欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

大数据学习记录_02_hadoop基础以及集群安装

程序员文章站 2022-03-02 17:42:19
第一部分 大数据简介 第一节 大数据的定义 ​大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 第二节 大数据的特点 大数据的特点可以用IBM曾经提出的“5V”来描述,如下 ......

第一部分 大数据简介

第一节 大数据的定义

​ 大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

第二节 大数据的特点

大数据的特点可以用ibm曾经提出的“5v”来描述,如下:
大数据学习记录_02_hadoop基础以及集群安装

  • volume 大量

    采集、存储和计算的数据量都非常大

    计算机存储单位一般都用b、kb、mb、gb、tb、pb、eb、zb、yb、bb、nb、db来表示,他们之间的关系是:

    1gb = 1024 mb 1tb = 1024 gb

    1pb = 1024 tb 1eb = 1024 pb

    1zb = 1024 eb 1yb = 1024 zb 1bb = 1024 yb

    1nb = 1024 bb

    1db = 1024 nb

    以pb为例,pb级数据量有多大?是怎样的一个概念?

    假如手机播放mp3的速度为平均每分钟1mb,而1首歌曲的平均时长为4分钟,那么1pb存量的歌曲可以连续

    播放2000年。


​ 1pb 也相当于50%的全美学术研究图书馆藏书咨询内容。

​ (1)1986年,全球只有0.02eb也就是约21000tb的数据量

​ (2)2007年,全球就是280eb也就是约300000000tb的数据量,翻了14000倍

​ (3)近些年,由于移动互联网及物联网的出现,各种终端设备的接入,各种业务形式的普及,平均每40个月,全球的数据量就会翻倍!2012年,每天会产生2.5eb的数据量

​ (4)基于idc的报告预测,从2013年到2020年,全球数据量会从4.4zb猛增到44zb!而到了2025年,全球会有163zb的数据量!

​ 全球的数据量已经大到爆了!而传统的关系型数据库根本处理不了如此海量的数据!

  • velocity 高速

    在大数据时代,数据的创建、存储、分析都要求被高速处理,比如电商网站的个性化推荐尽可能要求实时完成,这也是大数据区别于传统数据挖掘的显著特征。

  • variety 多样

    数据的形式和来源多样化。包括结构化、半结构化和非结构化数据,具体表现为网络日志、音频、视频、图片、地理位置信息等等,多类型的数据对数据的处理能力提出了更高的要求。

  • veracity 真实

    确保数据的真实性,才能保证数据分析的正确性。

  • value 低价值

    数据价值密度相对较低,或者说是浪里淘沙却又弥足珍贵。互联网发展催生了大量数据,信息海量但价值

第三节 大数据的应用场景

​ 随着大数据的发展,大数据技术已经广泛应用在众多行业,比如仓储物流、电商零售、汽车、电信、生物医学、人工智能、智慧城市等等领域,包括在疫情防控战中,大数据技术也发挥了重要的作用。

  • 仓储物流

    大数据技术驱动了仓储物流领域的智能化发展,以苏宁为例,苏宁物流可在全国的各级仓库间实现只能分仓、就近备货和预测试调拨,实现“客户需要的商品就在离客户最近的配送中心”。

  • 电商零售

    • 零售业“啤酒+纸尿裤”案例
    • 个性推荐
    • “双十一购物节” 实时销售额度大屏
  • 汽车

    利用了大数据和物联网技术的无人汽车驾驶,在不远的未来将走入我们的日常生活

  • 电信

    移动联通根据用户年龄、职业、消费情况,分析统计那种套餐适合哪类人,对市场人群精准定制

  • 生物医学

    大数据可以帮助我们实现流行病预测、智慧医疗、健康管理,同时还可以帮助我们解读dna,了解更多的生命奥秘。比如影像大数据支撑下的早起肺癌支撑平台,基于大量病例数据样本,制定早期肺癌高危人群预警指标。

  • 智慧城市

    大数据有效支撑智慧城市发展,成为城市的“数据大脑”。比如,在智慧城市建设上,杭州始终走在全国前列。如覆盖面广的移动支付、新颖的在线医疗模式、创新的物流运输模式,都受到较大关注。2016年,杭州被《中国新型智慧城市》白皮书评委“中国最智慧的城市”。

第二部分 hadoop简介

第一节 什么是hadoop

​ hadoop是一个适合大数据的分布式存储和计算平台。

​ 如前所述,狭义上说hadoop就是一个框架平台,广义上讲hadoop代表了大数据的一个技术生态圈,包括很多其他的软件框架:

  • hadoop(hdfs + mapreduce + yarn)
  • hive 数据仓储工具
  • hbase 海量列式非关系型数据
  • flume 数据采集工具
  • sqoop etl工具
  • kafka 高吞吐消息中间件
  • ......

第二节 hadoop起源

hadoop的发展历程可以用如下过程概述:

  • nutch

    hadoop最早起源于nutch,nutch 的创始人是doug cutting。

    nutch 是一个开源 java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和web爬虫,但随着抓取网页数量的增加,遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

  • google论文(老三驾马车 gfs、mapreduce、bigtable)

    2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。gfs,可用于处理海量网页的存储;

    mapreduce,可用于处理海量网页的索引计算问题。

    google的三篇论文(三驾马车)

    gfs:google的分布式文件系统(google file system)

    mapreduce:google的分布式计算框架

    bigtable:大型分布式数据库

    发展演变关系:

    gfs —> hdfs

    google mapreduce —> hadoop mapreduce

    bigtable —> hbase

  • hadoop产生

    google公布了部分gfs和mapreduce思想的细节,doug cutting等人用2年的业余时间实现了dfs和mapreduce机制,使nutch性能飙升。

  • 成为apache*项目

    2005年,hadoop 作为lucene的子项目nutch的一部分引入apache

    2006年,hadoop从nutch剥离出来独立

    2008年,hadoop成为apache的*项目

  • cloudera公司成立

第三节 hadoop的特点

大数据学习记录_02_hadoop基础以及集群安装

第四节 hadoop的发行版本

​ 目前hadoop发行版非常多,有cloudera发行版(cdh)、hortonworks发行版、华为发行版、intel发行版等,所有这些发行版均是基于apache hadoop衍生出来的,之所以有这么多的版本,是由apache hadoop的开源协议决定的(任何人可以对其进行修改,并作为开源或商业产品发布/销售)。

​ 企业中主要用到的三个版本分别是:apache hadoop版本(最原始的,所有发行版均基于这个版本进行改进)、cloudera版本(cloudera’s distribution including apache hadoop,简称“cdh”)、hortonworks版本(hortonworks data platform,简称“hdp”)。

  • apache hadoop 原始版本

    官网地址:

    优点:拥有全世界的开源贡献,代码更新版本比较快

    缺点:版本的升级,版本的维护,以及版本之间的兼容性,学习非常方便

    apache所有软件的下载地址(包括各种历史版本):

  • 软件收费版本clouderamanager cdh版本 --生产环境使用

    官网地址:

    cloudera主要是美国一家大数据公司在apache开源hadoop的版本上,通过自己公司内部的各种补丁,实现版本之间的稳定运行,大数据生态圈的各个版本的软件都提供了对应的版本,解决了版本的升级困难,版本兼容性等各种问题,生产环境强烈推荐使用

  • 免费开源版本hortonworks hdp版本--生产环境使用

    官网地址: hortonworks主要是雅虎主导hadoop开发的副总裁,带领二十几个核心成员成立hortonworks,核心产品软件hdp(ambari),hdf免费开源,并且提供一整套的web管理界面,供我们可以通过web界面管理我们的集群状态,web管理界面软件hdf网址(http://ambari.apache.org/)

第五节 apache hadoop 版本更迭

0.x 系列版本:hadoop当中最早的一个开源版本,在此基础上演变而来的1.x以及2.x的版本

1.x 版本系列:hadoop版本当中的第二代开源版本,主要修复0.x版本的一些bug等

2.x 版本系列:架构产生重大变化,引入了yarn平台等许多新特性

3.x 版本系列:ec技术、yarn的时间轴服务等新特性

第六节 hadoop的优缺点

hadoop的优点

  • hadoop具有存储和处理数据能力的高可靠性。
  • hadoop通过可用的计算机集群分配数据,完成存储和计算任务,这些集群可以方便的扩展到数以千计的节点中,具有高扩展性。
  • hadoop能够在姐点之间进行动态的移动数据,并保证各个节点的动态平衡,处理速度非常快,具有高效性。
  • hadoop能够自动保存数据的多个副本,并且能够自动将失败的任务重新分配,具有高容错性。

hadoop的缺点

  • hadoop不适用于低延迟数据访问
  • hadoop不能高效存储大量小文件
  • hadoop不支持多用户写入并任意修改文件

第三部分 apache hadoop的组成

hadoop = hdfs(分布式文件系统) + mapreduce(分布式计算框架) + yarn(资源协调框架) + common模块

  1. hadoop hdfs:(hadoop distribute file system)一个高可靠、高吞吐量的分布式文件系统,比如:100t数据存储

    将数据切割,100t数据拆分为10g一个数据块由一个电脑节点存储这个数据块。

    数据切割、制作副本、分散存储

大数据学习记录_02_hadoop基础以及集群安装

​ 图片中涉及到的几个角色:

  • namenode(nn):存储文件的元数据,比如文件名、文件目录结构、文件属性(生成时间、副本数、文件权限),以及每个文件的块列表和块所在的datanode等。

  • secondarynamenode(2nn):辅助namenode更好的工作,用来监控hdfs状态的辅助后台程序,每隔一段时间获取hdfs元数据快照。

  • datanode(dn):在本地文件系统存储文件块数据,以及块数据的校验

    注意:nn,2nn,dn这些即使角色名称,进程名称,代指电脑节点名称!!

  1. hadoop mapreduce:一个分布式的离线并行计算框架

    拆解任务、分散处理、汇整结果

    map阶段就是“分”的阶段,并行处理输入数据;

    reduce阶段就是“合”的节点,对map阶段结果进行汇总;

大数据学习记录_02_hadoop基础以及集群安装

  1. hadoop yarn:作业调度与集群资源管理的框架

    计算资源协调

大数据学习记录_02_hadoop基础以及集群安装

​ yarn中有如下几个主要角色,同样,即使用户名、也是进程名,也代指所在的计算机节点名称。

resourcemanager(rm):处理客户端请求,启动/监控applicationmaster、监控nodemanager、资源分配与调度;

nodemanager(nm):单个节点上的资源管理、处理来自resourcemanager的命令、处理来自applicationmaster的命令;

applicationmaster(am):数据切分、为应用程序申请资源,并分配给内部任务、任务监控与容错。

container:对任务运行环境的抽象,封装了cpu、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

直白点来说,resourcemanager是老大,nodemanager是小弟,applicationmaster是计算任务专员。

大数据学习记录_02_hadoop基础以及集群安装

  1. hadoop common:支持其他模块的工具模块(configuration、rpc、序列化机制、日志操作等)

第四部分 apache hadoop 完全分布式集群搭建

搭建环境

  • 软件和操作系统版本

    hadoop框架是采用java语编写的,需要java环境(jvm),jdk版为jdk8

    集群使用vmware虚拟机虚拟三台linux节点,linux操作系统为centos7

  • hadoop搭建方式

    单机模式:单节点模式,非集群,生产环境不会使用

    单机伪分布式模式:单节点,多线程模拟集群的效果,生产不会使用这种方式

    完全分布式集群模式:多台节点,真正的分布式hadoop集群的搭建(生产环境)

第一节:虚拟机环境准备

  1. 三台虚拟机(静态ip,关闭防火墙,修改主机名,配置免密登录)

    配置过程详见上一章...

  2. /opt目录下创建文件夹

    mkdir -p /opt/software --软件安装包存放目录 
    mkdir -p /opt/servers --软件安装目录
    
  3. hadoop下载地址:

    https://archive.apache.org/dist/hadoop/common/hadoop-2.9.2/
    

    hadoop官网地址:

    http://hadoop.apache.org/
    
  4. 上传hadoop安装文件到/opt/software

第二节 集群规划

框架 wanglj01 wanglj02 wanglji03
hdfs namenode、datanode datanode secondarynamenode、datanode
yarn nodemanager nodemanager nodemanager、resourcemanager

第三节 安装hadoop

  • 登录wanglj01节点;进入/opt/software,解压安装文件到/opt/servers

    tar -zxvf hadoop-2.9.2.tar.gz -c ../servers/
    
  • 添加hadoop到环境变量中

    vim /etc/profile
    
    # 添加以下内容
    ## hadoop_home
    export hadoop_home=/opt/servers/hadoop-2.9.2 
    export path=$path:$hadoop_home/bin 
    export path=$path:$hadoop_home/sbin
    
    # 保存文件修改后使环境变量生效
    source /etc/profile
    
  • 验证hadoop

    hadoop version
    

    校验结果:
    大数据学习记录_02_hadoop基础以及集群安装

  • hadoop目录

drwxr-xr-x. 2 501 dialout    194 nov 13  2018 bin
drwxr-xr-x. 3 501 dialout     20 nov 13  2018 etc
drwxr-xr-x. 2 501 dialout    106 nov 13  2018 include
drwxr-xr-x. 3 501 dialout     20 nov 13  2018 lib
drwxr-xr-x. 2 501 dialout    239 nov 13  2018 libexec
-rw-r--r--. 1 501 dialout 106210 nov 13  2018 license.txt
-rw-r--r--. 1 501 dialout  15917 nov 13  2018 notice.txt
-rw-r--r--. 1 501 dialout   1366 nov 13  2018 readme.txt
drwxr-xr-x. 3 501 dialout   4096 nov 13  2018 sbin
drwxr-xr-x. 4 501 dialout     31 nov 13  2018 share

1. bin目录:对hadoop进行操作的相关命令,如hadoop,hdfs等 
2. etc目录:hadoop的配置文件目录,入hdfs-site.xml,core-site.xml等 
3. lib目录:hadoop本地库(解压缩的依赖) 
4. sbin目录:存放的是hadoop集群启动停止相关脚本,命令 
5. share目录:hadoop的一些jar,官方案例jar,文档等

3.1 集群配置

集群配置说明

​ hadoop集群配置 = hdfs集群配置 + mapreduce集群配置 + yarn集群配置

  • hdfs集群配置
    1. 将jdk路径明确配置给hdfs(修改hadoop-env.sh)
    2. 指定namenode节点以及数据存储目录(修改core-site.xml)
    3. 制定secondarynamenode节点(修改hdfs-site.xml)
    4. 制定datanode从节点(修改/etc/hadoop/slaves文件,每个节点配置信息占一行)
  • mapreduce集群配置
    1. 将jdk路径明确配置给mapreduce(修改mapred-env.sh)
    2. 指定mapreduce计算框架运行yarm资源调度框架(修改mapred-site.xml)
  • yarn集群配置
    1. 将jdk路径明确配置给yarn(修改yarn-env.sh)
    2. 指定resourcemanager老大节点所在的计算机节点(修改yarn-site.xml)
    3. 制定nodemanager节点(会通过slaves文件内容确定)

集群配置具体步骤

hdfs 集群配置
cd /opt/servers/hadoop-2.9.2/ect/hadoop
  • 配置jdk路径(hadoop-env.sh)

    vim hadoop-env.sh
    
    export java_home=/opt/servers/jdk1.8.0_231
    
  • 指定namenode节点以及数据存储目录(修改core-site.xml)

    vim core-site.xml 
    
    <!-- 指定hdfs中namenode的地址 -->
    <property>
    	<name>fs.defaultfs</name> 
    	<value>hdfs://wanglj01:9000</value> 
    </property> 
    
    <!-- 指定hadoop运行时产生文件的存储目录 --> 
    <property> 
    	<name>hadoop.tmp.dir</name> 
    	<value>/opt/servers/hadoop-2.9.2/data/tmp</value> 
    </property>
    

    core-site.xml的默认配置官方文档:

    https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/core- default.xml
    

    注意:如果希望在web页面可以操作hdfs文件系统,需要增加以下配置:

    <!-- 设置用户 -->
    <property>
      <name>hadoop.http.staticuser.user</name>
      <value>root</value>
    </property>
    <!-- 不开启权限检查 -->
    <property>
      <name>dfs.permissions.enabled</name>
      <value>false</value>
    </property>
    
  • 指定secondarynamenode节点(修改hdfs-site.xml)

    vim hdfs-site.xml
    
    <!-- 指定hadoop辅助名称节点主机配置 --> 
    <property> 
    	<name>dfs.namenode.secondary.http-address</name>
    	<value>wanglj03:50090</value>
    </property> 
    
    <!--副本数量 -->
    <property>
    	<name>dfs.replication</name>
    	<value>3</value>
    </property>
    

    官方默认配置:

    https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfs- default.xml
    
  • 指定datanode从节点(修改slaves文件,每个节点配置信息占一行)

    vim slaves
    
    wanglj01
    wanglj02
    wnaglj03
    

    注意:该文件中添加的内容结尾不允许有空格,文件中不允许有空行。

  • 指定mapreduce使用的jdk路径(修改mapred-env.sh)

    vim mapred-env.sh
    
    export java_home=/opt/servers/jdk1.8.0_231
    
  • 指定mapreduce计算框架运行yarn资源调度框架(修改mapred-site.xml)

    mv mapred-site.xml.template mapred-site.xml
    vim mapred-site.xml
    
    <!-- 指定mr运行在yarn上 -->
    <property>
    	<name>mapreduce.framework.name</name>
    	<value>yarn</value>
    </property>
    

    mapred-site.xml默认配置

    https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml 
    
yarn集群配置
  • 指定jdk路径

    vim yarn-env.sh
    
    export java_home=/opt/servers/jdk1.8.0_231
    
  • 指定resourcemanager的master节点信息(修改yarn-site.xml)

    vim yarn-site.xml 
    
    <!-- 指定yarn的resourcemanager的地址 --> 
    <property>
    	<name>yarn.resourcemanager.hostname</name>
    	<value>wanglj03</value> 
    </property>
    
    <!-- reducer获取数据的方式 -->
    <property>
    	<name>yarn.nodemanager.aux-services</name>
    	<value>mapreduce_shuffle</value>
    </property>
    

    yarn-site.xml的默认配置

    https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarn-default.xml
    
  • 指定nodemanager节点(slaves文件已修改)

注意:hadoop安装目录所属用户和所属用户组信息,默认是501 dialout,而我们操作hadoop集群的用户使

用的是虚拟机的root用户,

所以为了避免出现信息混乱,修改hadoop安装目录所属用户和用户组!!

chown -r root:root /opt/servers/hadoop-2.9.2

3.2 分发配置

编写集群分发脚本 rsync-script

  • rsync 远程同步工具

    rsync主要用于备份和镜像。具有速度快,避免复制相同内容和支持符号链接的优点。

    rsync和scp的区别:用rsync做文件的复制要比scp的速度快,rsync只对差异文件做更新,scp是把所有文件都复制过去。

    1. 基本语法

      rsync -rvl $pdir/$fname $user@$host:$pdir/$fname
      # rsync											命令
      # -rvl											选项参数
      # $pdir/$fname							要拷贝的文件路径/名称
      # $user@$host:$pdir/$fname	目的用户@主机:目的路径/名称
      
    2. 选项参数说明

      选项 功能
      -r 递归
      -v 显示复制过程
      -l 拷贝符号链接
  • rsync 案例

    1. 三台虚拟机安装rsync

      yum install -y rsync
      
    2. wanglj01机器上的/opt/software目录同步到wanglj02服务器的root用户下的/opt/目录

      rsync -rvl /opt/software/ root@wanglj02:/opt/software
      
  • 集群分发脚本编写

    1. 需求:循环复制文件到集群所有节点的相同目录下

      rsync命令原始拷贝:

      rsync -rvl /opt/module root@wanglj03:/opt/
      
    2. 期望脚本

      脚本+要同步的文件名称

    3. 说明

      /user/local/bin这个目录下存放的脚本,root用户可以在系统任何地方直接执行。

    4. 脚本实现

      # 创建脚本
      cd /usr/local/bin
      touch rsync-script
      # 编辑脚本
      vim rsync-script
      
      # 以下是shell脚本内容:
      #!/bin/bash 
      #1 获取命令输入参数的个数,如果个数为0,直接退出命令 
      paramnum=$# 
      if((paramnum==0)); then
      echo no params; 
      exit; 
      fi
      
      #2 根据传入参数获取文件名称 
      p1=$1 
      file_name=`basename $p1` 
      echo fname=$file_name
      
      #3 获取输入参数的绝对路径 
      pdir=`cd -p $(dirname $p1); pwd` 
      echo pdir=$pdir
      
      #4 获取用户名称 
      user=`whoami` 
      
      #5 循环执行rsync 
      for((host=1; host<4; host++)); do 
      echo ------------------- wanglj0$host --------------
      rsync -rvl $pdir/$file_name $user@wanglj0$host:$pdir
      done
      
    5. 修改脚本权限

      chmod 777 rsync-script
      
    6. 测试脚本

      调用脚本形式:rsync-script 文件名称

      rsync-script /opt/servers/hadoop-2.9.2
      

第四节 启动集群

注意:如果集群是第一次启动,需要在namenode所在的节点格式化namenode,飞第一次不用执行格式化namenode操作。

4.1 集群启动

  1. 格式化:
hadoop namenode -format

大数据学习记录_02_hadoop基础以及集群安装

格式化后创建的文件:/opt/servers/hadoop-2.9.2/data/tmp/dfs/name/current

大数据学习记录_02_hadoop基础以及集群安装

  1. 启动hdfs

    cd /opt/servers/hadoop-2.9.2/sbin/
    # 启动集群
    ./start-dfs.sh
    # 查看所有java进城
    jps
    

大数据学习记录_02_hadoop基础以及集群安装

其它两台机器上执行jsp命令:

[root@wanglj02 ~]# jps
30758 datanode
30847 jps

[root@wanglj03 ~]# jps
19159 datanode
19258 secondarynamenode
19307 jps
  1. 启动yarn(在wanglj03上)

    ./start-yarn.sh
    

    注意:namenode和resourcemanager不是在同一台机器上,不能在namenode上启动yarn,应该在resourcemanager所在的机器上启动yarn。

  2. web端查看hdfs界面(这里直接用wanglj01是因为有提前配置hosts)

    http://wanglj01:50070/dfshealth.html#tab-overview
    

4.2 hadoop集群启动停止命令汇总

  1. 各个服务组件逐一启动/停止

    分别启动/停止hdfs组件

    hadoop-daemon.sh start / stop namenode / datanode / secondarynamenode
    

    启动/停止yarn

    yarn-daemon.sh start / stop resourcemanager / nodemanager
    
  2. 各个模块分开启动/停止(配置ssh是前提)常用

(1)整体启动/停止hdfs

./start-dfs.sh 
./stop-dfs.sh

(2)整体启动/停止yarn

start-yarn.sh
stop-yarn.sh

第五节 集群测试

  1. hdfs 分布式存储测试

    从linux本地文件系统上传下载文件验证hdfs集群工作正常

    hdfs dfs -mkdir -p /test/input 
    #本地hoome目录创建一个文件 
    cd /root 
    
    vim test.txt 
    
    hello hdfs 
    
    #上传linxu文件到hdfs 
    hdfs dfs -put /root/test.txt /test/input 
    
    #从hdfs下载文件到linux本地 
    hdfs dfs -get /test/input/test.txt
    
  2. mapreduce 分布式计算测试

    • 在hdfs文件系统根目录下创建一个wcinput文件夹

      hdfs dfs -mkdir /wcinput
      
    • /root/目录下创建一个wc.txt文件(本地系统文件)

      cd /root/
      # 创建文件
      touch wc.txt
      # 编辑文件
      vim wc.txt
      
    • 在文件中输入如下内容

      hadoop mapreduce yarn hdfs hadoop mapreduce mapreduce yarn spark flink zookeeper
      
    • 上传wc.txt到hdfs目录/wcinput

      hdfs dfs -put wc.txt /wcinput
      
    • 回到hadoop目录/opt/servers/hadoop-2.9.2执行程序

      hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput
      
    • 查看结果

      hdfs dfs -cat /wcoutput/part-r-00000
      
      doop	1
      flink	1
      hadoop	1
      hdfs	1
      mapreduce	3
      spark	1
      yarn	2
      zookeeper	1
      

      也可以在web页面访问到该文件:

大数据学习记录_02_hadoop基础以及集群安装

第六节 配置历史服务器

​ 在yarn中运行的任务产生的日志数据不能查看,为了查看程序的历史运行情况,需要配置一下历史服务器日志。具体配置步骤如下:

  1. 配置mapred-site.xml

    vim mapred-site.xml	
    
    # 增加如下配置
    <!-- 历史服务器端地址 -->
    <property>
    	<name>mapreduce.jobhistory.address</name> 
    	<value>wanglj01:10020</value>
    </property>
    <!-- 历史服务器web端地址 --> 
    <property> 
    	<name>mapreduce.jobhistory.webapp.address</name> 
    	<value>wanglj01:19888</value>
    </property>
    
  2. 分发到其它节点

    rsync-script mapred-site.xml
    
  3. 启动历史服务器

    ./mr-jobhistory-daemon.sh start historyserver
    
  4. 查看jobhistory

    http://wanglj01:19888/jobhistory
    

6.1 配置日志的聚集

日志聚集:应用(job)运行完成以后,将应用运行日志信息从各个task汇总上传到hdfs系统上。

日志聚集的优势:可以方便的查看到程序运行详情,方便开发调试。

注意:开启日志聚集功能,需要重新启动nodemanager、resourcemanager和historymanager。

开启日志聚集功能具体步骤如下:

  1. 配置yarn-site.xml
vim yarn-site.xml
# 在文件里面增加如下配置
<!-- 日志聚集功能使能 -->
<property>
	<name>yarn.log-aggregation-enable</name>
	<value>true</value>
</property>
<!-- 日志保留时间设置7天 -->
<property>
	<name>yarn.log-aggregation.retain-seconds</name>
  <value>604800</value>
</property>
  1. 分发到其它节点

    rsync-script yarn-site.xml
    
  2. 重启nodemanager、resourcemanager和historymanager

    cd /opt/servers/hadoop-2.9.2/
    # 全部关闭
    ./sbin/yarn-daemon.sh stop resourcemanager
    ./sbin/yarn-daemon.sh stop nodemanager
    ./sbin/mr-jobhistory-daemon.sh stop historyserver
    # 重新开启
    ./sbin/yarn-daemon.sh start resourcemanager
    ./sbin/yarn-daemon.sh start nodemanager
    ./sbin/mr-jobhistory-daemon.sh start historyserver
    
  3. 删除hdfs上已经存在的输出文件

    hdfs dfs -rm -r /wcoutput
    
  4. 执行wordcount程序

    hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput
    
  5. 查看日志

    http://wanglj01:19888/jobhistory
    

大数据学习记录_02_hadoop基础以及集群安装
大数据学习记录_02_hadoop基础以及集群安装
大数据学习记录_02_hadoop基础以及集群安装