大数据分布式集群搭建（5）

下面我们来操作大数据中的重头戏Hadoop

1. HADOOP背景介绍

1.1 什么是HADOOP

1.HADOOP是apache旗下的一套开源软件平台

2.HADOOP提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理

3.HADOOP的核心组件有

A.HDFS（分布式文件系统）

B.YARN（运算资源调度系统）

C.MAPREDUCE（分布式运算编程框架）

4.广义上来说，HADOOP通常是指一个更广泛的概念——HADOOP生态圈

1.2 HADOOP产生背景

1.HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，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。

2.2003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。

——分布式文件系统（GFS），可用于处理海量网页的存储

——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。

3.Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。

1.3 HADOOP在大数据、云计算中的位置和关系

1.云计算是分布式计算、并行计算、网格计算、多核计算、网络存储、虚拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）等业务模式，把强大的计算能力提供给终端用户。

2.现阶段，云计算的两大底层支撑技术为“虚拟化”和“大数据技术”

3.而HADOOP则是云计算的PaaS层的解决方案之一，并不等同于PaaS，更不等同于云计算本身。

一、安装Hadoop及配置

目标配置：

hdp01: Namenode ResourceManager SecondaryNameNode

hdp02: Datanode NodeManager

hdp03: Datanode NodeManager

hdp04: Datanode NodeManager

Step1：

首先依旧上传压缩包到root目录下面



tar -zxvf centos-6.5-hadoop-2.6.4.tar.gz -C /apps/

解压到apps下面

cd hadoop-2.6.4/etc/hadoop/

vi hadoop-env.sh

修改如下：

# The java implementation to use.

export JAVA_HOME=/apps/jdk1.8.0_60



（补充上回的zookee批量启动方法）

编辑一个批量启动shell脚本

vi zkStart.sh

#!bin/bash

for host in hdp01 hdp02 hdp03 hdp04

do

ssh $host “source /etc/profile;/apps/zookeeper/bin/zkServer.sh start”

done

chmod u+x zkStart.sh

sh zkStart.sh启动

言归正传，接下来vi core-site.xml

设置如下：

<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://hdp01:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/apps/hadoop-2.6.4/tmp</value>
</property>
</configuration>

接着

vi  hdfs-site.xml
<configuration>
<property>
<name>dfs.namenode.name.dir</name>
<value>/apps/hdpdata/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>/apps/hdpdata/data</value>
</property>
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
<property>
<name>dfs.blocksize</name>
<value>128m</value>
</property>
<property>
<name>dfs.secondary.http.address</name>
<value>hdp01:50090</value>
</property>
</configuration>

接着

vi mapred-site.xml

<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<property>
<name>mapred.job.tracker</name>
<value>hdfs://hdp01:9001</value>
</property>
</configuration>

接着

vi yarn-site.xml

<configuration>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hdp01</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>

slaves文件指定datanodes列表

vi slaves

hdp02

hdp03

hdp04

分发到其他3台机器上面

scp -r /apps/hadoop-2.6.4 root@hdp02:/apps/

scp -r /apps/hadoop-2.6.4 root@hdp03:/apps/

scp -r /apps/hadoop-2.6.4 root@hdp04:/apps/

启动集群

初始化HDFS

bin/hadoop namenode -format

单独启动namenode或者datanode

sbin/hadoop-daemon.sh start namenode

sbin/hadoop-daemon.sh start datanode

启动HDFS

sbin/start-dfs.sh

单独启动resourcemanager或者nodemanager

sbin/yarn-daemon.sh start resourcemanager

sbin/yarn-daemon.sh start nodemanager

启动YARN

sbin/start-yarn.sh

最终完成启动效果

hdp01 master



hdp02 slaves



。。。

我们可以通过hdp01:50070查看Namenode information







可以通过hdp01:8088查看Nodes of the Cluster



大数据文档：http://www.superkingdom.cn/bigdata