分布式集群——搭建Hadoop环境以及相关的Hadoop介绍

系列文章目录

分布式集群——jdk配置与zookeeper环境搭建

分布式集群——搭建Hadoop环境以及相关的Hadoop介绍

文章目录

前言

一 hadoop的相关概念

1.1 Hadoop概念

补充：块的存储

1.2 HDFS是什么

1.3 三种节点的功能

I、NameNode节点

II、fsimage与edits文件存放的内容介绍

III、DataNode节点

IV、SecondaryNameNode节点【辅助管理员信息】

1.4 HDFS的读写流程

1、读操作

2、写操作

1.5 HDFS元数据管理机制

1、如何持久化存储数据？

fsimage(镜像文件)

edits log(编辑日志)

2、SeconderyNameNode辅助管理元数据的流程

第一阶段：启动NameNode

第二阶段：SecondaryNameNode开始工作

3. 小细节

二 HDFS的五大机制

1、切片机制

2、汇报机制

3、心跳检测机制

4、负载均衡

5、副本机制

三 Hadoop安装

3.1 集群规划列表

3.2 上传压缩包

3.3 配置相关的文件

（1）修改core-site.xml配置文件

（2）修改hdfs-site.xml

（3）配置hadoop-env.sh

（4）配置mapred-site.xml

（5）配置yarn-site.xml文件

（6）修改mapred-env.sh

（7）修改slaves（配置我们的从机）

（8）前面配置好后，我们需要自己创建目录

（9）分发安装内容

（10）三台机器配置hadoop环境变量

（11）启动集群

---

前言

本文主要介绍hadoop的相关概念以及在Linux上面配置Hadoop的具体操作。

一 hadoop的相关概念

1.1 Hadoop概念

Hadoop是一个由Apache基金会所开发的分布式系统基础架构，HDFS、MR、Yarn三个重要的组件组 成。HDFS是GFS的实现（论文必须会），Hadoop的MR是MR的实现（论文稍微了解一下）。

分片是客户端做的，专门的机器来接受请求，真正存节点的是客户端和datanode。

客户端建立通道上传，一次64k上传。存在缓存区。

切片是客户端负责切片，物理上分块，2.0以上为128M以上

目录信息在专门的机器上面，有两处存放位置【硬盘+内存】

读写文件时客户端与机器之间操作

文件需要嵌套缓冲流，

补充：块的存储

通过机架感知原理 + 网络拓扑结构实现副本摆放

• 第1个副本：优先本机存放，否则就近随机

• 第2个副本：放在与第1个副本就近不同机架上的某一个服务器

• 第3个副本：与第2个副本相同机架的不同服务器。

• 如果还有更多的副本：随机放在各机架的服务器中。

1.2 HDFS是什么

分布式文件系统,适合一次写入，多次查询的情况。不支持并发写，不适用于小文件存储【小文件内容1M,但是存放的时候依旧为128M】。低时延的数据访问。

重要的三个节点

• NameNode节点

• DataNode节点

• SecondaryNameNode节点【辅助源操作信息】

1.3 三种节点的功能

I、NameNode节点

NameNode节点：

• NameNode负责存储数据文件的元数据

• NameNode负责管理文件系统目录结构。接受客户端的文件操作请求。

NameNode维护两套数据：

• 一套是文件目录与数据块之间的对应关系【静态】

• 一套是数据块与存储节点之间的对应关系【动态】

前一套数据是静态的，存放在磁盘上，通过fsimage和edits【编辑日志文件】文件来维护；

后一套是动态的，在集群重启时会在内存自动建立这些信息。

• 其中fsimage存储的是某一时段NameNode内存元数据信息（配置时通过hdfs-default.xml中的dfs.name.dir选项设置）；【整个文件系统的目录结构以及文件相关信息】

• edits记录操作日志文件（配置时通过hdfs-default.xml的dfs.name.edits.dir选项设置）；fstime保存最近一次checkpoint的时间。

II、fsimage与edits文件存放的内容介绍

• fsimage：镜像文件实际是存放的目录结构、文件属性等相关信息，是NameNode中关于 元数据的镜像。它是在NameNode启动时对整个文件系统的快照。

• edits：编辑日志文件,记录对文件或者目录的修改信息，比如删除目录，修改文件等信 息。编辑日志一般命名规则是“edits_*”，它在NameNode启动后，记录对文件系统的改动 序列。

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。

fsimage和edits文件都是经过序列化的，在NameNode启动的时候，它会将fsimage文件中的所有内容加载到内存中，之后再执行edits文件中的各项操作。使得内存中的元数据和实际的数据同步，存在内存中的元数据支持客户端的读操作。

III、DataNode节点

DataNode负责按Block存储数据文件。每一个数据文件都会按照Block大小进行划分。每个Block都会进行多副本备份（一般为三份），通常多个副本会按照一定的策略(机架感知策略)放在不同的DataNode节点上。

IV、SecondaryNameNode节点【辅助管理员信息】

SecondaryNameNode作为NameNode的冷备份。负责合并NameNode上的fsimage和edits文件。集群启动会交给namenode存到内存里面。

SecondaryNameNode的本质作用是辅助NameNode进行fsimage和editlogs的合并操作。

1. 首先，它定时到NameNode去获取edit logs，并更新到fsimage上。[注：Secondary NameNode自己的fsimage]

2. 一旦它有了新的fsimage文件，它将其拷贝回NameNode中。

3. NameNode在下次重启时会使用这个新的fsimage文件，从而减少重启的时间。

Secondary NameNode的整个目的是在HDFS中提供一个检查点。它只是NameNode的一个助手节点。这也是它在社区内被认为是检查点节点的原因。

1.4 HDFS的读写流程

1、读操作

① 客户端向NameNode请求读取文件

② NameNode检查该文件是否存在以及该客户端是否具有读权限，有一个不满足则返回报错信息 两者都有则根据“机架感知原理”和“网络拓补图”，返回存储该文件的块地址（存储该文件的DataNode列表）

③ 客户端拿到返回的块地址后，并行的读取DataNode列表中对应的块信息 如果之前读取的是部分块的信息，则在这些块数据读取完毕后会重新请求NameNode 获取 剩下的块地址重新读取，直至所有数据块的信息读取完毕

⑤ 最后拼接块信息得到最终的文件

至此，读取文件操作完成

2、写操作

① 客户端向NameNode请求上传文件

② NameNode检查是否已存在要上传的文件，如果已有则拒绝请求 如文件不存在则继续检查该客户端在待上传的目录下是否有写权限，如果无权限则返回报错信息，有权限则给客户端返回可以上传的信息

③ 客户端接收可以上传的信息后，对文件进行切块

④ 客户端重新请求NameNode，询问第一个数据块的上传位置

⑤ NameNode接收到客户端的请求后，根据副本机制、负载均衡、机架感知原理和网络拓补图，找到存储第一个数据块的DataNode列表（例如node1、node2、node3）后告知客户端

⑥ 客户端根据接收到的DataNode列表，连接就近的节点（例如node1）

⑦ 第一个节点收到请求后会与DataNode列表中的其他节点进行连接，形成“传输管道”，然后客户端通过数据报包（对数据块再进行切分）的方法开始给节点传输第一个数据块

⑧ 节点接收到数据块后，需要告知客户端块信息已上传成功 所以node3接收到信息后会反馈给node2已接收，node2再反馈给node1已接收，最后node1告知客户端已上传成功 这一步也称为【构建反向应答机制】

⑨ 第一个数据块上传完成后，客户端继续请求NameNode询问第二个数据块的上传位置，重复第四到第八步的操作，直至所有的数据块上传成功

至此，写文件操作完成

1.5 HDFS元数据管理机制

HDFS元数据按类型划分为两部分

持久化存储：

• 文件、目录自身的属性信息，例如文件名，目录名，修改信息

• 文件存储的相关信息，例如存储块信息，分块情况，副本个数

非持久化存储： DataNode节点中的数据块信息

1、如何持久化存储数据？

答：通过fsimage和edits log

fsimage(镜像文件)

保存Hadoop文件系统中的所有目录和元数据信息，但不保存文件块位置的信息 文件块位置信息只存储在内存中，是Namenode在DataNode加入集群时询问得到，并且间断的更新

edits log(编辑日志)

保存客户端对Hadoop集群的事务性操作记录（增、删、改）

2、SeconderyNameNode辅助管理元数据的流程

图解

原理

第一阶段：启动NameNode

• ① 如果是首次启动namenode格式化，则新建fsimage（镜像文件）和edits log（编辑日志） 如果是非首次启动，则直接加载fsimage和edits log到内存中

• ② 客户端对元数据的增删改操作会实时的写入到edits log

第二阶段：SecondaryNameNode开始工作

• ③ SecondaryNameNode会实时检查edits log的状态，只要满足一定阈值时（1小时或修改达到100W次）后就通知NameNode重新生成一个新的edits log文件，后续将操作记录写入新文件中

• ④ SecondaryNameNode通过HTTP协议拉取NameNode中的fsimage和edits log到本地

• ⑤ 对拉取过来的edits log和fsimage加载到内存中进行合并操作（这个过程也成为Checkpoint），形成新的fsimage文件

• ⑥ 把新的fsimage推送给NameNode，替换旧fsimage

3. 小细节

• ① 产生的edits log和fsiamge不会被立即删除，而是在集群重启或者这些文件达到一定量级后才会删除

• ② 对edits log和fsimage的合并操作实在SecondaryNameNode实现的，整个过程NameNode不参与

• ③ 实际开发中，NameNode和SecondaryNameNode一般部署在不同的服务器上，两者的配置几乎一样，只是SecondaryNameNode内存要稍微大点

• ④ 紧急情况下，SecondaryNameNode可以用来恢复NameNode的元数据

二 HDFS的五大机制

1、切片机制

HDFS中的文件在物理上是分块（block）存储的，块的大小可以通过配置参数来规定，在hadoop2.x版本中默认大小是128M

2、汇报机制

① HDFS集群重新启动的时候，所有的DataNode都要向NameNode汇报自己的块信息 ② 当集群在正常工作的时，间隔一定时间（6小时）后DataNode也要向NameNode汇报一次自己的块信息

3、心跳检测机制

NameNode与DataNode依靠心跳检测机制进行通信

① DataNode每3秒给NameNode发送自己的心跳信息 ② 如果NameNode没有收到心跳信息，则认为DataNode进入“假死”状态。DataNode在此阶段还会再尝试发送10次（30s）心跳信息 ③ 如果NameNode超过最大间隙时间（10分钟）还未接收到DataNode的信息，则认为该DataNode进入“宕机”状态 ④ 当检测到某个DataNode宕机后，NameNode会将该DataNode存储的所有数据重新找台活跃的新机器做备份

4、负载均衡

让集群中所有的节点（服务器）的利用率和副本数尽量都保持一致或在同一个水平线上

5、副本机制

① 副本的默认数量为3 ② 当某个块的副本小于3份时，NameNode会新增副本 ③ 当某个块的副本大于3份时，NameNode会删除副本 ④ 当某个块的副本数小于3份且无法新增的时候，此时集群会强制进入安全模式（只能读，不能写）

三 Hadoop安装

3.1 集群规划列表

检查我们的hadoop包对本地库的支持：切换到hadoop安装目录下，执行bin/hadoopchecknative回车即可。

3.2 上传压缩包

上传我们编译好的apache hadoop包并解压缩（下图红色标记的）

解压hadoop的压缩包

修改配置文件 /etc/profile ，后使用source命令使其生效。

3.3 配置相关的文件

（1）修改core-site.xml配置文件

  vim /opt/hadoop的安装路径/etc/hadoop/core-site.xml

定义hadoop集群系统的文件类型是一个分布式文件系统

 定义hadoop集群系统的文件类型是一个分布式文件系统
 <property>
 定义hadoop集群中文件的类型，说明我们用的是分布式文件系统，该文件系统的主节点的node01节点上，分布式文件系统的服务端口号为8020。
     <name>fs.default.namename>
     <value>hdfs://node01:8020value>
 property>
 <property>
     <name>hadoop.tmp.dirname>
     <value>/opt/software/hadoop-2.7.5/hadoopDatas/tempDatasvalue>
 property>
 定义文件缓冲区大小，实际工作中根据服务器性能动态调整
 <property>
     <name>io.file.buffer.sizename>
     <value>4096value>
 property>
 开启hdfs垃圾桶机制，删除掉的数据可以从垃圾桶中回收，单位：分钟
 删除掉的文件会先放在垃圾桶里面，而不是立刻从机器上删除掉。10080是七天，也就是说7天之后，会清理垃圾桶中超过7天的数据。一天是1440.
 <property>
     <name>fs.trash.intervalname>
     <value>10080value>
 property>

（2）修改hdfs-site.xml

 设定辅助管理节点的主机和端口号
 <property>
     <name>dfs.namenode.secondary.http-addressname>
     <value>node01:50090value>
 property>
 设定NameNode（HDFS）主节点的访问地址（即：主机和端口号）——会非常常用可以通过网页查看分布式文件系统中的数据。
 <property>
     <name>dfs.namenode.http-addressname>
     <value>node01:50070value>
 property>
 指定namdenode存储元数据的位置，这个文件是不存在的，我们需要创建它。
 <property>
     <name>dfs.namenode.name.dirname>
     <value>file:///export/opt/software/hadoop-2.7.5/hadoopDatas/namenodeDatas,file:///export/opt/software/hadoop-
 2.7.5/hadoopDatas/namenodeDatas2value>
 property>
 定义datanode数据存储的节点位置，实际工作中，一般先确定磁盘的挂载目录，然后多个目录用，进行分割。
 <property>
     <name>dfs.datanode.name.dirname>
     <value>file:///export/opt/software/hadoop-2.7.5/hadoopDatas/datanodeDatas,file:///export/opt/software/hadoop-
 2.7.5/hadoopDatas/datanodeDatas2value>
 property>
 定义namenode编辑日志文件的存放目录
 <property>
     <name>dfs.namenode.edits.dirname>
     <value>file:///export/opt/software/hadoop-2.7.5/hadoopDatas/nn/editsvalue>
 property>
 定义检查点的存放位置（定期从活动的NameNode下载fsimage和editlog，在本地合并它
 们，并将新映像上传回活动的NameNode）
 <property>
     <name>dfs.namenode.checkpoint.dirname>
     <value>file:///export/opt/software/hadoop-2.7.5/hadoopDatas/dfs/snn/namevalue>
 property>
 <property>
     <name>dfs.namenode.checkpoint.edits.dirname>
     <value>file:///export/opt/software/hadoop-2.7.5/hadoopDatas/dfs/snn/editsvalue>
 property>
 指定一个文件切片存储的副本个数
 <property>
     <name>dfs.replicationname>
     <value>3value>
 property>
 设置HDFS文件权限，暂时关闭，后期需要，可以再开启
 <property>
     <name>dfs.permissionsname>
     <value>falsevalue>
 property>
 指定一个文件切片的大小，这里面指定的大小为128M
 <property>
     <name>dfs.blocksizename>
     <value>134217728value>
 property>

（3）配置hadoop-env.sh

 export JAVA_HOME=/opt/software/jdk1.8.0_281

（4）配置mapred-site.xml

 开启mapreduce的小任务模式，该模式是 2.x 开始引入的；以Uber模式运行 MR 作业，所
 有的 Map Tasks 和 Reduce Tasks 将会在 ApplicationMaster 所在的容器（container）中运行。如果数据量不是非常大，我们就可以开启小任务模式，这样可以提高2-3倍的效率。

<property>
     <name>mapreduce.job.ubertask.enablename>
     <value>truevalue>
 property>
 历史任务服务器的主机地址，通过该地址可以访问到我们曾经计算过的任务、结果及信
 息。
 <property>
     <name>mapreduce.jobhistory.addressname>
     <value>node01:10020value>
 property>
 设置通过网页访问历史任务的主机和端口
 <property>
     <name>mapreduce.jobhistory.webapp.addressname>
     <value>node01:19888value>
 property>

（5）配置yarn-site.xml文件

 配置yarn主节点的位置
 <property>
     <name>yarn.resourcemanager.hostnamename>
     <value>node01value>
 property>
 NodeManager上运行的附属服务，只有我们配置为下方的值，才可以运行MR程序，默
 认值是””。
 <property>
     <name>yarn.nodemanager.aux-servicesname>
     <value>mapreduce_shufflevalue>
 property>
 开启日志聚合功能，将各种日志汇总在一起，进行显示。
 <property>
     <name>yarn.log-aggregation-enablename>
     <value>truevalue>
 property>
 设置聚合日志保存的时间（单位：秒）
 <property>
     <name>yarn.log-aggregation.retain-secondsname>
     <value>604800value>
 property>
 设置yarn集群的内存分配方案
 表示在节点上Yarn可使用的物理内存（M）
 <property>
     <name>yarn.nodemanager.resource.memory-mbname>
     <value>20480value>
 property>
 单个容器可申请的最小与最大内存
 <property>
     <name>yarn.scheduler.minimum-allocation-mbname>
     <value>2048value>
 property>
 在物理内存不够用的情况下，如果占用了大量虚拟内存并且超过了一定阈值，那么就认
 为当前集群的性能比较差，直接让你的终端报个错提醒你。
 <property>
     <name>yarn.nodemanager.vmem-pmem-rationame>
     <value>2.1value>
 property>

（6）修改mapred-env.sh

 export JAVA_HOME=/opt/software/jdk1.8.0_281

（7）修改slaves（配置我们的从机）

 node01
 node02
 node03

（8）前面配置好后，我们需要自己创建目录

目录结构如下：

 [root@node01 hadoop-2.7.5]# mkdir hadoopDatas
 [root@node01 hadoop-2.7.5]# cd hadoopDatas/
 [root@node01 hadoopDatas]# ls
 [root@node01 hadoopDatas]# mkdir datanodeDatas
 [root@node01 hadoopDatas]# mkdir datanodeDatas2
 [root@node01 hadoopDatas]# mkdir namenodeDatas2
 [root@node01 hadoopDatas]# mkdir namenodeDatas
 [root@node01 hadoopDatas]# mkdir -p dfs/snn
 [root@node01 hadoopDatas]# cd dfs/snn/
 [root@node01 snn]# mkdir edits
 [root@node01 snn]# mkdir name
 [root@node01 snn]# cd ..
 [root@node01 dfs]# cd ..
 [root@node01 hadoopDatas]# mkdir -p nn/edits
 [root@node01 hadoopDatas]# mkdir tempDatas
 [root@node01 hadoopDatas]# tree
 .
 ├── datanodeDatas
 ├── datanodeDatas2
 ├── dfs
 │?? └── snn
 │??     ├── edits
 │??     └── name
 ├── namenodeDatas
 ├── namenodeDatas2
 ├── nn
 │?? └── edits
 └── tempDatas
 11 directories, 0 files

PS：注意此处的文件夹在你的Hadoop安装路径下面

（9）分发安装内容

做一个文件的分发，将整个hadoop安装目录分发给node02和node03节点上去。 进入opt目录后，执行分发命令：

 scp -r hadoop-2.7.5 node02:/opt/software

此处选择需要Copy到node02节点的那个目录当中。

 scp -r hadoop-2.7.5 node03:/opt/software

（10）三台机器配置hadoop环境变量

 export JAVA_HOME=/opt/software/jdk1.8.0_281
 export ZOOKEEPER_HOME=/opt/software/zookeeper
 export HADOOP_HOME=/opt/software/hadoop-2.7.5
 export PATH=:$JAVA_HOME/bin:$PATH:$ZOOKEEPER_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

别忘记用source /etc/profile使环境变量生效。

（11）启动集群

概述：主要是启动两个模块，hdfs和yarn。一定要注意：首次启动HDFS的时候，一定要对其进行格式化操作。本质上是一些清理和准备工作（会准备一些集群必备的文件等），因为此时的HDFS在物理上还是不存在的。 第一台机器执行如下操作： 进入到hadoop的安装目录中

 cd /opt/software/hadoop-2.7.5

进行格式化

 bin/hdfs namenode -format
 sbin/start-dfs.sh

停止命令只要把start换成stop即可 从节点，用jps看一下，启动成功，有一个DataNode。

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

三个端口查看界面

 http://node01:50070/explorer.html# 查看hdfs
 http://node01:8088/cluster 查看yarn集群
 http://node01:19888/jobhistory 查看历史完成的任务

windows访问不到node01，所以需要配置hosts 可以换成

 http://192.168.1.131:50070/explorer.html#/
 http://192.168.1.131:8088/cluster
 http://192.168.1.131:19888/jobhistory

备注：配置文件太多，所以，我们要远程修改Linux的文件，太麻烦了，所以，我们采用npp进行远程登录。

总结

以上就是今天的内容~

欢迎大家点赞👍，收藏⭐，转发🚀，
如有问题、建议，请您在评论区留言💬哦。

最后：转载请注明出处！！！