Apache Hadoop
Hadoop介绍
Hadoop简介
- 狭义上：hadoop指的是Apache一款java开源软件，是一个大数据分析处理平台。
- Hadoop HDFS：分布式文件系统。 解决了海量数据存储问题。
Hadoop Distributed File System (HDFS™)- Hadoop MapReduce：分布式计算框架。解决海量数据计算问题。
parallel processing of large data sets.- Hadoop YARN：集群资源管理和任务调度。
A framework for job scheduling and cluster resource management.
#资源指的是和程序运行相关的硬件资源
cpu ram内存
#任务调度
集群资源繁忙的时候 如何分配资源给各个程序 调度
调度的关键是策略：先来后到 权重- 广义上：Hadoop指的是hadoop生态圈。
提供了大数据的几乎所有软件。
采集、存储、导入、分析、挖掘、可视化、管理...
image-20211225095710933Hadoop起源发展
- Hadoop之父--Doug Cutting 卡大爷
- 起源项目Apache Nutch。 致力于构建一个全网搜索引擎。
- Google也在做搜索，也遇到这些问题，内部解决了。
- google不想开源软件，但是又憋的难受，怕被人不知道，写论文发表。
- 前后写了3篇论文（谷歌是使用c实现的）。
谷歌分布式文件系统（GFS）------>HDFS
谷歌版MapReduce 系统------>Hadoop MapReduce
bigtable---->HBase- 基于论文的影响 Nutch团队实现了相应的java版本开源组件。
- Nutch团队把HDFS和MapReduce抽取独立成为单独软件在2008年贡献给了Apache。开源。
- Doug Cutting 看到他儿子在牙牙学语时，抱着黄色小象，亲昵的叫hadoop，他灵光一闪，就把这技术命名为 Hadoop，而且还用了黄色小象作为标示 Logo。
Hadoop特性优点
- 分布式、扩容能力
不再注重单机能力 看中的是集群的整体能力。
动态扩容、缩容。- 成本低
在集群下 单机成本很低 可以是普通服务器组成集群
意味着大数据处理不一定需要超级计算机。- 高效率 并发能力
- 可靠性
- 通用性
#技术是相同的 业务不相同的
#hadoop精准区分技术和业务。
做什么?(what need to do)---->业务问题（20%）
怎么做?(how to do)----->技术问题（80%）
Hadoop把技术实现了 用户负责业务问题。
原来大数据这么简单 可以这么玩。
image-20211225102607088Hadoop集群搭建
发行版本
- 官方社区版本 Apache基金会官方
- 版本新 功能最全的
- 不稳定 兼容性需要测试 bug多
- 商业版本 商业公司在官方版本之上进行商业化发行。著名：Cloudera、hotonWorks、MapR
- 稳的一批 兼容性极好 技术支持 本地化支持 一键在线安装
- 版本不一定是最新的 辅助工具软件需要收费
Cloudera发行的hadoop生态圈软件叫做CDH版本。
Cloudera’s Distribution Including Apache Hadoop。
https://www.cloudera.com/products/open-source/apache-hadoop/key-cdh-components.html
Hortonworks Data Platform (HDP)- 本次使用的是Apache 3.3.0版本。
- Hadoop本身版本变化
- hadoop 1.x
只有hdfs mapreduce. 架构过于垃圾 性能不高 当下企业中没人使用了。- hadoop 2.x
hdfs MapReduce yarn.- hadoop 3.x
架构和2一样 性能做了优化Hadoop集群
- 通常是有hdfs集群和yarn集群组成。两个集群都是标准的主从架构集群。
- 两个集群逻辑上分离 物理上在一起。（图）
image-20211225113719644- HDFS集群：解决了海量数据存储 分布式存储系统
- 主角色：namenode（NN）
- 从角色：datanode（DN）
- 主角色辅助角色"秘书角色"：secondarynamenode （SNN）
- YARN集群：集群资源管理 任务调度
- 主角色：resourcemanager（RM）
- 从角色：nodemanager（NM）
Hadoop部署模式、集群规划
- 单机模式 Standalone
一台机器，所有的角色在一个java进程中运行。 适合体验。- 伪分布式
一台机器 每个角色单独的java进程。 适合测试- 分布式 cluster
多台机器 每个角色运行在不同的机器上 生产测试都可以- 高可用（持续可用）集群 HA - High Available
在分布式的模式下 给主角色设置备份角色 实现了容错的功能 解决了单点故障
保证集群持续可用性。
image-20211225145052520- Hadoop集群的规划
- 根据软件和硬件的特性 合理的安排各个角色在不同的机器上。
- 有冲突的尽量不部署在一起
- 有工作依赖尽量部署在一起
- nodemanager 和datanode是基友 node1: namenode datanode | resourcemanager nodemanger
node2: datanode secondarynamenode| nodemanger
node3: datanode | nodemanger- Q：如果后续需要扩容hadoop集群，应该增加哪些角色呢？
node4: datanode nodemangernode5: datanode nodemangernode6: datanode nodemanger.....Hadoop源码编译
https://archive.apache.org/dist/
Apache软件基金会的所有软件所有版本的下载地址.
- 源码下载地址
https://archive.apache.org/dist/hadoop/common/
hadoop-3.3.0-src.tar.gz source 源码包
hadoop-3.3.0.tar.gz 官方编译后安装包- 对应java语言开发的项目软件来说，所谓的编译是什么？
xxx.java(源码)---->xxx.class(字节码)---->jar包- 正常来说，官方网站提供了安装包，可以直接使用，为什么要自己编译呢？
- 修改源码之后需要重新编译。
- 官方提供的最大化编译 满足在各个平台运行，但是不一定彻底兼容本地环境。
- 某些软件，官方只提供源码。
native library 本地库。
官方编译好的 Hadoop的安装包没有提供带 C程序访问的接口。主要是本地压缩支持、IO支持。- 怎么编译？
在源码的根目录下有编译相关的文件BUILDING.txt 指导如何编译。
使用maven进行编译 联网jar.- 可以使用提供编译好的安装包
hadoop-3.3.0-Centos7-64-with-snappy.tar.gzHadoop具体安装部署
详细安装步骤参考课程资料：
《day02Hadoop基础 6软件hadoop-3.3.0Hadoop3.3.0Linux编译安装.md》
服务器基础环境准备
代码语言：txt复制ip、主机名
hosts映射 别忘了windows也配置
防火墙关闭
时间同步
免密登录 node1---->node1 node2 node3
JDK安装
代码语言：txt复制安装包目录结构
代码语言：txt复制#上传安装包到/export/server 解压
bin #hadoop核心脚本 最基础最底层脚本
etc #配置目录
include
lib
libexec
LICENSE.txt
NOTICE.txt
README.txt
sbin #服务启动 关闭 维护相关的脚本
share #官方自带实例 hadoop相关依赖jar
代码语言：txt复制配置文件的修改
官网文档：https://hadoop.apache.org/docs/r3.3.0/
- 第一类 1个 hadoop-env.sh
- 第二类 4个 core|hdfs|mapred|yarn-site.xml
- site表示的是用户定义的配置，会覆盖default中的默认配置。
- core-site.xml 核心模块配置
- hdfs-site.xml hdfs文件系统模块配置
- mapred-site.xml MapReduce模块配置
- yarn-site.xml yarn模块配置
- 第三类 1个 workers
image-20211225151801375
scp安装包到其他机器
代码语言：txt复制root@node1 server$ scp -r /export/server/hadoop root@node2:$PWD
root@node1 server$ scp -r /export/server/hadoop root@node3:$PWD
代码语言：txt复制Hadoop环境变量配置
代码语言：txt复制vim /etc/profile
HADOOP_HOME=/export/server/hadoop/
PATH=$PATH:$HADOOP_HOME/etc/hadoop
source /etc/profile
代码语言：txt复制hadoop namenode format
- format准确来说翻译成为初始化比较好。对namenode工作目录、初始文件进行生成。
- 通常在namenode所在的机器执行 执行一次。首次启动之前
#在node1 部署namenode的这台机器上执行
hadoop namenode -format
#执行成功 日志会有如下显示
21/05/23 15:38:19 INFO common.Storage: Storage directory /export/data/hadoopdata/dfs/name has been successfully formatted.
[root@node1 server]# ll /export/data/hadoopdata/dfs/name/current/
total 16
-rw-r--r-- 1 root root 321 May 23 15:38 fsimage_0000000000000000000
-rw-r--r-- 1 root root 62 May 23 15:38 fsimage_0000000000000000000.md5
-rw-r--r-- 1 root root 2 May 23 15:38 seen_txid
-rw-r--r-- 1 root root 207 May 23 15:38 VERSION- Q：如果不小心初始化了多次，如何？
- 现象：主从之间互相不识别。
- 解决
#企业真实环境中 枪毙#学习环境删除每台机器上hadoop.tmp.dir配置指定的文件夹/export/data/hadoop-3.3.0。 重新format。Hadoop集群启动
单节点单进程逐个手动启动
- HDFS集群
#hadoop2.x版本命令
hadoop-daemon.sh start|stop namenode|datanode|secondarynamenode
#hadoop3.x版本命令
hdfs --daemon start|stop namenode|datanode|secondarynamenode- YARN集群
#hadoop2.x版本命令
yarn-daemon.sh start|stop resourcemanager|nodemanager
#hadoop3.x版本命令
yarn --daemon start|stop resourcemanager|nodemanager- 优点：精准的控制每个角色每个进程的启停。避免了群起群停（时间成本）。
image-20211225162307379
脚本一键启动
- 前提：配置好免密登录。ssh
ssh-copy-id node1.itcast.cn
ssh-copy-id node2.itcast.cn
ssh-copy-id node3.itcast.cn- HDFS集群
start-dfs.sh
stop-dfs.sh - YARN集群
start-yarn.sh
stop-yarn.sh- 更狠的 - 首次启动集群
start-all.sh
stop-all.sh
[root@node1 ~]# start-all.sh
This script is Deprecated. Instead use start-dfs.sh and start-yarn.sh集群进程确认和错误排查
- 确认是否成功
[root@node1 ~]# jps
8000 DataNode
8371 NodeManager
8692 Jps
8264 ResourceManager
7865 NameNode- 如果进程不在 看启动运行日志！！！！！！！！！！！！！
#默认情况下 日志目录
cd /export/server/hadoop-3.3.0/logs/
#注意找到对应进程名字 以log结尾的文件Hadoop初体验
- Hadoop Web UI页面
- HDFS集群 http://namenode_host:9870
- YARN集群 http://resourcemanager_host:8088
http://node1:9870/dfshealth.html#tab-overview初体验之HDFS
- 本质就是存储文件的 和标准文件系统一样吗？
- 也是有目录树结构，也是从根目录开始的。
- 文件是文件、文件夹是文件夹（对于zk来说）
- 和linux很相似
- 上传小文件好慢。为什么慢？和分布式有没有关系？
体验之MapReduce yarn
- MapReduce是分布式程序 yarn是资源管理 给程序提供运算资源。 Connecting to ResourceManager
[root@node1 mapreduce]# pwd
/export/server/hadoop-3.3.0/share/hadoop/mapreduce
hadoop jar hadoop-mapreduce-examples-3.3.0.jar pi 2 2- MR程序运行首先连接YRAN ResourceManager，连接它干什么的？要资源。
- MR程序好像是两个阶段 ，先Map 再Reduce。
- 数据量这么小的情况下，为什么MR这么慢？ MR适合处理大数据场景还是小数据场景？
Hadoop辅助功能
MapReduce jobhistory服务
- 背景
默认情况下，yarn上关于MapReduce程序执行历史信息、执行记录不会永久存储；
一旦yarn集群重启 之前的信息就会消失。- 功能
保存yarn上已经完成的MapReduce的执行信息。- 配置
- 因为需求修改配置。重启hadoop集群才能生效。
vim mapred-site.xml
<property>
<name>mapreduce.jobhistory.address</name>
<value>node1:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>node1:19888</value>
</property>- scp同步给其他机器
scp /export/server/hadoop-3.3.0/etc/hadoop/mapred-site.xml node2:/export/server/hadoop-3.3.0/etc/hadoop/
scp /export/server/hadoop-3.3.0/etc/hadoop/mapred-site.xml node3:/export/server/hadoop-3.3.0/etc/hadoop/- 重启hadoop集群
- 自己手动启停jobhistory服务。
#hadoop2.x版本命令mr-jobhistory-daemon.sh start|stop historyserver#hadoop3.x版本命令mapred --daemon start|stop historyserver[root@node1 ~]# jps13794 JobHistoryServer13060 DataNode12922 NameNode13436 NodeManager13836 Jps13327 ResourceManagerHDFS 垃圾桶机制
- 背景 在windows叫做回收站
在默认情况下 hdfs没有垃圾桶 意味着删除操作直接物理删除文件。
[root@node1 ~]# hadoop fs -rm /itcast/1.txt
Deleted /itcast/1.txt- 功能：和回收站一种 在删除数据的时候 先去垃圾桶 如果后悔可以复原。
- 配置
在core-site.xml中开启垃圾桶机制
指定保存在垃圾桶的时间。单位分钟
<property>
<name>fs.trash.interval</name>
<value>1440</value>
</property>- 集群同步配置 重启hadoop服务。
[root@node1 hadoop]# pwd
/export/server/hadoop-3.3.0/etc/hadoop
[root@node1 hadoop]# scp core-site.xml node2:$PWD
core-site.xml 100% 1027 898.7KB/s 00:00
[root@node1 hadoop]# scp core-site.xml node3:$PWD
core-site.xml - 垃圾桶使用
- 配置好之后 再删除文件 直接进入垃圾桶
[root@node1 ~]# hadoop fs -rm /itcast.txt
INFO fs.TrashPolicyDefault: Moved: 'hdfs://node1:8020/itcast.txt' to trash at: hdfs://node1:8020/user/root/.Trash/Current/itcast.txt- 垃圾桶的本质就是hdfs上的一个隐藏目录。
hdfs://node1:8020/user/用户名/.Trash/Current- 后悔了 需要恢复怎么做？
hadoop fs -cp /user/root/.Trash/Current/itcast.txt /- 就想直接删除文件怎么做？
hadoop fs -rm -skipTrash /itcast.txt
[root@node1 ~]# hadoop fs -rm -skipTrash /itcast.txt
Deleted /itcast.txt
