目录
2.8 修改start-dfs.sh、stop-dfs.sh
2.9 修改start-yarn.sh、stop-yarn.sh
1 Hadoop 简介
Hadoop适合海量数据分布式存储和分布式计算
Hadoop 3.x的细节优化：
- Java改为支持8及以上
- HDFS支持纠删码
- HDFS支持多NameNode
- MR任务级本地优化
- 多重服务默认端口变更
Hadoop主要包含三大组件：HDFS+MapReduce+YARN
- HDFS负责海量数据的
分布式存储 - MapReduce是一个计算模型，负责海量数据的
分布式计算 - YARN主要负责
集群资源的管理和调度
2 下载并配置Hadoop
ssh-keygen -t rsa
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
把 公钥 的内容 附加到 authorized_keys 里：
修改hostname
su root
hostname bigdata01
第一次设置密码
更换主机名之后
2.1 修改/etc/profile
vim /etc/profile
添加
export HADOOP_HOME=/data/soft/hadoop-3.2.0
export PATH=.:$HADOOP_HOME/sbin:$HADOOP_HOME/bin:$PATH
需要root权限
等号前后不能有空格
java的环境也要有
wget --no-check-certificate --no-cookies --header "Cookie: oraclelicense=accept-securebackup-cookie" http://download.oracle.com/otn-pub/java/jdk/8u131-b11/d54c1d3a095b4ff2b6607d096fa80163/jdk-8u131-linux-x64.tar.gz
source一下使得环境变量生效
source /etc/profile
检查一下环境是否装好
检查是否装好hadoop
以下文件在{HADOOP_HOME}/etc/hadoop/目录下
2.2 修改hadoop-env.sh
JAVA_HOME是ubuntu系统自带的 log日志是自己建立的
export JAVA_HOME=/home/gdan/data/jdk-8u131-linux-x64/jdk1.8.0_131
export HADOOP_LOG_DIR=/home/gdan/data/soft/hadoop_repo/logs/hadoop
（注意这里 等号附近 前往不能有空格）
2.3 修改core-site.xml
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://bigdata01:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/data/hadoop_repo</value>
</property>
<property>
<name>hadoop.http.staticuser.user</name>
<value>root</value>
</property>
</configuration>
2.4 修改hdfs-site.xml
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
2.5 修改mapred-site.xml
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
2.6 修改yarn-site.xml
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.env-whitelist</name>
<value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>
</property>
</configuration>
2.7 修改workers
bigdata01
2.8 修改start-dfs.sh、stop-dfs.sh
在文件开头添加
HDFS_DATANODE_USER=root
HDFS_DATANODE_SECURE_USER=hdfs
HDFS_NAMENODE_USER=root
HDFS_SECONDARYNAMENODE_USER=root
2.9 修改start-yarn.sh、stop-yarn.sh
在文件开头添加
YARN_RESOURCEMANAGER_USER=root
HADOOP_SECURE_DN_USER=yarn
YARN_NODEMANAGER_USER=root
2.10 启动集群
第一次启动时，先初始化datanode，执行如下命令：
hdfs namenode -format
格式化操作
启动集群：（这里可能有一堆问题 例如openssh没有安装等等）
访问界面
- HDFS webui界面：http://bigdata01:9870
- YARN webui界面：http://bigdata01:8088
3 HDFS
HDFS是一种允许文件通过网络在多台主机上分享的文件系统，可以让多台机器上的多个用户分享文件和存储空间
3.1 HDFS常见shell操作
hdfs dfs [-cmd]
- -ls：查询指定路径信息
- -put：从本地上传文件
- -cat：查看HDFS文件内容
- -get：下载文件到本地
- -mkdir [-p]：创建文件夹
- -rm [-r]：删除文件/文件夹
3.2 HDFS实操案例
hdfs dfs -ls / | grep / | wc -l
linux管道
在Linux中，管道（pipe）是一种特殊的机制，用于将一个命令的输出连接到另一个命令的输入。通过使用管道，可以将多个命令组合在一起，以实现更复杂的任务。
管道使用竖线符号（|）表示。它将前一个命令的输出作为后一个命令的输入。例如，下面的命令将列出当前目录中的文件，并将结果通过管道传递给grep命令进行过滤：
ls | grep keyword上述命令将列出包含关键字"keyword"的文件。
管道可以连接任意数量的命令。例如，下面的命令将列出当前目录中的文件，并按文件大小进行排序，然后显示前10个最大的文件：
ls -l | sort -nrk 5 | head -n 10上述命令首先使用ls -l命令列出文件和目录的详细信息，然后将结果通过管道传递给sort命令，按第5列（文件大小）进行逆序排序，最后将结果通过管道传递给head命令，只显示前10行。
通过使用管道，可以将简单的命令组合成更复杂的操作，提高命令行的灵活性和效率。管道是Linux中强大而常用的功能之一。
ls 指定/目录，grep 搜索 / 目录，wc显示行数
hdfs dfs -ls / | grep / | awk '{print $8,$5}'
| awk '{print $8,$5}': 这部分命令继续使用管道符号将前一个命令的输出传递给awk命令。awk '{print $8,$5}'用于打印每行的第8个字段（文件或目录名）和第5个字段（文件大小）。字段之间用空格分隔。
3.3 HDFS体系结构
- HDFS支持主从结构，主节点称为NameNode，支持多个；从节点称为DataNode，支持多个
- HDFS中还包含一个SecondaryNameNode进程
1. NameNode--大老板
- NameNode是整个文件系统的管理节点
- 它主要维护着整个文件系统的文件目录树，文件/目录的信息和每个文件对应的数据块列表，并且还负责接收用户的操作请求
2. SecondaryNameNode--秘书
- 主要负责定期的把edits中的内容合并到fsimage中
- 这个合并操作称为checkpoint，在合并的时候会对edits中的内容进行转换，生成新的内容保存到fsimage文件中
- 注意：在NameNode的HA（高可用）架构中没有SecondaryNameNode进程，文件合并操作会由standby NameNode负责实现
3. DataNode--小二
- 提供真实文件数据的存储服务
- HDFS会按照固定的大小，顺序对文件进行划分并编号，划分好的每一个块称一个Block，HDFS默认Block大小是128MB
- HDFS中，如果一个文件小于一个数据块的大小，那么并不会占用整个数据块的存储空间
- Replication：多副本机制，HDFS默认副本数量为3
- 通过dfs.replication属性控制
3.4 DataNode总结
注意：Block块存放在哪些DataNode上，只有DataNode自己知道，当集群启动的时候，DataNode会扫描自己节点上面的所有Block块信息，然后把节点和这个节点上的所有Block块信息告诉给NameNode。这个关系是每次重启集群都会动态加载的【这个其实就是集群为什么数据越多，启动越慢的原因】
3.5 NameNode总结
NameNode维护了两份关系：
- 第一份关系：File与Block list的关系，对应的关系信息存储在fsimage和edits文件中（当NameNode启动的时候会把文件中的元数据信息加载到内存中）
- 第二份关系：Datanode与Block的关系（当DataNode启动时，会把当前节点上的Block信息和节点信息上报给NameNode）
文件的元数据信息在NameNode里面都会占用150字节的存储空间。
1，fsimage文件其实是hadoop文件系统元数据的一个永久性的检查点，其中包含hadoop文件系统中的所有目录和文件idnode的序列化信息。
2，edits文件存放的是hadoop文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先会被记录到edits文件中。
3.6 HDFS的回收站
在core-site.xml添加配置
<property>
<name>fs.trash.interval</name>
<value>1440</value>
</property>
重启hadoop
stop-all.sh
start-all.sh
忽略回收站删除文件的命令：
- HDFS为每个用户创建一个回收站目录：
/user/用户名/.Trash/ - 回收站中的数据都会有一个默认保存周期，过期未恢复则会被HDFS自动彻底删除
- 注意：HDFS的回收站默认是没有开启的，需要修改
core-site.xml中的fs.trash.interval属性
3.7 HDFS的安全模式
- 集群刚启动时，HDFS会进入安全模式，此时无法执行操作
- 查看安全模式：
hdfs dfsadmin -safemode get - 离开安全模式：
hdfs dfsadmin -safemode leave
3.8 案例：定时上传文件到HDFS
案例需求：例如日志文件为access_2020_01_01.log，每天上传到HDFS中
解决思路：
- 我们需要获取到昨天日志文件的名称
- 在HDFS上面使用昨天的日期创建目录
- 将昨天的日志文件上传到刚创建的HDFS目录中
- 要考虑到脚本重跑，补数据的情况
- 配置crontab任务
3.9 HDFS的高可用（HA）
- HDFS的HA，表示一个集群中存在多个NameNode，只有一个NameNode是处于Active状态，其它的是处于Standby状态
- Active NameNode（ANN）负责所有客户端的操作，Standby NameNode（SNN）用于同步ANN的状态信息，提供快速故障恢复能力
- 使用HA的时候，不能启动SecondaryNameNode
3.10 HDFS的高扩展（Federation）
- Federation可解决单一命名空间的一些问题，提供以下特性：HDFS集群扩展性、性能更高效、良好的隔离性
4 MapReduce
- MapReduce是一种分布式计算模型，主要用于搜索领域，解决海量数据的计算问题
- MapReduce有两个阶段组成：Map和Reduce
4.1 Map阶段
- 框架会把输入文件（夹）划分为很多InputSplit，默认每个HDFS的Block对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个<k1,v1>。默认每一行数据，会被解析成一个<k1,v1>
- 框架调用Mapper类中的map(...)函数，map函数的输入是<k1,v1>，输出是<k2,v2>。一个InputSplit对应一个Map Task
- 框架对map函数输出的<k2,v2>进行分区。不同分区中的<k2,v2>由不同的Reduce Task处理，默认只有1个分区
- 框架对每个分区中的数据，按照k2进行排序、分组。分组，指的是相同k2的v2分成一个组
- 在Map阶段，框架可以执行Combiner操作【可选】
- 框架会把Map Task输出的<k2,v2>写入Linux的磁盘文件中
4.2 Redeuce阶段
- 框架对多个Map Task的输出，按照不同的分区，通过网络Copy到不同的Reduce节点，这个过程称作Shuffle
- 框架对Reduce节点接收到的相同分区的<k2,v2>数据进行合并、排序、分组
- 框架调用Reducer类中的reduce方法，输入<k2,{v2...}>，输出<k3,v3>。一个<k2,{v2...}>调用一次reduce函数
- 框架把Reduce的输出结果保存到HDFS中
4.3 MapRedeuce任务日志查看
在yarn-site.xml添加配置，开启YARN的日志聚合功能，把散落在NodeManager节点上的日志统一收集管理，方便查看日志
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<property>
<name>yarn.log.server.url</name>
<value>http://bigdata01:19888/jobhistory/logs/</value>
</property>
重启Hadoop，并启动HistoryServer
stop-all.sh
start-all.sh
mapred --daemon start historyserver
使用命令查看任务执行的日志：这里的id不一定，可以通过 hadoop job -list 来看看是否有任务
yarn logs -applicationId application_158771356
停止yarn任务：
yarn application -kill application_15877135678
4.4 Shuffle原理
- 在Map阶段中，通过InputSplit过程产生一个Map任务，该任务在执行的时候会把 <k1,v1>转化为<k2,v2>，这些数据会先临时存储到一个内存缓冲区中，这个内存缓冲区的大小默认是100M（io.sort.mb属性），
- 当达到内存缓冲区大小的80%（io.sort.spill.percent）即80M时，会把内 存中的数据溢写到本地磁盘中（mapred.local.dir），直到Map把所有的数据都计算完
- 最后会把内存缓冲区中的数据一次性全部刷新到本地磁盘文件上
- 数据会被shuffle线程分别拷贝到不同的reduce节点，不同Map任务中的相同分区的数据会在同一个reduce节点进行合并，合并以后会执行reduce的功能，最终产生结果数据。
注：shuffle其实是横跨Map端和Reduce端，主要是负责把Map端产生的数据通过网络拷贝到Reduce阶段进行统一聚合计算。
4.5 Shuffle原理
- 序列化：将内存中的对象信息转成二进制的形式，方便存储到文件中
- Hadoop实现了自己的序列化和反序列化机制，单独设计了一些
writable的实现，例如Longwritable、Text等
特点：
- 紧凑：高效使用存储空间
- 快速：读写数据的额外开销小
- 可扩展：可透明地读取老格式的数据
- 互操作：支持多语言的交互
4.6 InputSplit原理
- 当文件剩余大小bytesRemaining与splitSize的比值大于1.1的时候，就继续切分，否则，剩下的直接作为一个InputSize（即当bytesRemaining/splitSize <= 1.1时，会停止划分，将剩下的作为一个InputSplit）
- 把不支持切割的文件作为一个InputSplit，比如压缩文件
4.7 RecodReader原理
- 每一个InputSplit都有一个RecordReader，作用是把InputSplit中的数据解析成Record，即<k1,v1>
- 如果这个InputSplit不是第一个InputSplit，将会丢掉读取出来的第一行，因为总是通过next()方法多读取一行（会多读取下一个InputSplit的第一行）