【大数据】Hadoop运行模式（集群搭建）

文章目录

一、运行模式

Hadoop 运行模式包括：本地模式、伪分布式模式以及完全分布式模式。

• 本地模式（Local/Standalone Mode）：单台服务器，数据存储在Linux本地。生产环境几乎不会采用该模式
• 伪分布式模式（Pseudo-Distributed Mode）：单台服务器，数据存储在HDFS上。有较少的小型公司采用该模式。
• 完全分布式模式（Fully-Distributed Mode）：多台服务器组成集群，数据存储在HDFS上，多台服务器工作。在企业中大量使用。

二、本地运行模式

（1）在 hadoop-3.3.6 文件下面创建一个 wcinput 文件夹

mkdir wcinput

（2）在 wcinput 文件下创建一个 word.txt 文件

cd wcinput

（3）编辑 word.txt 文件

vim word.txt

在文件中输入如下内容

a d
a c
b
b

保存退出：

:wq

（4）回到 Hadoop 目录/opt/module/hadoop-3.3.6
（5）执行程序

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar wordcount wcinput wcoutput

（6）查看结果

cat wcoutput/part-r-00000

看到如下结果：

a 2
b 2
c 1
d 1

三、完全分布式运行模式

主要步骤：

• 准备三台服务器 hadoop102、hadoop103、hadoop104，关闭防火墙、设置静态IP、配置主机名称和主机映射。
• 安装JDK、Hadoop，配置环境变量
• 配置集群
• 单点启动
• 配置ssh
• 群起并测试集群

1. 编写集群分发脚本xsync

1.1 scp安全拷贝

scp 可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）
(1) 基本语法

scp [选项] 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称

(2) 说明
选项说明-r递归复制文件和目录-p在复制时保留文件的权限、模式和访问时间-P目标主机SSH端口号-I复制时限制带宽-i身份文件或私钥-C启用压缩
(3) 案例实操
使用scp将安装包进行分发，因为在 hadoop102上已经搭建好了 jdk、hadoop，所以可以直接复制到其他服务器上：

# 在 hadoop102 上，将 hadoop102 中/opt/module/jdk1.8.0_212 目录拷贝到hadoop103 上scp-r /opt/module/jdk1.8.0_212 huahua@hadoop103:/opt/module
# 在 hadoop103 上，将 hadoop102 中/opt/module/hadoop-3.1.3 目录拷贝到hadoop103 上scp-r huahua@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/
# 在 hadoop103 上操作，将 hadoop102 中/opt/module 目录下所有目录拷贝到hadoop104 上scp-r huahua@hadoop102:/opt/module/* huahua@hadoop104:/opt/module

1.2 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 [选项] 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称

(2)说明
选项功能-a归档拷贝-v显示复制过程–delete当目的路径文件或文件夹比源路径多（源路径删除了文件），删除目的路径的文件
(3)案例实操

# 同步 hadoop102 中的/opt/module/hadoop-3.1.3 到 hadoop103rsync-av hadoop-3.1.3/ huahua@hadoop103:/opt/module/hadoop-3.1.3/

1.3 xsync集群分发脚本

需求：循环复制文件到所有节点的相同目录下
期望脚本：

xsync 要同步的文件名称

期望脚本在任何路径都能使用（脚本放在声明了全局环境变量的路径）

# 查看声明全局变量的路径echo$PATH
/usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/home/huahua/.local/bin:/home/huahua/bin:/opt/module/jdk1.8.0_212/bin

可以编写一个shell脚本调用 rsync 命令，将文件同步到所有节点的相同目录下。在/home/huahua创建bin目录，并将/home/huahua/bin加入环境变量。
在

/home/huahua/bin

中新建一个shell脚本文件

xsync

，内容如下：

#!/bin/bash# 1. 判断参数个数if[$#-lt1]thenecho Not Enough Argument
    exitfi# 2. 遍历集群所有机器forhostin hadoop102 hadoop103 hadoop104
doecho==================$host=====================# 3. 遍历所有目录，逐个发送forfilein$@do# 4. 判断文件是否存在if[-e$file]then# 5. 获取父目录# -P 如果cd后面是一个软链接，-P可以进入软链接指向的真正文件夹pdir=$(cd-P$(dirname $file);pwd)# 6. 获取当前文件名称fname=$(basename $file)# -p 如果存在则不创建,如果不存在则创建ssh$host"mkdir -p $pdir"rsync-av$pdir/$fname$host:$pdirelseecho$file does not exists!fidonedone

执行时，只需：

xsync 文件或文件夹1 文件或文件夹2.....

执行即可。

# 将/home/tengyer/bin文件夹同步到其他几台服务器cd /home/huahua
xsync bin/

如果要同步的文件是root权限，比如环境变量配置文件

/etc/profile.d/my_env.sh

，可以使用

sudo

进行同步

# 使用sudo时，因为xsync不在root的命令列表，所以需要使用./进行调用sudo ./bin/xsync /etc/profile.d/my_env.sh

脚本中使用了 ssh 命令和 rsync命令去连接其他服务器，所以每台服务器都要输入两次密码，比较繁琐，可以配置ssh免密登录。

2. SSH免密登录

免密登录原理

如果当前服务器使用ssh命令连接过其他服务器，那么在该用户家目录下就会生成一个 .ssh文件夹，里面存有一个

known_hosts

文件，文件中保存的有该用户曾经使用ssh命令远程连接过的服务器。

配置hadoop102免密登录hadoop103、hadoop104：
(1) 在hadoop102上创建一个SSH的RSA密钥对：

# 选择非对称加密算法为rsa算法
ssh-keygen -t rsa
# 然后一路回车即可

命令执行后，会在用户家目录下的 .ssh文件夹中生成一个公钥文件

id_rsa.pub

、一个私钥文件

id_rsa

(2) 将hadoop102上的公钥id_rsa.pub拷贝到hadoop103、hadoop104：

# 将hadoop102的公钥拷贝给hadoop103# 命令执行后，需要输入hadoop103的密码# 之后hadoop102再用ssh访问hadoop103时便不再需要输入密码
ssh-copy-id hadoop103 

# 配置免密登录 hadoop104
ssh-copy-id hadoop103

(3) 另外，还需要对自己设置免密登录，否则 hadoop102 使用 ssh 连接 hadoop102 本身时也需要密码：

ssh-copy-id hadoop102

进行免密之后，在 hadoop103、hadoop104的 .ssh 文件夹中会多一个

authorized_keys

文件，里面记录了允许哪些客户机免密登录自己。authorized_keys文件中的内容其实就是 hadoop102的公钥文件

id_rsa.pub

中的内容。

(4) 然后在 hadoop103、 hadoop104上也执行上述同样的操作，使集群中的几台服务器可以互相免密登录。
.ssh 文件夹下（~/.ssh）的文件功能解释
文件功能known_hosts记录 ssh 访问过计算机的公钥（public key）id_rsa生成的私钥id_rsa.pub生成的公钥authorized_keys存放授权过的无密登录服务器公钥

3. 集群配置

3.1 服务器规划

注意事项：

• NameNode 和 SecondaryNameNode 不要安装到同一台服务器上
• ResourceManager 也很消耗内存，不要和 NameNode、SecondaryNameNode配置在同一台机器上

Hadoop集群 = HDFS集群 + Yarn集群

• Yarn集群和HDFS集群：逻辑上分离、物理上在一起。
• 逻辑上，Yarn集群的启动和HDFS集群的启动并没有直接的依赖关系。
• 物理上，Yarn集群、HDFS集群，都是在同一个安装了Hadoop的集群内。
• MapReduce是计算框架，是代码层面的组件，没有集群之说。

对三台服务器进行如下规划：

3.2 配置文件配置

Hadoop 配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值。

默认配置文件：
要获取的默认文件文件存放在 Hadoop 的 jar 包中的位置[core-default.xml]hadoop-common-3.1.3.jar/core-default.xml[hdfs-default.xml]hadoop-hdfs-3.1.3.jar/hdfs-default.xml[yarn-default.xml]hadoop-yarn-common-3.1.3.jar/yarn-default.xml[mapred-default.xml]hadoop-mapreduce-client-core-3.1.3.jar/mapred-default.xml
自定义配置文件：

core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml、workers

五个配置文件存放在$HADOOP_HOME/etc/hadoop 这个路径上，用户可以根据项目需求重新进行修改配置。
**(1)**配置核心配置文件 core-site.xml

cd $HADOOP_HOME/etc/hadoop

进入hadoop目录，

vim core-site.xml

进入文件

<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><!-- 在configuration中添加以下配置信息 --><!-- 指定NameNode的地址 --><!-- core-defualt.xml中该项默认值为本地Linux路径，因为我们集群要用HDFS，所以要改成HDFS路径  --><property><name>fs.defaultFS</name><value>hdfs://hadoop102:8020</value></property><!-- 指定hadoop数据的存储目录 --><!-- core-default.xml中该项默认值为 /tmp/hadoop-${user.name}，因为 /tmp在Linux中是临时目录，一段时间（默认一个月）会删除，所以要调整为自定义目录 --><!-- 我们指定的data文件夹如果不存在，hadoop会自动进行创建 --><property><name>hadoop.tmp.dir</name><value>/opt/module/hadoop-3.3.6/data</value></property><!-- 配置HDFS网页登录使用的静态用户为tengyer（即hdfs中的用户） --><!-- 如果不配置，那么在浏览器中默认的是Mr.who，该用户删除hdfs文件时，会提示无权限。--><property><name>hadoop.http.staticuser.user</name><value>tengyer</value></property></configuration>

**(2)**配置HDFS的hdfs-site.xml

vim hdfs-site.xml

进入文件

<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><!-- 在configuration中添加以下配置 --><!-- NameNode对外暴露的Web端访问地址 --><property><name>dfs.namenode.http-address</name><value>hadoop102:9870</value></property><!-- 2NN 对外暴露的Web端访问地址（2NN安装在hadoop104上） --><property><name>dfs.namenode.secondary.http-address</name><value>hadoop104:9868</value></property></configuration>

**(3)**配置Yarn的yarn-site.xml

vim yarn-site.xml

进入文件

<?xml version="1.0"?><configuration><!-- 在configuration中添加以下配置 --><!-- 指定MR走shuffle --><!-- 在yarn-default.xml中该项默认值为空，但是官方推荐使用mapreduce_shuffle --><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property><!-- 指定ResourceManager的地址（ResourceManager安装在hadoop103） --><property><name>yarn.resourcemanager.hostname</name><value>hadoop103</value></property><!-- 环境变量的继承 --><!-- Hadoop3.1.x需要配置，因为yarn-default.xml中该项默认值缺少了HADOOP_MAPRED_HOME --><!-- 到了Hadoop3.2.x就不需要再配置该项了，可以直接使用yarn-default.xml中的默认值 --><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>

**(4)**配置MapReduce的mapred-site.xml

vim mapred-site.xml

进入文件

<?xml version="1.0"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><!-- 在configuration中添加以下配置 --><!-- 指定MapReduce程序运行在Yarn上 --><!-- mapred-default.xml中该项默认值是local，即在本地运行 --><property><name>mapreduce.framework.name</name><value>yarn</value></property></configuration>

(5) 配置完成后，将hadoop102的这些配置同步分发给hadoop103、hadoop104

cd /opt/module/hadoop-3.3.6/etc

# 使用我们编写的同步分发脚本进行分发
xsync hadoop/

4.群起集群

4.1 配置workers

workers内容即为集群中的各台主机，默认的是localhost。因为我们使用集群方式，所以可以删掉localhost，然后把几台主机都配置进来。

需要在

$HADOOP_HOME/etc/hadoop/workers

中将几台节点都添加进去（该文件将来会作为hadoop集群启动的脚本一部分，所以主机名后面不能有空格、结尾也不能有空行）

hadoop102
hadoop103
hadoop104

将works文件分发给其他服务器

xsync works

4.2 启动集群

（1）NameNode初始化
根据集群规划，我们的NameNode节点为hadoop102。
如果是第一次启动集群，需要进行初始化操作，在hadoop102节点上格式化NameNode。（类似于电脑新加了一个硬盘，需要给硬盘进行分盘符等初始化操作）

cd$HADOOP_HOME
hdfs namenode -format# 初始化完毕后，会在 $HADOOP_HOME 文件夹中生成 data和logs两个文件夹

注意：格式化 NameNode，会产生新的集群 id，导致 NameNode 和 DataNode 的集群 id不一致，集群找不到以往数据。如果集群在运行过程中报错，需要重新格式化 NameNode 的话，一定要先停止 namenode 和 datanode 进程，并且要删除所有机器的 data 和 logs 目录，然后再进行格式化。

（2）启动HDFS

# 在hadoop102服务器上启动集群
sbin/start-dfs.sh

启动完毕后，在三台服务器上依次使用jps查看其上面运行的 hdfs 的java进程和集群规划的是否一致。正常情况下，应该为以下形式：

• hadoop102上：jps本身、DataNode、NameNode
• hadoop103上：jps本身、DataNode
• hadoop104上：jps本身、DataNode、SecondaryNameNode

可以使用浏览器访问NameNode，查看HDFS中的存储数据信息：http://hadoop102:9870

（3）启动YARN
根据集群规划，我们的ResourceManager节点为 hadoop103

# 在hadoop103上启动YARN
sbin/start-yarn.sh

启动完毕后，在三台服务器上依次使用jps查看其上面运行的 hdfs、yarn 的java进程和集群规划的是否一致。正常情况下，应该为以下形式：

• hadoop102上：jps本身、DataNode、NameNode、NodeManager
• hadoop103上：jps本身、DataNode、NodeManager、ResourceManager
• hadoop104上：jps本身、DataNode、SecondaryNameNode、NodeManager

可以在浏览器查看Yarn的ResourceManager，查看yarn上运行的job信息：http://hadoop103:8088

4.3 测试集群运行情况

（1）测试上传文件到集群

# 在hdfs创建一个目录
hadoop fs -mkdir /wcinput
# 上传小文件
hadoop fs -put$HADOOP_HOME/wcinput/word.txt /input
# 上传大文件
hadoop fs -put /opt/software/jdk-8u381-linux-x64.tar.gz /

上传之后便可以在NameNode的web页面中进行查看下载，也可以使用命令进行查看和下载

hadoop fs -ls /wcinput
hadoop fs -get /wcinput/aa.txt aa.txt

上传的文件保存在我们在core-site.xml中配置的

/opt/module/hadoop-3.3.6/data

目录。

因为hadoop上传的文件默认会存储3份进行备份，所以三台服务器上都会保存有刚刚上传的文件，位于：

/opt/module/hadoop-3.3.6/data/dfs/data/current/BP-xxxxxxxx/current/finalized/subdir0/subdir0

文件夹中。
（2）测试Yarn执行wordcount示例程序
在hadoop102上执行Hadoop的wordcount示例程序：

# 统计我们上传导hdfs的 /wcinput/aa.txt中的单词出现次数# 因为我们的core-site.xml中配置的fs.defaultFS不再是local，而是hdfs地址了，所以文件输入路径、结果输出路径应该为hdfs上的路径
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar wordcount /wcinput /wcoutput

通过yarn的web管理页面查看运行的job，可以发现多出来一个正在运行的wordcount任务。
执行完毕后，可以在hdfs上查看到输出的结果/wcoutput/part-r-00000。
执行完毕后，yarn管理页面上的job状态也变为FINISHED。
但是因为我们没有配置历史记录服务器，所以该job后面的History点击出现404。如果没有历史记录服务器，那么yarn无法记录历史job，当前页面展示的 job 信息过段时间就会被清除。

4.4 集群崩溃时的处理

集群中如果有服务器 DataNode服务被kill或异常终止了，或者节点的data文件夹被删除了（只删除一两台节点不影响集群，因为hdfs有3个备份，所以需要三台服务器的data都被删掉），此时集群便属于崩溃状态。

如果需要重新格式化NameNode，则可以进行以下操作：
(1) 在hadoop103上关闭集群Yarn

sbin/stop-yarn.sh

(2) 在hadoop102上关掉集群hdfs

sbin/stop-dfs.sh

(3) 删除所有节点上的 data、logs文件夹
(4) 重新进行NameNode格式化

hdfs namenode -format

5. 配置历史服务器

为了查看程序的历史运行情况，需要配置历史服务器。

在 hadoop102节点上，修改

mapred-site.xml

：

<!-- 在configuration标签中加入如下配置 --><!-- 配置历史服务器的内部服务端地址 --><property><name>mapreduce.jobhistory.address</name><value>hadoop102:10020</value></property><!-- 配置历史服务器暴露的web地址 --><property><name>mapreduce.jobhistory.webapp.address</name><value>hadoop102:19888</value></property>

将配置信息复制分发到其他服务器：

xsync mapred-site.xml

在hadoop103节点上重启 Yarn：

sbin/stop-yarn.sh
sbin/start-yarn.sh

因为我们配置了hadoop102为历史服务器，所以需要在hadoop102上启动历史服务器进程：

mapred --daemon start historyserver

启动之后，使用

jps

查看java进程，可以发现多出来了一个

JobHistoryServer

进程。

可以在浏览器查看我们的历史服务器信息：http://hadoop102:19888

6. 配置日志的聚集

日志聚集概念：应用运行完成以后，将程序运行日志信息上传到 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 HistoryServer。

（1）配置 yarn-site.xml
在hadoop102节点的 yarn-site.xml 中加入配置：

<!-- 在configuration中加入以下配置 --><!-- 配置日志聚集功能，yarn-default.xml中该项默认为false --><property><name>yarn.log-aggregation-enable</name><value>true</value></property><!-- 设置日志聚集服务器地址，设置聚集到历史日志服务器上，方便查看 --><property><name>yarn.log.server.url</name><value>http://hadoop102:19888/jobhistory/logs</value></property><!-- 设置日志保留时间：7天 --><property><name>yarn.log-aggregation.retain-seconds</name><value>604800</value></property>

（2）分发给其他服务器

xsync yarn-site.xml

（3）重启HistroyServer、Yarn（ResourceManager、NodeManager）

# 在hadoop102上停止历史服务器
mapred --daemon stop historyserver
# 在hadoop103上重启Yarn
sbin/stop-yarn.sh
sbin/start-yarn.sh
# 在hadoop102上启动历史服务器
mapred --daemon start historyserver

# 测试：可以删除hdfs上的/wcoutput结果文件夹，然后重新执行wordcount任务
hadoop fs -rm-f-r /wcoutput
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar wordcount /wcinput /wcoutput

到 http://hadoop102:19888/ 查看历史任务时，点击logs链接便可以正常查看历史任务日志

7. 集群的启停方式

整体启动、停止 HDFS：

# 启动hdfs集群
sbin/start-dfs.sh
# 停止hdfs集群
sbin/stop-dfs.sh

整体启动、停止 YARN：

# 启动YARN集群
sbin/start-yarn.sh
# 停止YARN集群
sbin/stop-yarn.sh

分别启动、停止 HDFS 组件（例如某台DataNode宕机了，需要只将该服务器的DataNode重新启动，无需整个集群重启）：

hdfs --daemon start/stop namenode/datanode/secondarynamenode

启动、停止YARN组件：

yarn--daemon start/stop resourcemanager/nodemanager

8. 编写Hadoop集群常用脚本

编写脚本集中启动、停止

vim myhadoop.sh

#!/bin/bashif[$#-lt1]thenecho"No args Input..."exit;ficase$1in"start")echo"============= 启动hadoop集群 ======================"echo"------------- 启动 hdfs ---------------------------"ssh hadoop102 "/opt/module/hadoop-3.3.6/sbin/start-dfs.sh"echo"------------- 启动 yarn ---------------------------"ssh hadoop103 "/opt/module/hadoop-3.3.6/sbin/start-yarn.sh"echo"---------- 启动 historyserver ----------------------"ssh hadoop102 "/opt/module/hadoop-3.3.6/bin/mapred --daemon start historyserver";;"stop")echo"================ 关闭hadoop集群 =========================="echo"-------------- 关闭historyserver ------------------------"ssh hadoop102 "/opt/module/hadoop-3.3.6/bin/mapred --daemon stop historyserver"echo"---------------- 关闭 yarn ------------------------------"ssh hadoop103 "/opt/module/hadoop-3.3.6/sbin/stop-yarn.sh"echo"---------------- 关闭 hdfs ------------------------------"ssh hadoop102 "/opt/module/hadoop-3.3.6/sbin/stop-dfs.sh";;
*)echo"Input Args Error...";;esac

保存后退出，然后赋予脚本执行权限

chmod +x myhadoop.sh

使用脚本进行集群整体的启停：

# 停止整个historyserver、yarn、hdfs集群
myhadoop.sh stop
# 启动整个hdfs、yarn、historyserver集群
myhadoop.sh start

编写脚本，遍历集群中每台服务器调用jps查看上面的java进程启动情况：

jpsall

#!/bin/bashforhostin hadoop102 hadoop103 hadoop104
doecho=================$host=================ssh$host jps
done

执行脚本查看集群所有服务器的java进程情况：

jpsall

将hadoop102上编写好的这两个脚本分发给其他服务器：

xsync jpsall myhadoop.sh

9. hadoop常用端口号

端口名称Hadoop2.xHadoop3.xNameNode 内部通信端口8020 / 90008020 / 9000/9820NameNode HTTP UI500709870MapReduce 查看执行任务端口80888088历史服务器通信端口1988819888