Hadoop入门

HDFS的体系结构

设计目标

  • 自动快速检测应对硬件错误
  • 流式访问数据
  • 转移计算本身比转移数据更加划算
  • 简单的数据一致性模型:一次写入,多次夺取
  • 异构平台可移植

HDFS体系结构图


HDFS是典型的master-slave架构,其中NameNode作为Master而DataNode作为Slave。
HDFS由分布在不同机架上的DataNode以及NameNode所组成。一般用户从NameNode获取到元数据信息,并且从DataNode再获取真正的数据。

基础概念

数据块(Block):HDFS最基本的存储单元。默认大小是64M.
元数据:HDFS系统中文件与目录的属性信息。HDFS采用镜像文件(Fsimage)+日志文件(EditLog)的备份机制。其中日志文件包含了HDFS操作的所有信息。
主从节点通信:NameNode与DataNode之间使用TCP进行通信。
HDFS写数据流程:如下图所示:


HDFS读数据流程

注意,数据读取的过程中FSDataInputStream总是从离客户端最近的DataNode上读取一个个的数据块。

MapReduce体系结构

Client:客户端,用于用户提交程序,查看作业运行状态。
JobTracker:MapReduce架构主节点,一个MapReduce作业只有一个JobTracker。负责作业初始化,分配,与作业进行通信,协调其执行。
TaskTracker:任务节点,与JobTracker通信并在分配的数据块上执行Map或者Reduce操作/。
HDFS:用于存储输入以及输出的数据。

2017-05-08_092003.png

基础概念

作业(Job):一个MapReduce作业用到的Jar以及类的集合。
任务(Task):一个作业包含多个task
键值对:Map()以及Reduce()操作的输入以及输出均为<Key,Value>的形式

运行模式

单机模式:使用本地文件系统,一般用于MapReduce程序调试
伪分布式模式

完全分布式模式

安装

  • 首先安装JDK
  • 导出Java环境变量:
JAVA_HOME=/usr/local/jdk1.8
export PATH=$JAVA_HOME/bin:$PATH
  • 将 Hadoop 安装至 /usr/local/ 中:
sudo tar -zxf ~/下载/hadoop-2.6.0.tar.gz -C /usr/local    # 解压到/usr/local中
cd /usr/local/
sudo mv ./hadoop-2.6.0/ ./hadoop            # 将文件夹名改为hadoop
sudo chown -R hadoop ./hadoop       # 修改文件权限
  • 检查 Hadoop 是否可用
cd /usr/local/hadoop
./bin/hadoop version

单机配置

  • Hadoop默认就是单机模式
    Hadoop 附带了丰富的例子(运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar 可以看到所有例子),包括 wordcount、terasort、join、grep 等。这里选择grep 例子,我们将 input 文件夹中的所有文件作为输入,筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数,最后输出结果到 output 文件夹中。
cd /usr/local/hadoop
mkdir ./input
cp ./etc/hadoop/*.xml ./input   # 将配置文件作为输入文件
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/*          # 查看运行结果

Hadoop 默认不会覆盖结果文件,因此再次运行上面实例会提示出错,需要先将 ./output 删除。

Hadoop伪分布式配置

  • 首先配置/etc/hadoop/core-site.xml文件
vim ./etc/hadoop/core-site.xml
# 改成下面的配置
<configuration>
        <property>
             <name>hadoop.tmp.dir</name>
             <value>file:/usr/local/hadoop/tmp</value>
             <description>Abase for other temporary directories.</description>
        </property>
        <property>
             <name>fs.defaultFS</name>
             <value>hdfs://localhost:9000</value>
        </property>
</configuration>
  • 再修改配置文件 ./etc/hadoop/hdfs-site.xml:
<configuration>
        <property>
             <name>dfs.replication</name>
             <value>1</value>
        </property>
        <property>
             <name>dfs.namenode.name.dir</name>
             <value>file:/usr/local/hadoop/tmp/dfs/name</value>
        </property>
        <property>
             <name>dfs.datanode.data.dir</name>
             <value>file:/usr/local/hadoop/tmp/dfs/data</value>
        </property>
</configuration>
  • 配置文件相关说明

  • Hadoop 的运行方式是由配置文件决定的(运行 Hadoop 时会读取配置文件),因此如果需要从伪分布式模式切换回非分布式模式,需要删除 core-site.xml 中的配置项。

  • 此外,伪分布式虽然只需要配置 fs.defaultFS 和 dfs.replication 就可以运行(官方教程如此),不过若没有配置 hadoop.tmp.dir 参数,则默认使用的临时目录为 /tmp/hadoo-hadoop,而这个目录在重启时有可能被系统清理掉,导致必须重新执行 format 才行。所以我们进行了设置,同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir,否则在接下来的步骤中可能会出错。

  • 格式化NameNode

./bin/hdfs namenode -format

可能出现权限不够的情况,这时需要给/usr/local/hadoop内文件加上访问权限
格式化完成会出现“successfully formatted” 和 “Exitting with status 0” 的提示,若为 “Exitting with status 1” 则是出错。

  • 开启NameNode以及DataNode守护进程
./sbin/start-dfs.sh
  • 开启守护进程后运行jps,可以看到进程中有NameNode以及DataNode项。
  • 成功启动后,可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息,还可以在线查看 HDFS 中的文件。

运行例子

  • 首先需要在 HDFS 中创建用户目录:
./bin/hdfs dfs -mkdir -p /user/hadoop
  • 接着将 ./etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中,即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 hadoop 用户,并且已创建相应的用户目录 /user/hadoop ,因此在命令中就可以使用相对路径如 input,其对应的绝对路径就是/user/hadoop/input:
./bin/hdfs dfs -mkdir input
./bin/hdfs dfs -put ./etc/hadoop/*.xml input
  • 复制完成后,可以通过如下命令查看文件列表:
./bin/hdfs dfs -ls input
  • 伪分布式运行 MapReduce 作业的方式跟单机模式相同,区别在于伪分布式读取的是HDFS中的文件.
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-
examples-*.jar grep input output 'dfs[a-z.]+'
  • 随后可以查看结果:
./bin/hdfs dfs -cat output/*
  • 可以将运行结果取回到本地:
rm -r ./output    # 先删除本地的 output 文件夹(如果存在)
./bin/hdfs dfs -get output ./output     # 将 HDFS 上的 output 文件夹拷贝到本机
cat ./output/*
  • 运行程序时,输出目录不能存在。运行 Hadoop 程序时,为了防止覆盖结果,程序指定的输出目录(如 output)不能存在,否则会提示错误,因此运行前需要先删除输出目录。在实际开发应用程序时,可考虑在程序中加
    上如下代码,能在每次运行时自动删除输出目录,避免繁琐的命令行操作
Configuration conf = new Configuration();
Job job = new Job(conf);
/* 删除输出目录 */
Path outputPath = new Path(args[1]);
outputPath.getFileSystem(conf).delete(outputPath, true);
  • 关闭 Hadoop,则运行
./sbin/stop-dfs.sh

启动Yarn

  • 伪分布式不启动 YARN 也可以,一般不会影响程序执行。新版的 Hadoop 使用了新的 MapReduce 框架(MapReduce V2,也称为 YARN,Yet Another Resource Negotiator)。YARN 是从 MapReduce 中分离出来的,负责资源管理与任务调度。YARN 运行于 MapReduce 之上,提供了高可用性、高扩展性。

  • 首先修改配置文件 mapred-site.xml

eversilver@debian:/usr/local/hadoop$ cp ./etc/hadoop/mapred-
site.xml.template ./etc/hadoop/mapred-site.xml
eversilver@debian:/usr/local/hadoop$ vim ./etc/hadoop/mapred-site.xml
# 编辑内容如下
<configuration>
        <property>
             <name>mapreduce.framework.name</name>
             <value>yarn</value>
        </property>
</configuration>
  • 然后修改yarn-site.xml文件
<configuration>
        <property>
             <name>yarn.nodemanager.aux-services</name>
             <value>mapreduce_shuffle</value>
            </property>
</configuration>
  • 然后就可以启动yarn
./sbin/start-yarn.sh      # 启动YARN
./sbin/mr-jobhistory-daemon.sh start historyserver  # 开启历史服务器,才能在
# Web中查看任务运行情况
  • jps会查看到NodeManager以及Resource Manager两个新的进程:
eversilver@debian:/usr/local/hadoop$ jps
21328 ResourceManager
21732 JobHistoryServer
19765 NameNode
13974 QuorumPeerMain
21798 Jps
21607 NodeManager
19880 DataNode
15933 Kafka
20029 SecondaryNameNode
  • 启动 YARN 之后,运行实例的方法还是一样的,仅仅是资源管理方式、任务调度不同。观察日志信息可以发现,不启用 YARN 时,是 “mapred.LocalJobRunner” 在跑任务,启用 YARN 之后,是 “mapred.YARNRunner” 在跑任务。启动 YARN 有个好处是可以通过 Web 界面查看任务的运行情况:http://192.168.128.128:8088/cluster
  • YARN 主要是为集群提供更好的资源管理与任务调度,然而这在单机上体现不出价值,反而会使程序跑得稍慢些。
  • 注意:如果不想启动 YARN,务必把配置文件 mapred-site.xml 重命名,改成 mapred-site.xml.template,需要用时改回来就行。否则在该配置文件存在,而未开启 YARN 的情况下,运行程序会提示 “Retrying connect to server: 0.0.0.0/0.0.0.0:8032” 的错误,这也是为何该配置文件初始文件名为 mapred-site.xml.template。
  • 关闭Yarn
./sbin/stop-yarn.sh
./sbin/mr-jobhistory-daemon.sh stop historyserver

推荐阅读更多精彩内容

  • 简述 hadoop 集群一共有4种部署模式,详见《hadoop 生态圈介绍》。HA联邦模式解决了单纯HA模式的性能...
    mtide阅读 8,789评论 8 19
  • 之前的有点忘记了,这里在云笔记拿出来再玩玩.看不懂的可以留言 大家可以尝试下Ambari来配置Hadoop的相关环...
    HT_Jonson阅读 2,290评论 0 50
  • 随着全球经济的不断发展,大数据时代早已悄悄到来,而Hadoop又是大数据环境的基础,想入门大数据行业首先需要了解H...
    LeiLv阅读 2,444评论 0 31
  • 01 8月份,在家待了三天,我就回校了,特别不想走。 从上大学到现在研究生期间,...
    蓝澜Queen余芳芳阅读 111评论 3 0
  • 七七、闲散周末的下午、做了作业、无心看书 在小屋转来转去、什么都不想做 翻了翻相册、从拿到这个手机的时候、看到了现...
    毛蛋碎碎念阅读 25评论 0 0