• 软件和操作系统版本
  Hadoop框架是采用Java语言编写，需要java环境（jvm）
  JDK版本：JDK8版本
  集群：
  知识点学习：统一使用vmware虚拟机虚拟三台linux节点，linux操作系统：Centos7
  项目阶段：统一使用云服务器，5台云服务器节点
• Hadoop搭建方式
  单机模式：单节点模式，非集群，生产不会使用这种方式
  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
  完全分布式模式：多台节点，真正的分布式Hadoop集群的搭建（生产环境建议使用这种方式）

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，集群时间同步）
2. 在/opt目录下创建文件夹创建软件安装包存放目录和软件安装目录

mkdir -p /opt/test/software
mkdir -p /opt/test/servers

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压缩包到/opt/test/software

集群规划

安装Hadoop

• 登录linux121节点；进入/opt/test/software，解压安装文件到/opt/test/servers

tar -zxvf hadoop-2.9.2.tar.gz -C /opt/test/servers

• 查看是否解压成功

ll /opt/test/servers/hadoop-2.9.2

• 添加Hadoop到环境变量

vim /etc/profile

##HADOOP_HOME
export HADOOP_HOME=/opt/test/servers/hadoop-2.9.2
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

• 使环境变量生效

source /etc/profile

• 验证hadoop

hadoop version

校验结果：

• hadoop目录
  drwxr-xr-x. 2 root root 194 Nov 13 2018 bin
  drwxr-xr-x. 3 root root 20 Nov 13 2018 etc
  drwxr-xr-x. 2 root root 106 Nov 13 2018 include
  drwxr-xr-x. 3 root root 20 Nov 13 2018 lib
  drwxr-xr-x. 2 root root 239 Nov 13 2018 libexec
  -rw-r--r--. 1 root root 106210 Nov 13 2018 LICENSE.txt
  -rw-r--r--. 1 root root 15917 Nov 13 2018 NOTICE.txt
  -rw-r--r--. 1 root root 1366 Nov 13 2018 README.txt
  drwxr-xr-x. 3 root root 4096 Nov 13 2018 sbin
  drwxr-xr-x. 4 root root 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，如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

集群配置

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）指定SecondaryNameNode节点（修改hdfs-site.xml）
  4）指定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Yarn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老大节点所在计算机节点（修改yarn-site.xml）
  3）指定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/test/servers/hadoop-2.9.2/etc/hadoop

• 配置：hadoop-env.sh
  将JDK路径明确配置给HDFS

vim hadoop-env.sh

export JAVA_HOME=/opt/test/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://linux121:9000</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/test/servers/hadoop-2.9.2/data/tmp</value>
</property>

core-site.xml的默认配置：

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

• 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>linux123:50090</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/hdfsdefault.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

linux121
linux122
linux123

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。

MapReduce集群配置

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

vim mapred-env.sh

export JAVA_HOME=/opt/test/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-mapreduceclient-core/mapred-default.xml

Yarn集群配置

• 指定jdk路径（修改yarn-env.sh）

vim yarn-env.sh

export JAVA_HOME=/opt/test/servers/jdk1.8.0_231

• 指定ResourceMnager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>linux123</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/yarndefault.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/test/servers/hadoop-2.9.2

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

命令 选项参数 要拷贝的文件路径/名称 目的用户@主机:目的路径/名称
2）选项参数说明

• rsync案例
  1）三台虚拟机安装rsync (执行安装需要保证机器联网)

yum install -y rsync

2）把linux121机器上的/opt/test/software目录同步到linux122服务器的root用户下的/opt/目录

rsync -rvl /opt/test/software/ root@linux122:/opt/test/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@linux123:/opt/

2）期望脚本
脚本+要同步的文件名称
3）说明：在/usr/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
在/usr/local/bin目录下创建文件rsync-script，文件内容如下：

touch rsync-script
vim rsync-script

在文件中编写shell代码

#!/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=121; host<124; host++)); do
echo ------------------- linux$host --------------
rsync -rvl $pdir/$file_name $user@linux$host:$pdir
done

修改脚本 rsync-script 具有执行权限

chmod 777 rsync-script

调用脚本形式：rsync-script 文件名称

rsync-script /home/root/bin

调用脚本分发Hadoop安装目录到其它节点

rsync-script /opt/test/servers/hadoop-2.9.2

shell脚本的编写即使不掌握，但是看到别人编写的脚本要能读懂！！

启动集群

注意：如果集群是第一次启动，需要在Namenode所在节点格式化NameNode，非第一次不用执行格式化Namenode操作！！

单节点启动

hadoop namenode -format

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

1. 在linux121上启动NameNode

hadoop-daemon.sh start namenode
jps

2. 在linux121、linux122以及linux123上分别启动DataNode

hadoop-daemon.sh start datanode
jps

3. web端查看Hdfs界面

http://linux121:50070/dfshealth.html#tab-overview

查看HDFS集群正常节点：

4. Yarn集群单节点启动
在linux123上

yarn-daemon.sh start resourcemanager
jps

在linux121和linux122上

yarn-daemon.sh start nodemanager
jps

思考：Hadoop集群每次需要一个一个节点的启动，如果节点数增加到成千上万个怎么办？

集群群起

1. 如果已经单节点方式启动了Hadoop,可以先停止之前的启动的Namenode与Datanode进程,如果之前Namenode没有执行格式化，这里需要执行格式化!!!!

hadoop namenode -format

2. 启动HDFS
   在linux121上

sbin/start-dfs.sh
jps

可以在122和123上使用jps命令查看HDFS是否启动
3. 启动YARN
在linux123上

sbin/start-yarn.sh

注意：NameNode和ResourceManger不是在同一台机器，不能在NameNode上启动 YARN，应该在ResouceManager所在的机器上启动YARN。

Hadoop集群启动停止命令汇总

1. 各个服务组件逐一启动/停止
   （1）分别启动/停止HDFS组件

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

（2）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

集群测试

1. HDFS 分布式存储初体验
   从linux本地文件系统上传下载文件验证HDFS集群工作正常
   本地root目录创建一个文件

hdfs dfs -mkdir -p /test/input
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 分布式计算初体验

• 在HDFS文件系统根目录下面创建一个wcinput文件夹

hdfs dfs -mkdir /wcinput

• 在/root/目录下创建一个wc.txt文件(本地文件系统)

cd /root/
touch wc.txt
vi wc.txt

• 在文件中输入如下内容

hadoop mapreduce yarn
hdfs hadoop mapreduce
mapreduce yarn test
test
test

• 保存退出

:wq!

• 上传wc.txt到Hdfs目录/wcinput下

hdfs dfs -put wc.txt /wcinput

• 回到Hadoop目录/opt/test/servers/hadoop-2.9.2
• 执行程序

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

注意：这里的wcinput必须存在，wcoutput必须不存在，要让程序自己创建

• 查看结果

hdfs dfs -cat /wcoutput/part-r-00000

hadoop 2
hdfs 1
test 3
mapreduce 3
yarn 2

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，需要配置一下历史日志服务器。具体配置步骤如下：

1. 配置mapred-site.xml

vi mapred-site.xml

在该文件里面增加如下配置。

<!-- 历史服务器端地址 -->
<property>
  <name>mapreduce.jobhistory.address</name>
  <value>linux121:10020</value>
</property>
<!-- 历史服务器web端地址 -->
<property>
  <name>mapreduce.jobhistory.webapp.address</name>
  <value>linux121:19888</value>
</property>

2. 分发mapred-site.xml到其它节点

rsync-script mapred-site.xml

3. 启动历史服务器
   因为前面第一步中在121上配置的历史服务器，所以必须在121上启动

sbin/mr-jobhistory-daemon.sh start historyserver

4. 查看历史服务器是否启动

jps

5. 查看JobHistory

http://linux121:19888/jobhistory

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。
日志聚集功能好处：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

vi yarn-site.xml

在该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>

2. 分发yarn-site.xml到集群其它节点

rsync-script yarn-site.xml

3. 121上关闭NodeManager 、ResourceManager和HistoryManager

sbin/yarn-daemon.sh stop resourcemanager
sbin/yarn-daemon.sh stop nodemanager
sbin/mr-jobhistory-daemon.sh stop historyserver

4. 121上启动NodeManager 、ResourceManager和HistoryManager

sbin/yarn-daemon.sh start resourcemanager
sbin/yarn-daemon.sh start nodemanager
sbin/mr-jobhistory-daemon.sh start historyserver

5. 121上删除HDFS上已经存在的输出文件

bin/hdfs dfs -rm -R /wcoutput

6. 121上执行WordCount程序

hadoop jar share/hadoop/mapreduce/hadoopmapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

7. 查看日志，如图所示

http://linux121:19888/jobhistory