01-Hadoop概述及基础环境搭建

佚名 5年前 (2019-05-01) Hadoop 723人围观抢沙发百度已收录

1 hadoop概述

1.1 为什么会有大数据处理

SRE实战互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。传统模式已经满足不了大数据的增长 1）存储问题

传统数据库：存储亿级别的数据，需要高性能的服务器；并且解决不了本质问题；只能存结构化数据
大数据存储：通过分布式存储，将数据存到一台机器的同时，还可以备份到其他机器上，这样当某台机器挂掉了或磁盘坏掉了，在其他机器上可以拿到该数据，数据不会丢失（可备份）
磁盘不够挂磁盘，机器不够加机器（可横行扩展）

2）分析数据问题

传统数据库：当数据库存储亿级别的数据后，查询效率也下降的很快，查询不能秒级返回
大数据分析：分布式计算。也可以横行扩展

MapReduce：（批处理）多次与磁盘进行交互，运行比较慢运算的数据是有范围的，运算完一次，就代表该批次处理完成实时计算：（流处理）对时间的要求很高，基本可以快速处理完成　　　　　　　　　　　　　　　实时计算的数据，没有范围的，会根据某个时间的范围进行计算。spark streaming ，storm, flink

1.2 什么是hadoop？

Hadoop项目是以可靠、可扩展和分布式计算为目的而发展的开源软件 Hadoop 是Apache的顶级项目 Apache：APACHE软件基金会，支持Apache的开源软件社区项目，为公众提供好的软件产品项目主页： http://hadoop.apache.org

大数据的主要特点（4V）

数据容量大（Volume）。从TB级别，跃升到PB级别
数据类型繁多（Variety）。包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求
商业价值高（Value）。客户群体细分，提供定制化服务；发掘新的需求同时提高投资的回报率；降低服务成本
处理速度快（Velocity）。这是大数据区分于传统数据挖掘的最显著特征。预计到2020年，全球数据使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命

hadoop的历史起源 创始人： Doug Cutting 和 Mike Cafarella 2002开始，两位创始人开发开源搜索引擎解决方案： Nutch 2004年受Google Lab 开发的 Map/Reduce 和 Google File System(GFS) 的启发，NDFS（ Nutch Distributed File System ）引入Nutch 2006年在Yahoo!工作的Doug Cutting将这套大数据处理软件命名为Hadoop

hadoop核心组件 用于解决两个核心问题：存储和计算核心组件 1）Hadoop Common： 一组分布式文件系统和通用I/O的组件与接口（序列化、Java RPC和持久化数据结构） 2）Hadoop Distributed FileSystem（Hadoop分布式文件系统HDFS） 分布式存储，有备份，可扩展 3）Hadoop MapReduce（分布式计算框架） 分布式计算，多台机器同时计算一部分，得到部分结果，再将部分结果汇总，得到总体的结果（可扩展） 4）Hadoop YARN（分布式资源管理器） MapReduce任务计算的时候，运行在yarn上，yarn提供资源
hadoop的框架演变

Hadoop1.0 的 MapReduce（MR1）：集资源管理和任务调用、计算功能绑在一起，扩展性较差，不支持多计算框架

Hadoop2.0 的Yarn（MRv2）：将资源管理和任务调用两个功能分开，提高扩展性，并支持多计算框架 hadoop生态圈

1）HDFS（Hadoop分布式文件系统）       HDFS是一种数据分布式保存机制，数据被保存在计算机集群上。数据写入一次，读取多次。HDFS 为hive、HBase等工具提供了基础 2）MapReduce（分布式计算框架）       MapReduce是一种分布式计算模型，用以进行大数据量的计算，是一种离线计算框架       这个 MapReduce 的计算过程简而言之，就是将大数据集分解为成若干个小数据集，每个(或若干个)数据集分别由集群中的一个结点(一般就是一台主机)进行处理并生成中间结果，然后将每个结点的中间结果进行合并, 形成最终结果 3）HBASE（分布式列存数据库）       HBase是一个建立在HDFS之上，面向列的NoSQL数据库，用于快速读/写大量数据。HBase使用Zookeeper进行管理，确保所有组件都正常运行
4）Sqoop(数据ETL/同步工具）       Sqoop是SQL-to-Hadoop的缩写，主要用于传统数据库和Hadoop之间传输数据 5）flume（分布式日志收集系统）       Flume是一个分布式、可靠、和高可用的海量日志聚合的系统，如日志数据从各种网站服务器上汇集起来存储到HDFS，HBase等集中存储器中 6）Storm（流示计算、实时计算）       Storm是一个免费开源、分布式、高容错的实时计算系统。Storm令持续不断的流计算变得容易，弥补了Hadoop批处理所不能满足的实时要求。Storm经常用于在实时分析、在线机器学习、持续计算、分布式远程调用和ETL等领域 7）Zookeeper（分布式协作服务）       Hadoop的许多组件依赖于Zookeeper，它运行在计算机集群上面，用于管理Hadoop操作       作用：解决分布式环境下的数据管理问题：统一命名，状态同步，集群管理，配置同步等 8）Pig(ad-hoc脚本）       Pig定义了一种数据流语言—Pig Latin，它是MapReduce编程的复杂性的抽象，Pig平台包括运行环境和用于分析Hadoop数据集的脚本语言(Pig Latin)       其编译器将Pig Latin 翻译成MapReduce 程序序列将脚本转换为MapReduce任务在Hadoop上执行。通常用于进行离线分析 9）Hive（数据仓库）       Hive定义了一种类似SQL的查询语言(HQL),将SQL转化为MapReduce任务在Hadoop上执行。通常用于离线分析       HQL用于运行存储在Hadoop上的查询语句，Hive让不熟悉MapReduce开发人员也能编写数据查询语句，然后这些语句被翻译为Hadoop上面的MapReduce任务 10）Spark(内存计算模型)       Spark提供了一个更快、更通用的数据处理平台。和Hadoop相比，Spark可以让你的程序在内存中运行时速度提升100倍，或者在磁盘上运行时速度提升10倍。 11）Oozie(工作流调度器）       Oozi可以把多个Map/Reduce作业组合到一个逻辑工作单元中，从而完成更大型的任务
12）Mahout（数据挖掘算法库）       Mahout的主要目标是创建一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序 13）Hadoop YARN（分布式资源管理器）       YARN是下一代MapReduce，即MRv2，是在第一代MapReduce基础上演变而来的，主要是为了解决原始Hadoop扩展性较差，不支持多计算框架而提出的       其核心思想：               将MR1中JobTracker的资源管理和作业调用两个功能分开，分别由ResourceManager和ApplicationMaster进程来实现 1）ResourceManager：负责整个集群的资源管理和调度             2）ApplicationMaster：负责应用程序相关事务，比如任务调度、任务监控和容错等 14）Tez(DAG计算模型)       一个运行在YARN之上支持DAG（有向无环图）作业的计算框架       Tez的目的就是帮助Hadoop处理这些MapReduce处理不了的用例场景，如机器学习什么是集群，集群和服务的关系。

集群规划：一个主节点：nn1.hadoop，一个从节点：nn2.hadoop，三个工作节点：s1.hadoop、s2.hadoop、s3.hadoop 网络规划： nn1.hadoop 192.168.174.160 nn2.hadoop 192.168.174.161 s1.hadoop 192.168.174.162 s2.hadoop 192.168.174.163 s3.hadoop 192.168.174.164 在企业里还应有操作机（跳板机）

2 基础环境搭建

配置网络

 1 // 查看网卡配置文件是否一致
 2 vim /etc/sysconfig/network-scripts/ifcfg-ens33
 3 
 4 // 文件配置如下：
 5 TYPE="Ethernet"
 6 BOOTPROTO=static
 7 DEFROUTE="yes"
 8 IPV4_FAILURE_FATAL="no"
 9 IPV6INIT="yes"
10 IPV6_AUTOCONF="yes"
11 IPV6_DEFROUTE="yes"
12 IPV6_FAILURE_FATAL="no"
13 NAME="eno16777736"
14 UUID="cb7a79a9-8114-482b-93f0-fce73bcef88b"
15 DEVICE="eno16777736"
16 ONBOOT="yes"
17 IPADDR=192.168.142.200
18 PREFIX=24
19 GATEWAY=192.168.142.2
20 DNS1=192.168.142.2
21 DNS2=8.8.8.8
22     
23 // 重启网络
24 systemctl restart network.service  或   service network restart
25 // ping 百度，测试网络是否正常
26 ping www.baidu.com

2.1 配置阿里云 yum 源

1）安装sz rz工具，用于以后用rz sz上传下载文件

yum install -y lrzsz

2）下载 repo 文件 文件下载地址： http://mirrors.aliyun.com/repo/Centos-7.repo 3）用 rz 将下载的 Centos-7.repo 文件上传到Linux系统的某个目录下 4）备份并替换系统的repo文件

1 mv Centos-7.repo /etc/yum.repos.d/ 
2 cd /etc/yum.repos.d/ 
3 mv CentOS-Base.repo CentOS-Base.repo.bak
4 mv Centos-7.repo CentOS-Base.repo

5）执行yum源更新命令

yum clean all 
# 服务器的包信息下载到本地电脑缓存起来
yum makecache 
yum update -y

配置完毕。

2.2 安装常用软件

1 yum install -y openssh-server vim gcc gcc-c++ glibc-headers bzip2-devel lzo-devel curl wget openssh-clients zlib-devel autoconf automake cmake libtool openssl-devel fuse-devel snappy-devel telnet unzip zip net-tools.x86_64 firewalld systemd

2.3 关闭防火墙

查看防火墙状态：firewall-cmd --state 关闭防火墙：systemctl stop firewalld.service 禁止防火墙开机启动： systemctl disable firewalld.service 查看服务是否开机启动： systemctl is-enabled firewalld.service

2.4 关闭SELinux

查看关闭状态 /usr/sbin/sestatus -v 关闭方法 vim /etc/selinux/config 把文件里的SELINUX=disabled

重启服务器 reboot 启动之后用 /usr/sbin/sestatus -v 查看selinux的修改状态

2.5 安装JDK

1）JDK 下载地址 地址： http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

2）安装JDK 用 rz 命令将安装文件上传Linux 系统 rpm -ivh jdk-8u144-linux-x64.rpm 3）配置JDK 环境变量 修改系统环境变量文件 /etc/profile，在文件尾部追加以下内容

1 export JAVA_HOME=/usr/java/jdk1.8.0_144
2 export JRE_HOME=$JAVA_HOME/jre
3 export PATH=$PATH:$JAVA_HOME/bin
4 export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

export 设置或显示环境变量用export修饰一个变量，A脚本中调用B脚本，B脚本也能拿到这个变量

4）使修改生效，并配置JDK

1 #使修改生效
2 source /etc/profile
3 #查看系统变量值
4 env | grep PATH
5 #检查JDK 配置情况
6 env | grep JAVA_HOME

2.6 修改主安装常用软件主机名

1 hostnamectl set-hostname nn1.hadoop
2 #修改完后用hostname可查看当前主机名
3 hostname

2.7 创建hadoop 用户并设置 hadoop 用户密码

1 #创建hadoop用户
2 useradd hadoop
3 
4 #给hadoop用户设置密码
5 hadoop000

2.8 给hadoop用户，配置SSH密钥

配置SSH密钥的目的：使得多台机器间可以免密登录。 实现原理： 使用ssh-keygen在linux01 上生成private和public密钥，将生成的public密钥拷贝到远程机器linux02 上后,就可以使用ssh命令无需密码登录到另外一台机器linux02上。如果想互相登录，则要把公钥私钥都拷贝到远程机器linux02 上。

实现步骤：

 1 #切换到hadoop用户
 2 su – hadoop                      
 3 #创建.ssh目录
 4 mkdir ~/.ssh   
 5 #生成ssh公私钥                         
 6 ssh-keygen -t rsa -f ~/.ssh/id_rsa -P ''    
 7 #输出公钥文件内容并且重新输入到~/.ssh/authorized_keys文件中        
 8 cat ~/.ssh/id_rsa.pub > ~/.ssh/authorized_keys 
 9 #给~/.ssh文件加上700权限
10 chmod 700 ~/.ssh       
11 #给~/.ssh/authorized_keys加上600权限       
12 chmod 600 ~/.ssh/authorized_keys

2.9 禁止非 whell 组用户切换到root，配置免密切换root

通常情况下，一般用户通过执行“su -”命令、输入正确的root密码，可以登录为root用户来对系统进行管理员级别的配置。但是，为了更进一步加强系统的安全性，有必要建立一个管理员的组，只允许这个组的用户来执行 “su -” 命令登录为 root 用户，而让其他组的用户即使执行 “su -” 、输入了正确的 root 密码，也无法登录为 root 用户。在UNIX和Linux下，这个组的名称通常为 “wheel” 。 回到root用户 1）修改/etc/pam.d/su配置 su 时要求用户加入到wheel组修改/etc/pam.d/su文件，将“ #auth required pam_wheel.so”替换成“auth required pam_wheel.so” 修改/etc/pam.d/su文件，将“ #auth sufficient pam_wheel.so”替换成“auth sufficient pam_wheel.so”

2）修改/etc/login.defs文件 只有wheel组可以su 到root cp /etc/login.defs /etc/login.defs_back 先做个备份 tail /etc/login.defs 从文件底部查看

3）添加用户到管理员，禁止普通用户su 到 root

1 #把hadoop用户加到wheel组里
2 [root@nn1 ~]# gpasswd -a hadoop wheel
3 #查看wheel组里是否有hadoop用户
4 [root@nn1 ~]# cat /etc/group | grep wheel

4）用 hadoop 用户验证一下，由于 hadoop 没有在wheel 组里，所以没有 su - root 权限。

5）修改/etc/pam.d/su文件（上面已经配好） 将字符串“#auth sufficient pam_wheel.so”替换成“auth sufficient pam_wheel.so”

2.10 配置hosts 文件

在克隆机器前，配置nn1 机器的 /etc/hosts 文件，文件内需要配置nn1、nn2、s1、s2、s3 所有机器的IP 和主机名。

修改/etc/hosts文件，追加以下内容。vim /etc/hosts

1 192.168.174.160 nn1.hadoop
2 192.168.174.161 nn2.hadoop
3 192.168.174.162 s1.hadoop
4 192.168.174.163 s2.hadoop
5 192.168.174.164 s3.hadoop

2.11 克隆4台机器

执行完上面的命令，一个基础的linux系统就配置好了。然后再根据这个虚拟机克隆出 4个linux系统

其中：nn2.hadoop：从节点

s1.hadoop、s2.hadoop、s3.hadoop：三个工作节点

并用hadoop用户，测试彼此之间是否能进行ssh通信

1）虚拟机克隆

右键 nn1 机器→ 管理 → 克隆。

克隆完成后，需要给克隆的虚拟机配置静态IP。

2）配置静态IP

1）查看网卡硬件名称和基本信息 ip add

虚拟机会给每个克隆的虚拟机创建新网卡，如上面的 ens33 。如果网卡设备信息中没有显示IP，则需要配置配置文件 cd /etc/sysconfig/network-scripts/

vim ifcfg-ens33 service network restart ifcfg-xxx 中的xxx 与网卡名相同后，配置ifcfg-xxx 文件

 1 TYPE="Ethernet"
 2 BOOTPROTO="static"
 3 DEFROUTE="yes"
 4 PEERDNS="yes"
 5 PEERROUTES="yes"
 6 IPV4_FAILURE_FATAL="no"
 7 IPV6INIT="yes"
 8 IPV6_AUTOCONF="yes"
 9 IPV6_DEFROUTE="yes"
10 IPV6_PEERDNS="yes"
11 IPV6_PEERROUTES="yes"
12 IPV6_FAILURE_FATAL="no"
13 NAME="ens33"
14 UUID="d15377eb-6ffa-44c9-a06d-f7eb00f49f44"
15 DEVICE="ens33"
16 ONBOOT="yes"
17 IPADDR=192.168.142.133
18 PREFIX=24
19 GATEWAY=192.168.142.2
20 DNS1=192.168.142.2
21 DNS2=8.8.8.8

需要修改的内容，配置完的网卡文件

配置完后，用systemctl restart network.service重启网络服务，当前的ssh就连接不上了，是因为网络IP被改变成你自己设置的静态IP。用 ip add 查看网卡信息用 ping www.baidu.com 看是否能连接外网。

1 hostnamectl set-hostname nn1.hadoop
2 #修改完后用hostname可查看当前主机名
3 hostname

如果上不了网执行以下操作 3）配置 /etc/resolv.conf 的 nameserver cat /etc/resolv.conf 查看nameserver是否被设置正确

vim /etc/resolv.conf 修改文件，如果不存在nameserver就在文件下面添加，如果存在就修改，把nameserver 设置成自己对应的DNS。 4）停止掉NetworkManager服务 五台一起执行

1 // 停止NetworkManager服务
2 systemctl stop NetworkManager.service
3 // 并设置成开机不启动
4 systemctl disable NetworkManager.service
5 // 之后重启网络服务
6 systemctl restart network.service

5） 修改每个机器的主机名

1 hostnamectl set-hostname nn2.hadoop
2 hostnamectl set-hostname s1.hadoop
3 hostnamectl set-hostname s2.hadoop
4 hostnamectl set-hostname s3.hadoop

3 批量脚本说明及使用

3.1 批量脚本说明

执行脚本要给脚本加上可执行权限

1 chmod -R +x ~/hadoop_op

exe.sh ：执行su 命令，与ssh_root.sh 配套使用 ips ：用于存放要操作的主机列表，用回车或空格隔开 scp_all.sh ：用hadoop用户拷贝当前机器的文件到其他操作机 ssh_all.sh ：用hadoop 用户可登陆其他操作机执行相应操作 ssh_root.sh ：用hadoop 用户登录其他操作机，并su 到 root 用户，以root 用户执行相应操作，与exe.sh 配套使用 1）ips

2）ssh_all.sh

3）ssh_root.sh

4）exe.sh

5）scp_all.sh

3.2 批量脚本的使用

1）将批量脚本上传到机器上把hadoop_op.zip文件用 rz 命令上传到 nn1.hadoop 机器上 2）解压批量脚本，并修改批量脚本权限一般先切换到当前使用用户的home目录下解压： unzip hadoop_op.zip 修改权限：chmod -R 775 ./hadoop_op 3）测试批量SSH命令 ./ssh_all.sh hostname 4）测试批量传文件