opts</name>
<value>-Xmx256m</value>
</property>
<!-- 使用管理員身份,指定作業reduce的堆大小-->
<property>
<name>mapreduce.admin.reduce.child.java.opts</name>
<value>-Xmx4096m</value>
</property>
<!-- 每個TT子程序所使用的虛擬機器記憶體大小 -->
<property>
<name>mapred.child.java.opts</name>
<value>-Xmx512m</value>
</property>
<!-- 設定引數防止超時,預設600000ms,即600s-->
<property>
<name>mapred.task.timeout</name>
<value>1200000</value>
<final>true</final>
</property>
<!-- 禁止訪問NN的主機名稱列表,指定要動態刪除的節點-->
<property>
<name>dfs.hosts.exclude</name>
<value>slaves.exclude</value>
</property>
<!-- 禁止連線JT的TT列表,節點摘除是很有作用 -->
<property>
<name>mapred.hosts.exclude</name>
<value>slaves.exclude</value>
</property>
</configuration>
7、配置計算框架 yarn-site.xml
編輯檔案/usr/local/hadoop/etc/hadoop/yarn-site.xml
,修改為如下:
<configuration>
<!--RM的主機名 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>namenode01</value>
</property>
<!--RM對客戶端暴露的地址,客戶端通過該地址向RM提交應用程式、殺死應用程式等-->
<property>
<name>yarn.resourcemanager.address</name>
<value>${yarn.resourcemanager.hostname}:8032</value>
</property>
<!--RM對AM暴露的訪問地址,AM通過該地址向RM申請資源、釋放資源等-->
<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value>${yarn.resourcemanager.hostname}:8030</value>
</property>
<!--RM對外暴露的web http地址,使用者可通過該地址在瀏覽器中檢視叢集資訊-->
<property>
<name>yarn.resourcemanager.webapp.address</name>
<value>${yarn.resourcemanager.hostname}:8088</value>
</property>
<!--RM對NM暴露地址,NM通過該地址向RM彙報心跳、領取任務等-->
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>${yarn.resourcemanager.hostname}:8031</value>
</property>
<!--RM對管理員暴露的訪問地址,管理員通過該地址向RM傳送管理命令等-->
<property>
<name>yarn.resourcemanager.admin.address</name>
<value>${yarn.resourcemanager.hostname}:8033</value>
</property>
<!--單個容器可申請的最小與最大記憶體,應用在執行申請記憶體時不能超過最大值,小於最小值則分配最小值-->
<property>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>983040</value>
</property>
<!--啟用的資源排程器主類。目前可用的有FIFO、Capacity Scheduler和Fair Scheduler-->
<property>
<name>yarn.resourcemanager.scheduler.class</name>
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>${yarn.resourcemanager.hostname}:8031</value>
</property>
<!--RM對管理員暴露的訪問地址,管理員通過該地址向RM傳送管理命令等-->
<property>
<name>yarn.resourcemanager.admin.address</name>
<value>${yarn.resourcemanager.hostname}:8033</value>
</property>
<!--單個容器可申請的最小與最大記憶體,應用在執行申請記憶體時不能超過最大值,小於最小值則分配最小值-->
<property>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>8182</value>
</property>
<!--啟用的資源排程器主類。目前可用的有FIFO、Capacity Scheduler和Fair Scheduler-->
<property>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
<!--啟用日誌聚集功能 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
<!--單個容器可申請的最小/最大虛擬CPU個數。比如設定為1和4,則執行MapRedce作業時,每個Task最少可申請1個虛擬CPU,最多可申請4個虛擬CPU-->
<property>
<name>yarn.scheduler.maximum-allocation-vcores</name>
<value>512</value>
</property>
<!--單個可申請的最小/最大記憶體資源量 -->
<property>
<name>yarn.scheduler.minimum-allocation-mb</name>
<value>2048</value>
</property>
<!--啟用日誌聚集功能 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 設定在HDFS上聚集的日誌最多儲存多長時間-->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
<!--NM執行的Container,總的可用虛擬CPU個數,預設值8-->
<property>
<name>yarn.nodemanager.resource.cpu-vcores</name>
<value>12</value>
</property>
<!--NM執行的Container,可以分配到的實體記憶體,一旦設定,執行過程中不可動態修改,預設8192MB-->
<property>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>8192</value>
</property>
<!--是否啟動一個執行緒檢查每個任務正使用的虛擬記憶體量,如果任務超出分配值,則直接將其殺掉,預設是true-->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
<!--是否啟動一個執行緒檢查每個任務正使用的實體記憶體量,如果任務超出分配值,則直接將其殺掉,預設是true-->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<!--每使用1MB實體記憶體,最多可用的虛擬記憶體數,預設值2.1-->
<property>
<name>yarn.nodemanager.vmem-pmem-ratio</name>
<value>2.1</value>
</property>
<!--一塊磁碟的最高使用率,當一塊磁碟的使用率超過該值時,則認為該盤為壞盤,不再使用該盤,預設是100,表示100%-->
<property>
<name>yarn.nodemanager.disk-health-checker.max-disk-utilization-per-disk-percentage</name>
<value>98.0</value>
</property>
<!--NM執行的附屬服務,需配置成mapreduce_shuffle,才可執行MapReduce程式-->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!--為了能夠執行MapReduce程式,需要讓各個NodeManager在啟動時載入shuffle server-->
<property>
<name>yarn.nodemanager.auxservices.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
</configuration>
8、將配置檔案複製到其他服務節點
cd /usr/local/hadoop/etc/hadoop
scp * datanode01:/usr/local/hadoop/etc/hadoop
scp * datanode02:/usr/local/hadoop/etc/hadoop
scp * datanode03:/usr/local/hadoop/etc/hadoop
chown -R hadoop:hadoop /usr/local/hadoop
chmod 755 /usr/local/hadoop/etc/hadoop
四、Hadoop 啟動
1、格式化 HDFS(在NameNode01執行)
hdfs namenode -format
hadoop-daemon.sh start namenode
2、重啟 Hadoop(在NameNode01執行)
stop-all.sh
start-all.sh
五、檢查 Hadoop
1、檢查JPS程序
[[email protected] ~]# jps
17419 NameNode
17780 ResourceManager
18152 Jps
[[email protected] ~]# jps
2227 DataNode
1292 QuorumPeerMain
2509 Jps
2334 NodeManager
[[email protected] ~]# jps
13940 QuorumPeerMain
18980 DataNode
19093 NodeManager
19743 Jps
[[email protected] ~]# jps
19238 DataNode
19350 NodeManager
14215 QuorumPeerMain
20014 Jps
2、HDFS 的 WEB 介面
訪問 http://192.168.1.200:50070/
3、YARN 的 WEB 介面
訪問 http://192.168.1.200:8088/
六、MapReduce的WordCount驗證
1、上傳需要處理的檔案到 hdfs。
[[email protected] ~]# hadoop fs -put /root/anaconda-ks.cfg /anaconda-ks.cfg
2、進行 wordcount
[[email protected] ~]# cd /usr/local/hadoop/share/hadoop/mapreduce/
[[email protected] mapreduce]# hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount /anaconda-ks.cfg /test
18/11/17 00:04:45 INFO client.RMProxy: Connecting to ResourceManager at namenode01/192.168.1.200:8032
18/11/17 00:04:45 INFO input.FileInputFormat: Total input paths to process : 1
18/11/17 00:04:45 INFO mapreduce.JobSubmitter: number of splits:1
18/11/17 00:04:45 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1541095016765_0004
18/11/17 00:04:46 INFO impl.YarnClientImpl: Submitted application application_1541095016765_0004
18/11/17 00:04:46 INFO mapreduce.Job: The url to track the job: http://namenode01:8088/proxy/application_1541095016765_0004/
18/11/17 00:04:46 INFO mapreduce.Job: Running job: job_1541095016765_0004
18/11/17 00:04:51 INFO mapreduce.Job: Job job_1541095016765_0004 running in uber mode : false
18/11/17 00:04:51 INFO mapreduce.Job: map 0% reduce 0%
18/11/17 00:04:55 INFO mapreduce.Job: map 100% reduce 0%
18/11/17 00:04:59 INFO mapreduce.Job: map 100% reduce 100%
18/11/17 00:04:59 INFO mapreduce.Job: Job job_1541095016765_0004 completed successfully
18/11/17 00:04:59 INFO mapreduce.Job: Counters: 49
File System Counters
FILE: Number of bytes read=1222
FILE: Number of bytes written=241621
FILE: Number of read operations=0
FILE: Number of large read operations=0
FILE: Number of write operations=0
HDFS: Number of bytes read=1023
HDFS: Number of bytes written=941
HDFS: Number of read operations=6
HDFS: Number of large read operations=0
HDFS: Number of write operations=2
Job Counters
Launched map tasks=1
Launched reduce tasks=1
Data-local map tasks=1
Total time spent by all maps in occupied slots (ms)=1758
Total time spent by all reduces in occupied slots (ms)=2125
Total time spent by all map tasks (ms)=1758
Total time spent by all reduce tasks (ms)=2125
Total vcore-milliseconds taken by all map tasks=1758
Total vcore-milliseconds taken by all reduce tasks=2125
Total megabyte-milliseconds taken by all map tasks=1800192
Total megabyte-milliseconds taken by all reduce tasks=2176000
Map-Reduce Framework
Map input records=38
Map output records=90
Map output bytes=1274
Map output materialized bytes=1222
Input split bytes=101
Combine input records=90
Combine output records=69
Reduce input groups=69
Reduce shuffle bytes=1222
Reduce input records=69
Reduce output records=69
Spilled Records=138
Shuffled Maps =1
Failed Shuffles=0
Merged Map outputs=1
GC time elapsed (ms)=99
CPU time spent (ms)=970
Physical memory (bytes) snapshot=473649152
Virtual memory (bytes) snapshot=4921606144
Total committed heap usage (bytes)=441450496
Shuffle Errors
BAD_ID=0
CONNECTION=0
IO_ERROR=0
WRONG_LENGTH=0
WRONG_MAP=0
WRONG_REDUCE=0
File Input Format Counters
Bytes Read=922
File Output Format Counters
Bytes Written=941
3、檢視結果
[[email protected] mapreduce]# hadoop fs -cat /test/part-r-00000
# 11
#version=DEVEL 1
$6$kRQ2y1nt/B6c6ETs$ITy0O/E9P5p0ePWlHJ7fRTqVrqGEQf7ZGi5IX2pCA7l25IdEThUNjxelq6wcD9SlSa1cGcqlJy2jjiV9/lMjg/ 1
%addon 1
%end 2
%packages 1
--all 1
--boot-drive=sda 1
--bootproto=dhcp 1
--device=enp1s0 1
--disable 1
--drives=sda 1
--enable 1
--enableshadow 1
--hostname=localhost.localdomain 1
--initlabel 1
--ipv6=auto 1
--isUtc 1
--iscrypted 1
--location=mbr 1
--onboot=off 1
--only-use=sda 1
--passalgo=sha512 1
--reserve-mb='auto' 1
--type=lvm 1
--vckeymap=cn 1
--xlayouts='cn' 1
@^minimal 1
@core 1
Agent 1
Asia/Shanghai 1
CDROM 1
Keyboard 1
Network 1
Partition 1
Root 1
Run 1
Setup 1
System 4
Use 2
auth 1
authorization 1
autopart 1
boot 1
bootloader 2
cdrom 1
clearing 1
clearpart 1
com_redhat_kdump 1
configuration 1
first 1
firstboot 1
graphical 2
ignoredisk 1
information 3
install 1
installation 1
keyboard 1
lang 1
language 1
layouts 1
media 1
network 2
on 1
password 1
rootpw 1
the 1
timezone 2
zh_CN.UTF-8 1
七、Hadoop 的使用
檢視fs幫助命令: hadoop fs -help
檢視HDFS磁碟空間: hadoop fs -df -h
建立目錄: hadoop fs -mkdir
上傳本地檔案: hadoop fs -put
檢視檔案: hadoop fs -ls
檢視檔案內容: hadoop fs –cat
複製檔案: hadoop fs -cp
下載HDFS檔案到本地: hadoop fs -get
移動檔案: hadoop fs -mv
刪除檔案: hadoop fs -rm -r -f
刪除資料夾: hadoop fs -rm –r