(2) Hadoop-集群搭建 HDFS入门

1．Hadoop 介绍

概述

用java编写开源框架，允许使用简单的API在大量的 计算机集群上 针对 大型数据集 进行分布式处理 。

Hadoop 核心组建 (狭义)

HDFS (分布式文件系统)：针对海量数据的存储

YARN (作业调度，集群资源管理框架) : 解决资源任务调度，资源包括内存 CPU 磁盘。。

MAPREDUCE(分布式运算编程框架):解决海量数据的计算

Hadoop 生态圈 (广义) 同spring想类似，spring生态圈

HDFS：分布式文件系统

MAPREDUCE：分布式运算程序开发框架

HIVE：基于 HADOOP 的分布式数据仓库，提供基于 SQL 的查询数据操作

HBASE：基于 HADOOP 的分布式海量数据库

ZOOKEEPER：分布式协调服务基础组件

Mahout：基于 mapreduce/spark/flink 等分布式运算框架的机器学习算法库

Oozie：工作流调度框架

Sqoop：数据导入导出工具（比如用于 mysql 和 HDFS 之间）

Flume：日志数据采集框架

Impala：基于 Hadoop 的实时分析

2．Hadoop 国内外应用

在大数据的行业 各个领域都会有应用，因此在未来的发展绝对会没有问题 需求量也会越来越大!坚信自己的选择，做人做事一定要明白 不是因为看到才会相信，而是因为相信才要坚持 。

3．Hadoop 特性优点

扩容能力 ： 在需要的时候可以扩大集群计算

成本低 ： 对于服务器性能要求低

效率高 ： 通过并发数据，hadoop节点之间动态并行的移动数据

可靠性 ： 能自动维护数据的多份，如果计算任务失败后可以重新部署计算任务

4．Hadoop 集群的搭建

节点之间如何去通信？ 如果主节点挂掉怎么版？

如果主节点挂掉 有个HA，主备关系

Hadoop分商业版（CDH） 还有社区版

搭建集群的注意事项

注意是两套集群 一个套是NameNode-DataNode 另一套是 resourceManage NodeManage

需要给自己本机也配置免密登陆 1. ssh node1 2. ssh-copy-id node-1

ls -al 显示所有隐藏文件 当输入vi指令需要按下回车键的时候，有个好像是以swap结尾的扩展名删除就可以了，出现这个问题的时候是因为在vi编辑指令的时候没有正常退出。

启动指令的注意事项 /sbin/， start-all.sh

出现下面的log错误的话 解决方案：将目录、dfs、name、data清空是重复启动到时key值不一样

Datanode Uuid unassigned) service to node-1/192.168.20.101:9000. Exiting.

6.第二天起来再次启动集群的时候会出现下面这个异常

org.apache.hadoop.hdfs.server.common.InconsistentFSStateException:

Directory does not exist？但是为什么刚装完时是存在的呢，抱着试试看的态度，再次执行。
hadoop namenode -format
执行之后再启动，namenode启动成功了，说明上面does not exist的目录在format namenode的时候重新建起来了，但是如果每次重启都要format namenode，
也太不靠谱了，不止是麻烦，更大的麻烦是里面的数据不能总被无情的delete掉啊，问题必须解决。
Directory /tmp/hadoop-javoft/dfs/name is in an inconsistent state: storage directory does not exist or is not accessible.
这 里的目录既然是在tmp下面的，回忆一下，tmp目录下的文件是临时文件会被定期删除的，貌似bug已经露出水面。那就重启计算机试试是不是因为这，
重启 之前检查一下tmp目录下面确定几个format namenode之后应该有的目录都有的，重启之后，发现全部被删掉。
在执行一次 start-dfs.sh，看到tmp目录下面建了一些目录，但是dfs/name目录仍然不存在，在start-dfs.sh时候建了一部分目录和文 件。
而dfs/name需要在hadoop namenode -format时建立。问题清楚了。
解决方案就很简单，这些目录的位置都是根据hadoop.tmp.dir的位置确定的，所以只需要在conf/core-site.xml覆盖hadoop.tmp.dir的默认值即可：
...
<property>
<name>hadoop.tmp.dir</name>
<value>/home/javoft/Documents/hadoop/hadoop-${user.name}</value>
<description>A base for other temporary directories.</description>
</property

具体搭建步骤如下 详细步骤

看我博客的朋友，请安装下面的步骤依次执行，如果在安装过程中出现问题，就去参照搭建集群的注意事项的问题 。

我下面的搭建属性是依次安装hadoop架构层次去搭建 hadoop 根目录下面 /etc/hadoop/ 是需要修改的配置文件

运行环境

1. CentOS 6.7
2. jdk 1.8
3. VMWare Pro 12
4. Hadoop 2.7.4 目前是最稳定版本，属于社区版

安装下面的需求去搭建集群

node-01 NameNode DataNode ResourceManager
node-02 DataNode NodeManager SecondaryNameNode
node-03 DataNode NodeManager

1. 第一步去配置java环境变量，因为在hadoop框架在运行的时候有可能会找不到jdk环境变量，这步不是必须而是为了确保

第一个：hadoop-env.sh

vi hadoop-env.sh
export JAVA_HOME=/root/apps/jdk1.8.0_65

2. 下面配置的是namenode节点所在的服务器，同时也配置HDFS文件系统所在的目录 很关键

第二个：core-site.xml

<!-- 指定HADOOP所使用的文件系统schema（URI），HDFS的老大（NameNode）的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://node-1:9000</value>
</property>

<!-- 指定hadoop运行时产生文件的存储目录,默认/tmp/hadoop-${user.name} -->
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/hadoop-2.7.4/tmp</value>
</property>

3. 下面是配置HDFS所产生的副本数，副本数默认是三个，以及secondarynamenode所在的服务器

第三个：hdfs-site.xml

<!-- 指定HDFS副本的数量 -->
<property>
<name>dfs.replication</name>
<value>2</value>
</property>

<property>
<name>dfs.namenode.secondary.http-address</name>
<value>node-2:50090</value>
</property>

4. 配置YARN集群的一些属性，标注resourceMangeer nodemanage

第四个：yarn-site.xml

<!-- 指定YARN的老大（ResourceManager）的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>node-21</value>
</property>

<!-- NodeManager上运行的附属服务。需配置成mapreduce_shuffle，才可运行MapReduce程序默认值："" -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>

5. 配置Mapreduce分布式计算框架，并行移动计算

第五个：mapred-site.xml

mv mapred-site.xml.template mapred-site.xml
vi mapred-site.xml

<!-- 指定mr运行时框架，这里指定在yarn上，默认是local -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>

6. 配置datanode nodemanage 从节点的IP地址

第六个：slaves文件，里面写上从节点所在的主机名字

vi slaves
node-1
node-2
node-3

7.进行初始化操作，主要是初始化namenode节点，执行下面的指令后会在/home/hadoop/hadoop-2.7.4/tmp生成目录，这个目录就是dfs分布式文件系统目录，其他所有子节点也都会生成

hdfs namenode -format (hadoop namenode -format)

8.HDFS启动的详细介绍

HDFS 启动有两种 1. 节点单独启动 2. 统一启动 (一定要先启动HDFS 在去启动yarn)

9.节点单独启动

sbin/hadoop-daemon.sh start datanode|nodeManage|namenode|secondaryNode

需要去不同的节点去搞起 注意启动的时候通过jps 查看启动的节点进程，

10.节点单独启动

先启动HDFS
sbin/start-dfs.sh

再启动YARN
sbin/start-yarn.sh

全部启动
start-all.sh  // 上面两部合并

查看节点启动情况

使用jps命令验证
27408 NameNode
28218 Jps
27643 SecondaryNameNode
28066 NodeManager
27803 ResourceManager
27512 DataNode

11. 查看是否启动成功

关闭防护墙去查看 最好用Google浏览器
 http://192.168.20.101:50070 （HDFS管理界面）  //节点的IP是 namenode 端口号50070 http://192.168.20.101:8088 （MR管理界面）     // 节点的IP是 resourcemanger 端口号8088

运行上面的内容都能看界面出现代表运行成功

12. 查看 HDFS文件系统的界面一些内容

12. 查看 YARN插件运行状态

13.文件的上传到HDFS上面 从HDFS系统上面下载文件

从Linux本地上传到 HDFS文件系统

1. hadoop fs -mkdir /rui 在hdfs上面创建一个目录

2. hadoop fs -put /linux目录或文件 /rui 从Linux系统中上传目录或文件到 hfds上面的rui目录下面

查看文件HDFS客户显示的内容

Mapreduce jar包的运行并行计算

任务MR提交给YARN,YARN负责管理资源调度的问题

在 Hadoop 安装包的 hadoop-2.7.4/share/hadoop/mapreduce 下有官方自带
的 mapreduce 程序。我们可以使用如下的命令进行运行测试。
示例程序 jar:
hadoop-mapreduce-examples-2.7.4.jar
计算圆周率:
hadoop jar hadoop-mapreduce-examples-2.7.4.jar pi 20 50
关于圆周率的估算，感兴趣的可以查询资料 Monte Carlo 方法来计算 Pi 值。