Hadoop 集群的三种方式

1,Local(Standalone) Mode 单机模式

  $ mkdir input
  $ cp etc/hadoop/*.xml input
  $ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar grep input output 'dfs[a-z.]+'
  $ cat output/*

  解析$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar grep input output 'dfs[a-z.]+'
  input 夹下面的文件 ：capacity-scheduler.xml  core-site.xml  hadoop-policy.xml  hdfs-site.xml  httpfs-site.xml  yarn-site.xml

  bin/hadoop    hadoop 命令
  jar           这个命令在jar包里面
  share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar  具体位置
  grep          grep 函数
  input         grep 函数的目标文件夹
  output        grep 函数结果的输出文件夹
  'dfs[a-z.]+'  grep 函数的匹配正则条件

  直译：将input文件下面的文件中包含 'dfs[a-z.]+' 的字符串给输出到output 文件夹中
  输出结果：part-r-00000  _SUCCESS
  cat part-r-00000：1 dfsadmin
  在hadoop-policy.xml 存在此字符串
   

 2,Pseudo-Distributed Operation 伪分布式

在 etc/hadoop/core.site.xml 添加以下属性
<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hella-hadoop.chris.com:8020</value>   hella-hadoop.chris.com是主机名，已经和ip相互映射
    </property>

还需要覆盖默认的设定,mkdir -p data/tmp
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/modules/hadoop-2.5.0/data/tmp</value>   hella-hadoop.chris.com是主机名，已经和ip相互映射
    </property>

 垃圾箱设置删除文件保留时间（分钟）
    <property>
        <name>fs.trash.interval</name>
        <value>10080</value>
    </property>

</configuration>

etc/hadoop/hdfs-site.xml: 伪分布式1个备份
<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
配置从节点
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>主机名:50090</value>
    </property> 
</configuration>

 格式化元数据，进入到安装目录下

bin/hdfs namenode -format

启动namenode,所有的命令都在sbin下，通过ls sbin/   可以查看

sbin/hadoop-daemon.sh start namenode    hadoop 的守护线程启动(主数据)

sbin/hadoop-daemon.sh start datanode     启动datanode（从数据）

nameNode都有个web网页,端口50070

创建hdfs 文件夹，创建在用户名下面

bin/hdfs dfs -mkdir -p /user/chris

查看文件夹

bin/hdfs dfs -ls -R /     回调查询

本地新建文件夹mkdir wcinput   mkdir wcoutput   vi wc.input创建wc.input文件，并写入内容

hdfs文件系统新建文件夹

bin/hdfs dfs -mkdir -p /user/chris/mapreduce/wordcount/input

本地文件上传hdfs文件系统

bin/hdfs dfs  -put wcinput/wc.input /user/chris/mapreduce/wordcount/input/

在hdfs文件系统上使用mapreduce

$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /user/chris/mapreduce/wordcount/input /user/chris/mapreduce/wordcount/output

红色代表：读取路径

蓝色代表：输出路径

所以mapreduce的结果已经写到了hdfs的输出文件里面去了

Yarn on a Single Node

/opt/modules/hadoop-2.5.0/etc/hadoop/yarn-site.xml 在hadoop的安装路径下
<configuration>
   <property>
     <name>yarn.resourcemanager.hostname</name>
  <value>hella-hadoop.chris.com</value>
   </property>
   <property>
     <name>yarn.nodemanager.aux-services</name>
  <value>mapreduce_shuffle</value>
   </property>
</configuration>

yarn 的配置已经完成

在同一目录下slave文件上添加主机名或者主机ip,默认是localhost

yarn-env.sh 和 mapred-env.sh把JAVA_HOME 更改下，防止出错

export JAVA_HOME=/home/chris/software/jdk1.8.0_201

将mapred-site.xml.template 重命名为mapred-site.xml,同时添加以下配置

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</name>
    </property>
</configuration>

先将/user/chris/mapreduce/wordcount/output/删除

再次执行$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /user/chris/mapreduce/wordcount/input /user/chris/mapreduce/wordcount/output

伪分布式执行完毕，mapreduce 执行在了yarn 上

3，完全分布式

   基于伪分布式，配置好一台机器后，分发至其它机器

    step1: 配置ip 和 hostname 映射

         vi /etc/hosts

         192.168.178.110 hella-hadoop.chris.com hella-hadoop

         192.168.178.111 hella-hadoop02.chris.com hella-hadoop02

         192.168.178.112 hella-hadoop03.chris.com hella-hadoop03

     同时在window以下路径也得设置

         C:WindowsSystem32driversetchosts

         192.168.178.110 hella-hadoop.chris.com hella-hadoop

         192.168.178.111 hella-hadoop02.chris.com hella-hadoop02

         192.168.178.112 hella-hadoop03.chris.com hella-hadoop03

      具体可参考linux ip hostname 映射

      https://www.cnblogs.com/pickKnow/p/10701914.html

step2:部署（假设三台机器）

不同机器配置不同的节点

部署：


        hella-hadoop        hella-hadoop02         hella-hadoop03
HDFS:
        NameNode
        DataNode            DataNode               DataNode
                                                   SecondaryNameNode
YARN:
                            ResourceManager
        NodeManager            NodeManager            NodeManager                                   
                                                
MapReduce:
          JobHistoryServer
        
配置：
     * hdfs
           hadoop-env.sh 
           core.site.xml
           hdfs-site.xml
           slaves
     *yarn
           yarn-env.sh
           yarn-site.xml
           slaves
     *mapreduce
           mapred-env.sh
           mapred-site.xml
                

step3:修改配置文件

core.xml

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hella-hadoop.chris.com:8020</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/app/hadoop-2.5.0/data/tmp</value>
    </property>
    <property>
        <name>fs.trash.interval</name>
        <value>10080</value>
    </property>

</configuration>

hdfs-site.xml
<configuration>
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hella-hadoop03.chris.com:50090</value>
    </property>    
</configuration>

slaves

hella-hadoop.chris.com
hella-hadoop02.chris.com
hella-hadoop03.chris.com

 

yarn-site.xml

<configuration>
   <property>
     <name>yarn.resourcemanager.hostname</name>
     <value>hella-hadoop02.chris.com</value>
   </property>
   <property>
     <name>yarn.nodemanager.aux-services</name>
     <value>mapreduce_shuffle</value>
   </property>
   <!--NodeManager Resouce -->
   <property>
     <name>yarn.nodemanager.resource.memory-mb</name>
     <value>4096</value>
   </property>
   <property>
     <name>yarn.nodemanager.resource.cpu-vcores</name>
     <value>4</value>
   </property>
   
   
   <property>
     <name>yarn.log-aggregation-enable</name>
     <value>true</value>
   </property>
   <property>
     <name>yarn.log-aggregation-retain-seconds</name>
     <value>640800</value>
   </property>
   
</configuration>

mapred-site.xml

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>hella-hadoop.chris.com:10020</value>
    </property>
    
    <property>
      <name>mapreduce.jobhistory.webapp.address</name>
      <value>hella-hadoop.chris.com:19888</value>
    </property>
</configuration

step4:集群的配置路径在各个机器上要一样，用户名一样

step5: 分发hadoop 安装包至各个机器节点

      scp -p 源节点 目标节点 

      使用scp 命令需要配置ssh 无密钥登陆，博文如下：

  https://www.cnblogs.com/pickKnow/p/10734642.html

step6:启动并且test mapreduce

   可能会有问题No route to Host 的Error，查看hostname 以及 ip 配置，或者是防火墙有没有关闭

防火墙关闭，打开，状态查询，请参考以下博文：

https://www.cnblogs.com/pickKnow/p/10670882.html

4，完全分布式+  HA 

HA全称：HDFS High Availability Using the Quorum Journal Manager 即 HDFS高可用性通过配置分布式日志管理

HDFS集群中存在单点故障（SPOF）,对于只有一个NameNode 的集群，若是NameNode 出现故障，则整个集群无法使用，知道NameNode 重新启动。

HDFS HA 功能则通过配置Active/StandBy 两个NameNodes 实现在集群中对NameNode 的热备来解决上述问题，如果出现故障，如机器崩溃或机器需要升级维护，这时可以通过此种方式将NameNode很快的切换到另一台机器.

   在以上的分布式配置如下：假设有三台机器

   配置要点：

       * share edits

               JournalNode

       *NameNode

               Active,Standby

       *Client

              proxy

        *fence

              隔离，同一时刻只能仅有一个NameNode对外提供服务

    规划集群：

            hella-hadoop.chris.com           hella-hadoop02.chris.com         hella-hadoop03.chris.com

            NameNode                               NameNode

            JournalNode                             JournalNode                             JournalNode

            DateNode                                  DateNode                                 DateNode

因为NameNode有两个，一个备份，所以就不需要secondarynamenode了

配置：

core-site.xml

    <property>
      <name>fs.defaultFS</name>
      <value>hdfs://ns1</value>
    </property>
    

hdfs-site.xml

<!-- 代表一个nameservice -->
    <property>
      <name>dfs.nameservices</name>
      <value>ns1</value>
    </property>
    
    <!-- ns1 有两个namenode -->
    <property>
      <name>dfs.ha.namenodes.ns1</name>
      <value>nn1,nn2</value>
     </property>
     
     <!-- 分别配置namenode的地址 -->
     <property>
       <name>dfs.namenode.rpc-address.ns1.nn1</name>
       <value>hella-hadoop.chris.com:8020</value>
     </property>
     <property>
       <name>dfs.namenode.rpc-address.ns1.nn2</name>
       <value>hella-hadoop02.chris.com:8020</value>
      </property>

       <!-- 分别配置namenode web 端地址 -->
      <property>
          <name>dfs.namenode.http-address.ns1.nn1</name>
          <value>hella-hadoop.chris.com:50070</value>
      </property>
      <property>
        <name>dfs.namenode.http-address.ns1.nn2</name>
        <value>hella-hadoop02.chris.com:50070</value>
      </property>
      
         <!-- NameNode Shared Edits Address 即 journal node 地址 -->     
    <property>
      <name>dfs.namenode.shared.edits.dir</name>
      <value>qjournal://hella-hadoop.chris.com:8485;hella-hadoop02.chris.com:8485;hella-hadoop03.chris.com:8485/ns1</value>
     </property>
      <!-- journal node 目录-->     
     <property>
      <name>dfs.journalnode.edits.dir</name>
      <value>/opt/app/hadoop-2.5.0/data/dfs/jn</value>
     </property>
     
      
      <!-- HDFS 代理客户端 -->     
    <property>
      <name>dfs.client.failover.proxy.provider.ns1</name>
      <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
    </property>
      
      <!-- fence 隔离 只允许一个namenode 激活 -->    
      <!-- 如果使用fence ssh 隔离，要求机器namenode 的机器能够相互无密钥登陆-->    
    <property>
      <name>dfs.ha.fencing.methods</name>
      <value>sshfence</value>
    </property>
    <property>
      <name>dfs.ha.fencing.ssh.private-key-files</name>
      <value>/home/chris/.ssh/id_rsa</value>
    </property>    

配置完毕,分发到其他的两台机器，开始启动

step1:在各个JournalNode 节点桑，输入以下命令启动journalnode 服务

     $sbin/hadoop-daemon.sh start journalnode

step2:在【nn1】上，对其进行格式化，并启动：

     $bin/hdfs namenode-format

     $sbin/hadoop-daemon.sh start namenode

step3:在【nn2】上，同步nn1的元数据信息：

     $bin/hdfs namenode-bootstrapStandby

step4:启动【nn2】

     $sbin/hadoop-daemon.sh start namenode

step5:将【nn1】切换为Active

     $bin/hdfs haadmin-transitionToActive nn1

step6:在【nn1】上，启动所有的datanode

     $sbin/hadoop-daemon.sh start datanode

4，完全分布式+  HA  + zookeeper

 只配置HA,只是手动的故障转移，要想做到自动的故障转移，需要通过zookeeper 对集群的服务进行一个监控

 zookeeper的作用：
     * 启动以后两个namenode 都是standby

            zookeeper 选举一个为Active

     *监控

            ZKFC:zookeeper failover controller

集群的守护进程更新如下：

            hella-hadoop.chris.com           hella-hadoop02.chris.com         hella-hadoop03.chris.com

            NameNode                               NameNode

            ZKFC                                       ZKFC

            JournalNode                             JournalNode                             JournalNode

            DateNode                                  DateNode                                 DateNode

ZKFC用来监控namenode

开始配置：

core-site.xml

<!--zookeeper集群配置-->  
    <property>
       <name>ha.zookeeper.quorum</name>
      <value>hella-hadoop.chris.com:2181,hella-hadoop02.chris.com:2181,hella-hadoop03.chris.com:2181</value>
    </property>

hdfs-site.xml

<!-- failover 故障自动转移，依靠zookeeper 集群，zookeeper 配置在core -->    
     <property>
      <name>dfs.ha.automatic-failover.enabled</name>
      <value>true</value>
     </property>

配置完毕，开始启动并且验证：

     step1：关闭所有的HDFS 服务 sbin/stop-dfs.sh

     step2: 启动Zookeeper集群 bin/zkServer.sh start

     step3: 初始化HA 在Zookeeper中的状态 bin/hdfs zkfc -formatZK

     step4:启动HDFS服务sbin/start-dfs.sh

     stepc5:在各个NameNode 节点上启动DFSZK Failover Controller,先在那台机器启动，那台机器的NameNode就是Active NameNode 

                 sbin/hadoop-daemon.sh start zkfc

     验证：

      jps 查看进程，可以将Active的进程kill, kill -9 pid

      可以通过50070端口号在网页上直接查看，也可以通过命令查看namenode 是否实现故障自动转移，本来是standby 的namenode 转化为active