Hadoop分布式系统架构

一、Hadoop概述

1.1 Hadoop是什么

1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
2）主要解决，海量数据的存储和海量数据的分析计算问题。
3）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

1.2 Hadoop优势（4高）

1）高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。

2）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。

3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。

4）高容错性：能够自动将失败的任务重新分配。

1.3 Hadoop组成

1.3.1 HDFS架构概述

Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。
1）NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
2）DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。一个文件会被拆分成多个block，有一个blockSize属性，默认是128M。如果有一个130M的文件，将会被拆分成两个文件，一个128M一个2M。这些blocks被存储在多个DataNodes上面。DataNode定期向NameNode发送心跳信息，汇报本身及其存储的block信息，健康状况。HDFS是一个高可靠的存储非常大的文件，而且这些文件是夸节点的，在一个集群里面。一个文件会被分割成很多块，存储在节点里面。一个文件会被拆分成一个有序的blocks。这些blocks都是以多副本的方式存储的，为了容错。因为如果只存储在一个节点上，那个节点挂掉就没办法访问了。如果是多副本存储，及时其中的几个节点不能访问了，其他节点依然能正常访问blocks的副本。
3）Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。

1.3.2 YARN架构概述

Yet Another Resource Negotiator简称YARN ，另一种资源协调者，是Hadoop的资源管理器。

1.3.3 MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce
1）Map阶段并行处理输入数据
2）Reduce阶段对Map结果进行汇总

1.3.4 HDFS、YARN、MapReduce三者关系

Mapreduce，Yarn，Hdfs三者之间的关系，可以用电脑来进行解释。大体可以理解为：windows系统电脑上的一个视频播放软件（mapreduce），通过windows操作系统（yarn）找到存在电脑硬盘（hdfs）上的电影，然后视频播放器播放电影

Yarn 相当于电脑的操作系统，统管电脑的资源调配
Mapreduce相当于电脑上的一个应用程序，电脑上可以有很多应用程序
Hdfs相当于电脑的硬盘，存储文件
Yarn，Mapreduce，Hdfs三者是解藕的，电脑必须要有操作系统，目前Yarn比较合适，电脑必须要有硬盘存储数据，目前一般用Hdfs；但是电脑可以有很多应用程序，所以Spark，Mapreduce，Kafka等都可以当作运行在Yarn系统上的应用程序。
Yarn Mapreduece Hdfs 联系

1、mapreduce在客户端启动mapreduce application master（简称mam），mam
2、mam想resourcemanager申请运算资源
3、mam拿到运算资源后，遍历hdfs上的文件，然后规划启动多少个maptask和reducetask
4、mam把mapreduce程序分发到各个节点
5、各个节点利用nodemanager管理运算资源，各个节点启动container容器进行运算，即执行maptask，reduecetask

1.4 大数据技术生态体系

图中涉及的技术名词解释如下：

1）Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库（MySQL）间进行数据的传递，可以将一个关系型数据库（例如：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
2）Flume：Flume是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；
3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
4）Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
5）Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
6）Oozie：Oozie是一个管理Hadoop作业（job）的工作流程调度管理系统。
7）Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
8）Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
9）ZooKeeper：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等。

1.5 推荐系统框架图

二、 Hadoop运行环境搭建

2.1 虚拟机环境准备

2.1.1 虚拟环境下安装Linux

参考：https://www.yuque.com/asange-3skzu/wzvyls/him84g

2.1.1 虚拟环境下克隆2台主机

一直下一步


克隆完成后，以同样的方法克隆第2台主机。

2.1.2 设置2台主机的IP和主机名

nano-salve01：192.168.100.201
nano-salve02：192.168.100.202
1、启动nano-salve01
2、设置IP


3、设置主机名


4、重启系统
以同样的方法修改nano-salve02的主机名和IP。

2.2 Hadoop环境搭建

2.2.1 安装文件准备

1、jdk：jdk-8u211-linux-x64.tar.gz下载
提取码：6r5f
2、hadoop hadoop-2.9.2.tar.gz
3、用Xshell连接nano,在nano opt/目录下创建software目录，将下载的文件传到software目录下
（1）创建software目录

（2）进入software目录

（3）上传文件
（Xshell上传文件，需要安装lrzsz包）

安装lrzsz包后，用rz指令上传文件

2.2.2 关闭防火墙

分别登录3台机器，关闭防火墙。

2.2.3 SSH免密登录

1、SSH 远程登录主机
用ssh 从一台机器登录到另一台机器（ssh IP，退出exit）需要用户名和密码

2、配置免密码登录
（1）生成公钥和私钥

然后敲（三个回车），就会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）
（2）将公钥拷贝到要免密登录的目标机器上(3台都要复制）
ssh-copy-id 192.168.100.200
ssh-copy-id 192.168.100.201
ssh-copy-id 192.168.100.202

这时登录192.168.100.201，192.168.100.202就不需要密码了

注意：
还需要在nano-salve01，nano-salve02采用相同的方法配置免密登录。

2.2.4 安装JDK

1、卸载虚拟机自带的JDK，注意：如果你的虚拟机是最小化安装不需要执行这一步。
rpm -qa | grep -i java | xargs -n1 rpm -e —nodeps
Ø rpm -qa：查询所安装的所有rpm软件包
Ø grep -i：忽略大小写
Ø xargs -n1：表示每次只传递一个参数
Ø rpm -e –nodeps：强制卸载软件
2、安装JDK
（1）在nano主机opt目录下创建module目录

（2）进入/opt/software目录，将jdk安装到module目录下


（3）配置环境变量

在文件最后配置下面信息：

配置完成后让新的环境变量PATH生效：

JDK安装完成。

2.2.5 安装Hadoop

1、安装Hadoop
（1）与安装JDK相同，将hadoop安装到/opt/module目录下


（2）配置环境变量



（3） Hadoop目录结构

• bin目录：存放对Hadoop相关服务（hdfs，yarn，mapred）进行操作的脚本
• etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件
• lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）
• sbin目录：存放启动或停止Hadoop相关服务的脚本
• share目录：存放Hadoop的依赖jar包、文档、和官方案例

2、配置域名
为了方便配置和访问，将IP改成域名的方式访问。

将hosts里面的内容删除，填写以下内容：

配置完成后，我们访问192.168.100.201主机就可以用域名salve01来代替了
如：ssh 192.168.100.201 写在 ssh salve01
将hosts文件复制到其它2台主机
scp可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）
scp -r 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称

3、集群部署规划
注意：
Ø NameNode和SecondaryNameNode不要安装在同一台服务器。
Ø ResourceManager也很消耗内存，不要和NameNode、SecondaryNameNode配置在同一台机器上，但可以配置在同一台机器。

【hadoop配置文件存放在hadoop安装路径的etc/hadoop目录下】
（1）配置Jdk

找到红框位置，配置JDK路径

（2）核心配置文件：core-site.xml

配置core-site.xml
文件内容如下：
<?xml version=”1.0” encoding=”UTF-8”?>
<?xml-stylesheet type=”text/xsl” href=”configuration.xsl”?>



fs.defaultFS
hdfs://master:8020



hadoop.tmp.dir
/opt/module/hadoop-2.9.2/data



hadoop.http.staticuser.user
root




（3）HDFS配置文件：hdfs-site.xml
<?xml version=”1.0” encoding=”UTF-8”?>
<?xml-stylesheet type=”text/xsl” href=”configuration.xsl”?>

dfs.namenode.http-address
master:50070



dfs.namenode.secondary.http-address
salve02:50090




dfs.permissions
false




（4）YARN配置文件：yarn-site.xml
文件内容如下：
<?xml version=”1.0” encoding=”UTF-8”?>
<?xml-stylesheet type=”text/xsl” href=”configuration.xsl”?>



yarn.nodemanager.aux-services
mapreduce_shuffle



yarn.resourcemanager.hostname
salve01




（5）MapReduce配置文件：mapred-site.xml
文件内容如下：
<?xml version=”1.0” encoding=”UTF-8”?>
<?xml-stylesheet type=”text/xsl” href=”configuration.xsl”?>

mapreduce.framework.name
yarn


目录下找不到mapred-site.xml文件，需要将mapred-site.xml.template重命名


（6）配置集群文件：slaves

清空文件原来的内容，填写以下内容：

4、启用集群
（1）将/etc/profile文件复制到salve01,salve02

（2）将jdk、hadoop复制到salve01,salve02
在salve01,salve02两台主机的opt目录下创建module目录

回到master，复制jdk和hadoop

（3）复制完成后，让salve01,salve02的环境变量PATH生效：

（4）在master主机格式化NameNode（第一次启动）

（5）在master启动hdfs（每次启动）
参考规划表

启动：start-dfs.sh
停止：stop-dfs.sh

（6）在salve01启动yarn（每次启动）
启动：start-yarn.sh
停止：stop-yarn.sh

（7）在salve02查看进程（jps）

（8）在windows主机用web端口打开hdfs
http://192.168.100.200:50070

（9）用域名方式 在windows主机用web端口打开hdfs
在windows主机配置域名服务
进入C:\Windows\System32\drivers\etc路径，编辑hosts文件，在文件末尾加入如下内容

以后就可以用master来代替192.168.100.200了
在浏览器用http://master:50070同样能打开hdfs
大功告成！。