1 虚拟机环境准备
2 集群规划
3 安装 Hadoop
4 集群配置
!/bin/bash
1 获取命令输入参数的个数，如果个数为0，直接退出命令
2 根据传入参数获取文件名称
将传入的第一个参数赋值给变量p1
将命令 basename $p1 的执行结果赋值给变量file_name
3 获取输入参数的绝对路径
4 获取用户名称
5 循环执行 rsync
- 配置日志的聚集
5 启动集群

软件和操作系统
- JDK版本：JDK8版本及以上
Hadoop 搭建方式
- 单机模式：单节点，非集群。
- 单机伪分布式模式：单节点，多线程模拟集群的效果。
- 完全分布式模式：多台节点，真正的分布式 Hadoop 集群的搭建。
  1 虚拟机环境准备
三台虚拟机
1. 静态IP
2. 关闭防火墙
3. 修改主机名
4. 配置免密登录
5. 集群时间同步
在 /opt 目录下创建文件夹
- mkdir -p /opt/software —> 软件安装包存放目录
- mkdir -p /opt/servers —> 软件安装目录
Hadoop下载地址
- https://archive.apache.org/dist/hadoop/common/hadoop-2.9.2/
上传 Hadoop安装文件到 /opt/software 目录中
2 集群规划
| 框架 | linux121 | linux122 | linux123 | | :—-: | :—-: | :—-: | :—-: | | HDFS | NameNode、DataNode | DataNode | SecondaryNameNode、DataNode | | YARN | NodeManager | NodeManager | ResourceManager、NodeManager |

3 安装 Hadoop

登录linux121节点，进入 /opt/software，解压安装文件到 /opt/servers
- tar -zxvf hadoop-2.9.2.tar.gz -C /opt/servers
查看是否解压成功
- ll /opt/servers/hadoop-2.9.2

添加 hadoop 环境变量

vim /etc/profile

在 /etc/profile 文件中添加以下内容

# HADOOP_HOME
export HADOOP_HOME=/opt/servers/hadoop-2.9.2
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

使环境变量生效
- source /etc/profile
验证 hadoop
- hadoop version

目录介绍

drwxr-xr-x. 2 root root 194 Nov 13 2018 bin
drwxr-xr-x. 3 root root 20 Nov 13 2018 etc
drwxr-xr-x. 2 root root 106 Nov 13 2018 include
drwxr-xr-x. 3 root root 20 Nov 13 2018 lib
drwxr-xr-x. 2 root root 239 Nov 13 2018 libexec
-rw-r--r--. 1 root root 106210 Nov 13 2018 LICENSE.txt
-rw-r--r--. 1 root root 15917 Nov 13 2018 NOTICE.txt
-rw-r--r--. 1 root root 1366 Nov 13 2018 README.txt
drwxr-xr-x. 3 root root 4096 Nov 13 2018 sbin
drwxr-xr-x. 4 root root 31 Nov 13 2018 share

bin⽬录:对Hadoop进⾏操作的相关命令，如hadoop,hdfs等
etc⽬录：Hadoop的配置⽂件⽬录，⼊hdfs-site.xml,core-site.xml等
lib⽬录：Hadoop本地库（解压缩的依赖）
sbin⽬录：存放的是Hadoop集群启动停⽌相关脚本，命令
share⽬录：Hadoop的⼀些jar,官⽅案例jar，⽂档等
4 集群配置
4.1 HDFS 集群配置

寻找到配置文件所在目录
- cd /opt/lagou/servers/hadoop-2.9.2/etc/hadoop
① 配置：hadoop-env.sh
- 将JDK路径 明确配置 给 HDFS
  - 寻找 JDK的目录：echo $JAVA_HOME
    - 得到路径：/usr/java/jdk1.8.0_231
  - 将得到的路径加入到 hadoop-env.sh 文件中
```
# export JAVA_HOME=${JAVA_HOME}
# 将以上语句修改为
export JAVA_HOME=/usr/java/jdk1.8.0_231
```
② 配置：core-site.xml
- 注：可以在hadoop官方文档中查看这些属性的默认值
  - 官方默认hdfs的RPC端口号是 8020
  - https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/core-default.xml ```xml fs.defaultFS hdfs://linux121:8020
hadoop.tmp.dir
```
  <value>/opt/lagou/servers/hadoop-2.9.2/data/tmp</value>
```
```
③ 配置：hdfs-site.xml
- 注：可以在hadoop官方文档中查看这些属性的默认值
  - https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml ```xml dfs.namenode.secondary.http-address linux123:50090
  dfs.replication
```
 <value>3</value>
```
```
④ 配置：slaves 文件
- 注：该文件中添加的 内容结尾不允许有空格，文件中不允许有空行
```
linux121
linux122
linux123
```
  4.2 MapReduce 集群配置

① 配置：mapred-env.sh

#添加以下语句
export JAVA_HOME=/usr/java/jdk1.8.0_231

② 配置：mapred-site.xml
- 注：首先将 mapred-site.xml.template 更名为 mapred-site.xml
  - mv mapred-site.xml.template`` ``mapred-site.xml
- 官网默认配置：https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml
```
<configuration>
   
   <property>
           <name>mapreduce.framework.name</name>
         <value>yarn</value>
   </property>  
</configuration>
```
  4.3 Yarn 集群配置

① 配置：yarn-env.sh

export JAVA_HOME=/usr/java/jdk1.8.0_231

② 配置：yarn-site.xml
- 官网默认配置：https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarn-default.xml ```xml yarn.resourcemanager.hostname linux123
```
    <name>yarn.nodemanager.aux-services</name>
  <value>mapreduce_shuffle</value>
```
```
③ 配置：slaves 文件
- 配置HDFS时已经配置过，无需再配置
注**：**
- Hadoop安装目录所属用户和用户组信息，默认是 501 dialout，而我们操作hadoop集群的用户使用的是虚拟机的root用户
- 为了避免信息混乱，应修改Hadoop安装目录所属用户和 用户组
  - chown -R root:root /opt/lagou/servers/hadoop-2.9.2
    4.4 分发配置
    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 与 scp 的区别
- rsync 速度比 scp 速度快
- rsync 只对差异文件做更新，而 scp 是把所有文件都复制过去
rsync 基本语法
- 命令选项参数要拷贝的文件路径/名称目的用户@主机:目的路径/名称
- rsync -rvl $pdir/$fname $user@host:$pdir/$fname
rsync 的使用案例
- ① 三台虚拟机安装 rsync （ 通信双方都需要安装 rsync ）
  - yum -y install rsync
- ② 把linux121机器上的 /opt/lagou/software目录同步到linux122服务器的root用户下的 /opt/ 目录
  - **rsync**``** **``**-rvl**``** **``**/opt/lagou/software/**``** **``**root@linux122:/opt/lagou/software**
    编写集群分发脚本
需求：循环复制文件到集群所有节点的相同目录下
- rsync 原始拷贝目录
  - rsync -rvl /opt/module root@linux123:/opt/
期望脚本
- 脚本 + 要同步的文件名称
说明
- 在 /usr/local/bin 这个目录下存放的脚本，root 用户可以在系统任何地方直接执行
脚本实现

① 在 /usr/local/bin 目录下创建文件 rsync-script

touch /usr/local/bin/rsync-script
文件内容细节说明
- basename 命令可求得文件的文件名，如：
  - basename /usr/local/bin/rsync-script 得到结果是：rsync-script
- dirname 命令可求得文件所在目录，如：
  - dirname /usr/local/bin/rsync-script 得到结果是：/usr/local/bin
- 在脚本文件中要用反引号获取命令的结果，然后才能赋值给变量，如
  - file_name=basename /usr/local/bin/rsync-script``
- 在以下脚本中，如果拷贝文件的时候，文件名不带路径，那么 dirname 命令得到的结果是 . ，表示当前目录。可以在此命令基础上再加一条命令：cd -P ，表示进入物理路径，如：cd -P . ，此时会进入该目录中，然后通过 pwd 打印出当前目录，即可获得该文件所在目录的路径，以下是一个例子：
  - pdir =cd -P $(dirname $p1); pwd`` ```shell
    !/bin/bash

1 获取命令输入参数的个数，如果个数为0，直接退出命令

paramnum=$# if((paramnum==0)); then echo no params; exit; fi

2 根据传入参数获取文件名称

将传入的第一个参数赋值给变量p1

p1=$1

将命令 basename $p1 的执行结果赋值给变量file_name

file_name=basename $p1 echo fname=$file_name

3 获取输入参数的绝对路径

pdir=cd -P $(dirname $p1); pwd echo pdir=$pidr

4 获取用户名称

user=whoami

5 循环执行 rsync

for((host=121; host<124; host++)); do echo ————————————linux$host—————————————— rsync -rvl $pdir/$file_name $user@linux$host:$pdir done

**②** 修改脚本 rsync-script 的执行权限

   - `chmod 777 rsync-script`

**③** 调用脚本形式：

   - `rsync-script 文件路径+名称`

**④** 调用脚本分发Hadoop安装目录到其他节点

   - **`rsync-script /opt/lagou/servers/hadoop-2.9.2`**
<a name="QQ42g"></a>
## 4.5 配置历史服务器

- 在 YARN 中运行任务产生的日志数据还不能查看。为了查看程序的历史运行情况，需要配置以下历史日志服务器。具体配置步骤如下：

1. **配置 **`**mapred-site.xml**`
   - 在该文件中加入以下内容
```xml
<!--历史服务器端地址-->
<property>
    <name>mapreduce.jobhistory.address</name>
  <value>linux121:10020</value>
</property>

<!--历史服务器web端地址-->
<property>
    <name>mapreduce.jobhistory.webapp.address</name>
  <value>linux121:19888</value>
</property>

从 linux121 分发 mapred-site.xml 到其他节点
- rsync-script mapred-site.xml
启动历史服务器
- sbin/mr-jobhistory-daemon.sh start historyserver
查看历史服务器是否启动
- jps
查看 JobHistory
- http://linux121:19888/joinhistory

此时每个节点计算后产生的日志还不能聚集到同一个主机上，需再进行配置

配置日志的聚集

日志聚集：应用程序（Job）运行完成以后，将应用运行日志信息从各个 task 汇总上传到 HDFS 系统上
日志聚集功能的好处：可以方便地查看到程序运行详情，方便开发调试
注：开启日志聚集功能，需要重新启动 NodeManager、Resourcemanager 和 HistoryManager
开启日志聚集功能的步骤

① 配置 **yarn-site.xml**

在该文件中增加以下配置 ```xml yarn.log-aggregation-enable true

yarn.log-aggregation.retain-seconds 604800 `` **②** **分发 **yarn-site.xml` 到集群其他节点

rsync-script yarn-site.xml

③ 关闭 Nodemanager、ResourceManager 和 HistoryManager

sbin/yarn-daemon.sh stop resourcemanager
sbin/yarn-daemon.sh stop nodemanager
sbin/mr-joinhistory-daemon.sh stop historyserver

④ 启动 Nodenamager、ResourceManager 和 HistoryManager

sbin/yarn-daemon.sh start resourcemanager
sbin/yarn-daemon.sh start nodemanager
sbin/mr-joinhistory-daemon.sh start historyserver

⑤ 删除 HDFS 上已经存在的输出文件

bin/hdfs dfs -rm -r /wcoutput

⑥ 执行 WordCount 程序

hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput

⑦ 查看日志，如图所示

http://linux121:19888/jobhistory

5 启动集群

注：如果集群是**第一次启动，需要在 NameNode所在节点** 格式化 NameNode，非第一次则一定不要执行格式化 NameNode 操作

5.1 单节点启动
第一次启动时格式化
- hadoop namenode -format

在 linux121上启动 NameNode，并用命令 jps 来查看 Java 进程
- hadoop-daemon.sh start namenode
- jps

在 linux121、linux122、linux123上分别启动 DataNode
- 注：每台虚拟机都应该给 Hadoop安装目录配置环境变量
- hadoop-daemon.sh start datanode
- jps

web 端查看 hdfs 界面（NameNode 所在节点）

在浏览器窗口输入 linux121:50070 可访问到 NameNode 首页

查看 HDFS 集群正常节点

Yarn 集群单节点启动
- 在 linux123 开启 resourcemanager
  - yarn-daemon.sh start resourcemanager
- 在 linux121、linux122、linux123 上分别启动 nodemanager
  - yarn-daemon.sh start nodemanager
- 在 web 中查看 yarn（ resourceManager 所在节点）
  - linux123:8088
    5.2 集群群起

如果已经以单节点方式启动了 Hadoop，需要先停止之前启动的 NameNode 与 DataNode进程，如果之前 NameNode 没有执行格式化，这里需要执行格式化！！！
- hadoop namenode -format

启动 HDFS
- [root@linux121 hadoop-2.9.2]# start-dfs.sh

启动 YARN
- [root@linux123 hadoop-2.9.2]# start-yarn.sh

注：NameNode 和 ResourceManager 不是同一台机器，应该在 **NameNode 所在机器启动 HDFS，在ResourceManager 所在的机器上启动 YARN**
5.3 集群启动停止命令汇总

各个服务组件逐一启动/停止

① 分别启动/停止 HDFS 组件

hadoop-daemon.sh`**start**/**stop** **namenode**/**datanode**/**secondarynamenode`**

② 启动/停止 YARN

yarn-daemon.sh`**start**/**stop** **resourcemanager**/**nodemanager`**

各个模块分开启动/停止（配置 ssh 是前提）—> **常用**

① 整体启动/停止 HDFS（在nn所在节点进行）

start-dfs.sh/stop-dfs.sh

② 整体启动/停止 YARN（在resourceManager所在节点进行）

start-yarn.sh/stop-yarn.sh

BigData-Technology Stack

Apache Hadoop分布式集群搭建

1 虚拟机环境准备

2 集群规划

3 安装 Hadoop

4 集群配置

4.1 HDFS 集群配置

4.2 MapReduce 集群配置

4.3 Yarn 集群配置

4.4 分发配置

rsync 远程同步工具

编写集群分发脚本

!/bin/bash

1 获取命令输入参数的个数，如果个数为0，直接退出命令

2 根据传入参数获取文件名称

将传入的第一个参数赋值给变量p1

将命令 basename $p1 的执行结果赋值给变量file_name

3 获取输入参数的绝对路径

4 获取用户名称

5 循环执行 rsync

配置日志的聚集

5 启动集群

5.1 单节点启动

5.2 集群群起

5.3 集群启动停止命令汇总

Apache Hadoop分布式集群搭建

1 虚拟机环境准备

2 集群规划

3 安装 Hadoop

4 集群配置

4.1 HDFS 集群配置

4.2 MapReduce 集群配置

4.3 Yarn 集群配置

4.4 分发配置

rsync 远程同步工具

编写 集群分发脚本

!/bin/bash

1 获取命令输入参数的个数，如果个数为0，直接退出命令

2 根据传入参数获取文件名称

将传入的第一个参数赋值给变量p1

将命令 basename $p1 的执行结果 赋值给变量file_name

3 获取输入参数的绝对路径

4 获取用户名称

5 循环执行 rsync

配置日志的聚集

5 启动集群

5.1 单节点启动

5.2 集群群起

5.3 集群启动停止命令汇总

编写集群分发脚本

将命令 basename $p1 的执行结果赋值给变量file_name