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

Hadoop : 搭建hdfs分布式集群

程序员文章站 2022-05-07 18:50:19
...

什么是大数据

 

基本概念

 

在互联网技术发展到现今阶段，大量日常、工作等事务产生的数据都已经信息化，人类产生的数据量相比以前有了爆炸式的增长，以前的传统的数据处理技术已经无法胜任，需求催生技术，一套用来处理海量数据的软件工具应运而生，这就是大数据！

处理海量数据的核心技术：

  • 海量数据存储：分布式
  • 海量数据运算：分布式

这些核心技术的实现是不需要用户从零开始造*的存储和运算，都已经有大量的成熟的框架来用

 

存储框架：

  • HDFS——分布式文件存储系统（HADOOP中的存储框架）
  • HBASE——分布式数据库系统
  • KAFKA——分布式消息缓存系统(实时流式数据处理场景中应用广泛)

 

运算框架：（要解决的核心问题就是帮用户将处理逻辑在很多机器上并行）

  • MAPREDUCE—— 离线批处理/HADOOP中的运算框架
  • SPARK —— 离线批处理/实时流式计算
  • STORM —— 实时流式计算

 

辅助类的工具（解放大数据工程师的一些繁琐工作）：

  • HIVE —— 数据仓库工具：可以接收sql，翻译成mapreduce或者spark程序运行
  • FLUME——数据采集
  • SQOOP——数据迁移
  • ELASTIC SEARCH —— 分布式的搜索引擎

 

换个角度说，大数据是：

  1. 有海量的数据
  2. 有对海量数据进行挖掘的需求
  3. 有对海量数据进行挖掘的软件工具（hadoop、spark、storm、flink、tez、impala......）

 

大数据在现实生活中的具体应用

  • 数据处理的最典型应用：公司的产品运营情况分析
  • 电商推荐系统：基于海量的浏览行为、购物行为数据，进行大量的算法模型的运算，得出各类推荐结论，以供电商网站页面来为用户进行商品推荐
  • 精准广告推送系统：基于海量的互联网用户的各类数据，统计分析，进行用户画像（得到用户的各种属性标签），然后可以为广告主进行有针对性的精准的广告投放

 

什么是hadoop

hadoop中有3个核心组件：

  1. 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
  2. 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
  3. 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

 

hdfs整体运行机制

hdfs：分布式文件系统

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

 

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）

 

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！

 

搭建hdfs分布式集群

 

hdfs集群组成结构：

Hadoop : 搭建hdfs分布式集群

 安装hdfs集群的具体步骤：

一、首先需要准备N台linux服务器

  • 学习阶段，用虚拟机即可！
  • 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

  • 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

 

四、配置linux服务器的基础软件环境

 

1.防火墙关闭

关闭防火墙：service iptables stop  

关闭防火墙自启： chkconfig iptables off

 

2.安装jdk：（hadoop体系中的各软件都是java开发的）

  1. 上传jdk压缩包
  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   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

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

然后，将hosts文件拷贝到集群中的所有其他机器上

scp /etc/hosts hdp-02:/etc/

scp /etc/hosts hdp-03:/etc/

scp /etc/hosts hdp-04:/etc/

提示：执行scp命令，需要先安装

 

五、安装hdfs集群

上传hadoop安装包到hdp-01

 

  1. 修改配置文件

要点提示

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

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>

3) 修改hdfs-site.xml

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

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

<property>
<name>dfs.namenode.secondary.http-address</name>
<value>hdp-02:50090</value>
</property>

</configuration>

 

4) 拷贝整个hadoop安装目录到其他机器

scp -r /root/apps/hadoop-2.8.1  hdp-02:/root/apps/

scp -r /root/apps/hadoop-2.8.1  hdp-03:/root/apps/

scp -r /root/apps/hadoop-2.8.1  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-2.8.1

export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

 

 

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

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

 

然后，启动namenode进程（在hdp-01上）

  1. hadoop-daemon.sh start namenode
  2. 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，启动众datanode们（在任意地方）

 

6) 用自动批量启动脚本来启动HDFS

  • 先配置hdp-01到集群中所有机器（包含自己）的免密登陆
在hdp-01输入
Ssh-******
ssh-copy-id hdp-01 
ssh-copy-id hdp-02 
ssh-copy-id hdp-03 
ssh-copy-id hdp-04 
  • 配完免密后，可以执行一次  ssh 0.0.0.0
  • 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
  • 在hdp-01上用脚本：start-dfs.sh 来自动启动整个集群
  • 如果要停止，则用脚本：stop-dfs.sh
相关标签： Hadoop hdfs 分布式 集群

上一篇： VirtualBox+Centos7+(jdk1.7.0_71+Hadoop-2.6.0)/(jdk1.10+Hadoop-2.9.1)搭建完全分布式集群平台

下一篇： Minio分布式集群搭建部署

推荐阅读