Hadoop原理与安装

以你之姓@ 2022-05-31 07:53 188阅读 0赞

Hadoop的两大核心原理：MapReduce和HDFS，在安装Hadoop之前一定要深入的理解这些原理，才有助于安装过程中的故障排查以及以后使用中的问题分析。

HDFS：就是分布式的一群存储拼接成一个大存储，集群内数据做分片、备份、元数据管理、消息通信等，这些对于使用者来说是透明的。

Block（数据块）：最基本的存储单元，一个文件可以存为多个block，每个block可以在多个datanode上保留副本，默认为3份。

Datanode（数据节点\-**需要重点掌握**）：真正负责存储的节点。

Namenode（元数据节点\-**需要重点掌握**）：负责管理文件目录、文件与block的对应关系，以及block与datanode的关系。Namenode的元数据是在内存中管理的，相关的有2个文件，fsimage - 它是在NameNode启动时对整个文件系统的快照；edit logs -它是在NameNode启动后，对文件系统的改动序列。显然edit logs将会随运行越久不断增长直到下次重启。

SecondaryNameNode：就是来帮助解决上述问题的，它的职责是合并NameNode的edit logs到fsimage文件中。

![20180212144754749][]

以上是HDFS相关的定义，下面再来看下运行时Hadoop各个节点间是如何协作的。对HDFS的操作主要是读和写。

HDFS的写：Client负责拆分block

![20180212144834376][]

HDFS的读：Client负责append block

![20180212144854402][]

HDFS优点：高可用性、高扩展性、低成本

缺点：延时性、不支持多用户写入、无法高效管理海量小文件

MapReduce经历了1.0时代和2.0时代，2.0又叫YARN。

Mapreduce1.0原理

JobClient：门户，代理，拉皮条的，提交job给jobTracker

JobTracker负责管理job的失败、重启等

TaskTracker，真正干活的节点

![20180212144935237][]

MapReduce存在的缺陷：  
1 Job Tracker 存在单点故障  
2 Job Tracker 完成太多任务，当MR任务非常多时，造成很大的内存开销  
3 Task Tracker 端，如果两个大内存消耗的任务一起调度，容易出现OOM，如果只有Map任务或Reduce任务时会造成资源浪费

MapReduce2.0-YARN原理

ResourceManager：YARN资源框架控制中心，负责集群资源管理调度

NodeManager：是resourceManager在每台机器上的代理，负责容器管理，监控资源使用情况（CPU、内存、磁盘、网络等）

container：真正干活的容器，容器里运行task和applicationMaster，可以是任何命令（例如java、python、C++）

applicationMaster：任务大总管，负责向resourceManager申请资源，请求nodeManager启动container并告知container要做什么事情

![20180212144958495][]

与老的MapReduce相比，YARN把资源管理与任务调度的工作分离开来（交给ApplicationMaster去做），减少了MapReduce中Job Tracker的压力

我准备搭建3节点的Hadoop集群：

192.168.226.135 master

192.168.226.133 slaver1

192.168.226.136 slaver2

1规划集群

我准备搭建一个3节点的hadoop集群，master、slaver1、slaver2，我现在有3台虚拟机（centos7.0），先配置好操作系统的hostname和hosts

机器1：192.168.226.135à mastr

修改/etc/hostname，机器名修改为master

修改/etc/hosts，添加其它两个节点的映射:

192.168.226.133    slaver1

192.168.226.136    slaver2

机器2：192.168.226.133à slaver1

修改/etc/hostname，机器名修改为slaver1

修改/etc/hosts，添加其它两个节点的映射:

192.168.226.135    master

192.168.226.136    slaver2

机器3：192.168.226.136à slaver2

修改/etc/hostname，机器名修改为slaver2

修改/etc/hosts，添加其它两个节点的映射:

192.168.226.135    master

192.168.226.133    slaver1

2设置SSH免登录

hadoop的进程之间通信使用ssh方式，需要每次都要输入密码。为了实现自动化操作，需要配置ssh免密码登陆方式。

2.1 /etc/ssh/sshd\_config去掉2行注解

\#RSAAuthentication yes  
\#PubkeyAuthentication yes

2.2 ssh-keygen-t rsa，生成key，使用默认的一直回车，/root下就会生成.ssh文件夹

2.3 合并所有节点的/root/.ssh/id\_rsa.pub文件到一起

cat id\_rsa.pub>> authorized\_keys

ssh root@slaver1 cat/root/.ssh/id\_rsa.pub>> authorized\_keys

2.4 把Master服务器的authorized\_keys复制到Slave服务器的/root/.ssh目录

在slaver节点上scproot@master:/root/.ssh/authorized\_keys.

执行完毕后hadoop集群间可以直接ssh不需要密码了。

3安装Hadoop

下载地址：[http://archive.apache.org/dist/hadoop/core/hadoop-2.9.0/][http_archive.apache.org_dist_hadoop_core_hadoop-2.9.0]

Wget方式下载，gunzip，tar

4安装配套的JDK

下载地址：http://download.oracle.com/otn-pub/java/jdk/8u161-b12/2f38c3b165be4555a1fa6e98c45e0808/jre-8u161-linux-i586.tar.gz

我的目录/home/hadoop/java/jdk1.8.0\_162

5修改Hadoop的etc配置

Hadoop的配置都在/hadoop\_home/etc/hadoop下

修改core-site.xml:

<configuration>
    <property>
            <name>fs.defaultFS</name>
            <value>hdfs://master:9000</value>
        </property>
        <property>
            <name>hadoop.tmp.dir</name>
            <value>file:/home/hadoop/tmp</value>
        </property>
        <property>
            <name>io.file.buffer.size</name>
            <value>131702</value>
        </property>
    </configuration>

修改 hdfs-site.xml ：

<configuration>
    <property>
            <name>dfs.namenode.name.dir</name>
            <value>file:/home/hadoop/dfs/name</value>
        </property>
        <property>
            <name>dfs.datanode.data.dir</name>
            <value>file:/home/hadoop/dfs/data</value>
        </property>
        <property>
            <name>dfs.replication</name>
            <value>3</value>
    </property>
    </configuration>

修改 mapred-site.xml ：

<configuration>
    <property>
            <name>mapreduce.framework.name</name>
            <value>yarn</value>
        </property>
    </configuration>

修改yarn-site.xml：

<configuration>
    
    
    <property>
            <name>yarn.resourcemanager.hostname</name>
            <value>master</value>
       </property>
       <property>
            <description>The address of the applications manager interface in the RM.</description>
            <name>yarn.resourcemanager.address</name>
            <value>${yarn.resourcemanager.hostname}:8032</value>
       </property>
       <property>
            <description>The address of the scheduler interface.</description>
            <name>yarn.resourcemanager.scheduler.address</name>
            <value>${yarn.resourcemanager.hostname}:8030</value>
       </property>
       <property>
            <description>The http address of the RM web application.</description>
            <name>yarn.resourcemanager.webapp.address</name>
            <value>${yarn.resourcemanager.hostname}:8088</value>
       </property>
       <property>
            <description>The https adddress of the RM web application.</description>
            <name>yarn.resourcemanager.webapp.https.address</name>
            <value>${yarn.resourcemanager.hostname}:8090</value>
       </property>
       <property>
            <name>yarn.resourcemanager.resource-tracker.address</name>
            <value>${yarn.resourcemanager.hostname}:8031</value>
       </property>
       <property>
            <description>The address of the RM admin interface.</description>
            <name>yarn.resourcemanager.admin.address</name>
            <value>${yarn.resourcemanager.hostname}:8033</value>
       </property>
       <property>
            <name>yarn.nodemanager.aux-services</name>
            <value>mapreduce_shuffle</value>
       </property>
       <property>
            <name>yarn.scheduler.maximum-allocation-mb</name>
            <value>2048</value>
            <discription>每个节点可用内存,单位MB,默认8182MB</discription>
       </property>
    <property>
            <name>yarn.scheduler.minimum-allocation-mb</name>
            <value>512</value>
            <discription>每个节点可用内存,单位MB,默认8182MB</discription>
       </property>
       <property>
            <name>yarn.nodemanager.vmem-pmem-ratio</name>
            <value>2.1</value>
       </property>
       <property>
            <name>yarn.nodemanager.resource.memory-mb</name>
            <value>2048</value>
    </property>
       <property>
            <name>yarn.nodemanager.vmem-check-enabled</name>
            <value>false</value>
    </property>
    </configuration>

Slaves中把内容清空，添加slaves节点的hostname

slaver1

slaver2

6创建目录，在/home/hadoop目录下创建tmp、dfs、dfs/data、dfs/name（根据自己etc里的配置创建）

7设置环境变量

Hadoop\_home和java\_home先配置好，虽然hadoop\_home不是必须的，但是后面命令行操作hdfs会非常麻烦，所以建议一起配置好

Vi /etc/profile

exportHADOOP\_HOME=/home/hadoop/hadoop-2.9.0

export JAVA\_HOME=/home/hadoop/java/jdk1.8.0\_162

export[PATH][]=.:$HADOOP\_HOME/[bin][]:$JAVA\_HOME/[bin][]:$[PATH][]

立刻生效：

source /etc/profile

机器之间如果无法通信，需要关闭防火墙。

systemctl stop firewalld.service

但是关了防火墙还不够，下次重启还会打开

设置开机禁止启动防火墙

systemctl disable firewalld.service

OK，网络通信问题到目前为止都搞定了

8启动Hadoop

先初始化以下hdfs“硬盘”：bin/hdfs namenode -format

全部启动sbin/start-all.sh，也可以分开用sbin/start-dfs.sh、sbin/start-yarn.sh启动hdfs和yarn（不用关心mapreduce1.0了，已经out了）

我建议第一次先启动dfs再启动yarn，一个个排查下，因为第一次直接成功的概率不大，start-all不方便排查问题。

9检查

DFS启动之后，master机器上2个服务nameNode和secondaryNameNode，两台slaver机器上都是dataNode。

ps–ef | grep hadoop

但是这并不代表启动是成功的，需要去确认下日志里有没有报错。

YARN启动之后master机器会多个ResourceManager，slaver节点会多个NodeManager

10操作：

hadoop dfs -mkdir /input

在hdfs上创建个目录先，如果能成功并不代表服务是好的，只能代表nameNode是好的。

hadoop dfs –put yourfile /input/newfilename

如果这一步成功说明master能将文档分段后存储到slaver上了，证明dataNode是好的。

到目前为止只能说Hdfs成功了，还需要继续验证yarn

用hadoop自带的wordcount程序验证：

hadoop jar/home/hadoop/hadoop-2.9.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.0.jarwordcount /input /output

如果成功并且output里有你要的part开头的结果文件，说明安装已经验证完成了，如果失败了通过yarn logs -applicationId application\_1518156964431\_0001来跟踪下失败原因。

PS：输出文件不能重复，如果/output已经存在了那就删掉或者换一个文件名。

安装时的小技巧：

所有的hadoop节点上的内容，无论是master还是slaver，jdk+hadoop\_home的内容都是一模一样的，所以可以先把mater装好，然后虚拟机复制或者scp文件夹拷贝，这样可以减少很多没必要的操作。

Ps：也正是hadoop这种完全相同的特性，使得docker容器\+hadoop也是比较便利的。

Hadoop所有启动命令列表：

start-all.sh启动所有的Hadoop守护进程。包括NameNode、 SecondaryNameNode、DataNode、JobTracker、 TaskTrack  
stop-all.sh 停止所有的Hadoop守护进程。包括NameNode、 Secondary NameNode、DataNode、JobTracker、 TaskTrack  
start-dfs.sh 启动Hadoop HDFS守护进程NameNode、SecondaryNameNode和DataNode  
stop-dfs.sh 停止Hadoop HDFS守护进程NameNode、SecondaryNameNode和DataNode  
hadoop-daemons.sh start namenode 单独启动NameNode守护进程  
hadoop-daemons.sh stop namenode 单独停止NameNode守护进程  
hadoop-daemons.sh start datanode 单独启动DataNode守护进程  
hadoop-daemons.sh stop datanode 单独停止DataNode守护进程  
hadoop-daemons.sh start secondarynamenode 单独启动SecondaryNameNode守护进程  
hadoop-daemons.sh stop secondarynamenode 单独停止SecondaryNameNode守护进程  
start-mapred.sh 启动Hadoop MapReduce守护进程JobTracker和TaskTracker  
stop-mapred.sh 停止Hadoop MapReduce守护进程JobTracker和TaskTracker  
hadoop-daemons.sh start jobtracker 单独启动JobTracker守护进程  
hadoop-daemons.sh stop jobtracker 单独停止JobTracker守护进程  
hadoop-daemons.sh start tasktracker 单独启动TaskTracker守护进程  
hadoop-daemons.sh stop tasktracker 单独启动TaskTracker守护进程

WordCount代码解析：

public class WordCountMap extends Mapper<LongWritable, Text, Text, IntWritable>{
    	
    	//map输出的value类型，常量1
    	private final IntWritable one = new IntWritable(1);
    	
    	//map输出的key类型
    	private Text word = new Text();
    	
    	public void map(LongWritable key, Text value, Context context) 
    			throws IOException, InterruptedException {
    		String line = value.toString();
    		StringTokenizer parse = new StringTokenizer(line);
    		while(parse.hasMoreTokens()) {
    			word.set(parse.nextToken());
    			context.write(word, one);
    		}
    	}
    	
    }

public class WordCountReduce extends Reducer<Text, IntWritable, Text, IntWritable>{
    	
    	public void reduce(Text key, Iterable<IntWritable> values, Context context) 
    			throws IOException, InterruptedException{
    		int sum = 0;
    		for (IntWritable val : values) {
    			sum += val.get();
    		}
    		context.write(key, new IntWritable(sum));
    	}
    }

public class WordCount {
    	
    	public static void main(String[] args) throws Exception{
    		//先设置job的整体配置
    		Configuration conf = new Configuration();
    		Job job = new Job(conf);
    		job.setJarByClass(WordCount.class);
    		job.setJobName("yejingtao-wordcount");
    		
    		//在设置job的入参和出参类型和参数
    		/**
    		 * TextInputFormat是Hadoop默认的输入方法，在TextInputFormat中，每个文件（或其一部分）都会单独作为Map的输入，之后，
    		 * 每一行数据都会产生一个<key,value>形式：其中key值是每个数据的记录在数据分片中的字节偏移量，而value值是每行的内容
    		 */
    		job.setInputFormatClass(TextInputFormat.class);
    		job.setOutputFormatClass(TextOutputFormat.class);
    		FileInputFormat.addInputPath(job, new Path(args[0]));
    		FileOutputFormat.setOutputPath(job, new Path(args[1]));
    		
    		//设置map-reducer的处理类
    		job.setMapperClass(WordCountMap.class);
    		job.setReducerClass(WordCountReduce.class);
    		
    		//详细给出出参的键值对格式
    		job.setOutputKeyClass(Text.class);
    		job.setOutputValueClass(IntWritable.class);
    		
    		job.waitForCompletion(true);
    	}
    }

WordCount数据流图示：

![20180212145550481][]

运行中遇到个很妖的错误：

卡在Map 0% Reduce 0%，无法正常执行map-reduce的运算

这是个巨头疼的问题，我在这个问题上卡了很久。

追踪到application的日志卡在了

Going to preempt 1 due to lack of space formaps

查了网络的资料，怀疑是内存不足，于是修改了yarn的配置并扩展了内存，但是仍没有解决问题，后来无意中看到了yarn有这么一项配置：

![20180212145620362][]

再linux命令查看了一下自己的磁盘df –hl 已经占用了90%（由于企业没有坏境，我是在自己PC上搭建的VM集群，所以磁盘比较紧张），已经超过了配置说明中75%的界限。于是扩展了VM的磁盘后，问题解决！

PS:linux磁盘空间扩展请参考[Linux需要掌握的常用命令和配置][Linux]

[20180212144754749]: /images/20220531/d3352934a4124f2bbd229741d9822303.png
[20180212144834376]: /images/20220531/2dbe55fed6aa49d5bb473dd79f5a5127.png
[20180212144854402]: /images/20220531/95d60f6690ca43408abb4afbb50ab408.png
[20180212144935237]: /images/20220531/33001e54570b44e1a2ee631bd3239bf3.png
[20180212144958495]: /images/20220531/19d401965ebc464dbf3be6f2ae7db4e7.png
[http_archive.apache.org_dist_hadoop_core_hadoop-2.9.0]: http://archive.apache.org/dist/hadoop/core/hadoop-2.9.0/
[PATH]: https://www.baidu.com/s?wd=PATH&tn=44039180_cpr&fenlei=mv6quAkxTZn0IZRqIHckPjm4nH00T1dWPj0vnhcLuynsP1D1PHbs0ZwV5Hcvrjm3rH6sPfKWUMw85HfYnjn4nH6sgvPsT6KdThsqpZwYTjCEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-TLwGUv3EnHm4nj6snjb4PWRsPWcYP1nYr0
[bin]: https://www.baidu.com/s?wd=bin&tn=44039180_cpr&fenlei=mv6quAkxTZn0IZRqIHckPjm4nH00T1dWPj0vnhcLuynsP1D1PHbs0ZwV5Hcvrjm3rH6sPfKWUMw85HfYnjn4nH6sgvPsT6KdThsqpZwYTjCEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-TLwGUv3EnHm4nj6snjb4PWRsPWcYP1nYr0
[20180212145550481]: /images/20220531/33e5756948814a7eacb29f81007be570.png
[20180212145620362]: /images/20220531/49f59522863341119e2c24fa65d74560.png
[Linux]: http://blog.csdn.net/yejingtao703/article/details/79312257