【凤凰社】大数据学习记录_02_hadoop基础以及集群安装

第一部分 大数据简介

第一节 大数据的定义

​ 大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合,是需要新处理模式才可以具有更强的决策力、洞察发现力和流程优化可以力的海量、高增长率和多样化的信息资产。

第二节 大数据的特点

大数据的特点可以用IBM曾经提出的“5V”来描述,如下:

  • Volume 大量

    采集、存储和计算的数据量都非常大

    计算机存储单位一般都用B、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB来表示,他们之间的关系是:

    1GB = 1024 MB 1TB = 1024 GB

    1PB = 1024 TB 1EB = 1024 PB

    1ZB = 1024 EB 1YB = 1024 ZB 1BB = 1024 YB

    1NB = 1024 BB

    1DB = 1024 NB

    以PB为例,PB级数据量有多大?是怎样的一个概念?

    假如手机播放MP3的速度为平均每分钟1MB,而1首歌曲的平均时长为4分钟,那么1PB存量的歌曲可以连续

    播放2000年。


​ 1PB 也相当于50%的全美学术研究图书馆藏书咨询内容。

​ (1)1986年,全球仅有0.02EB也就是约21000TB的数据量

​ (2)2007年,全球就是280EB也就是约300000000TB的数据量,翻了14000倍

​ (3)近些年,由于移动互联网及物联网的出现,各种终端设备的接入,各种业务形式的普及,平均每40个月,全球的数据量就会翻倍!2012年,每天会产生2.5EB的数据量

​ (4)基于IDC的报告预测,从2013年到2020年,全球数据量会从4.4ZB猛增到44ZB!而到了2025年,全球会有163ZB的数据量!

​ 全球的数据量已经大到爆了!而传统的关系型数据库根本处理不了这样海量的数据!

  • Velocity 高速

    在大数据时代,数据的创建、存储、分析都要求被高速处理,比如电商网站的个性化推荐尽可可以要求实时完成,这也是大数据区别于传统数据挖掘的显著特征。

  • Variety 多样

    数据的形式和来源多样化。包含结构化、半结构化和非结构化数据,具体表现为网络日志、音频、视频、图片、地理位置信息等等,多类型的数据对数据的处理可以力提出了更高的要求。

  • Veracity 真实

    确保数据的真实性,才可以保证数据分析的正确性。

  • Value 低价值

    数据价值密度相对较低,或者说是浪里淘沙却又弥足珍贵。互联网发展催生了大量数据,信息海量但价值

第三节 大数据的应用场景

​ 随着大数据的发展,大数据技术已经广泛应用在众多行业,比如仓储物流、电商零售、汽车、电信、生物医学、人工智可以、智慧城市等等领域,包含在疫情防控战中,大数据技术也发挥了重要的作用。

  • 仓储物流

    大数据技术驱动了仓储物流领域的智可以化发展,以苏宁为例,苏宁物流可在全国的各级仓库间实现只可以分仓、就近备货和预测试调拨,实现“客户需要的商品就在离客户最近的配送中心”。

  • 电商零售

    • 零售业“啤酒+纸尿裤”案例
    • 个性推荐
    • “双十一购物节” 实时销售额度大屏
  • 汽车

    利用了大数据和物联网技术的无人汽车驾驶,在不远的未来将走入我们的日常生活

  • 电信

    移动联通根据用户年龄、职业、消费情况,分析统计那种套餐适合哪类人,对市场人群精准定制

  • 生物医学

    大数据可以帮助我们实现流行病预测、智慧医疗、健康管理,同时还可以帮助我们解读DNA,了解更多的生命奥秘。比如影像大数据支撑下的早起肺癌支撑平台,基于大量病例数据样本,制定早期肺癌高危人群预警指标。

  • 智慧城市

    大数据有效支撑智慧城市发展,成为城市的“数据大脑”。比如,在智慧城市建设上,杭州始终走在全国前列。如覆盖面广的移动支付、新颖的在线医疗模式、创新的物流运输模式,都受到较大关注。2016年,杭州被《中国新型智慧城市》白皮书评委“中国最智慧的城市”。

第二部分 Hadoop简介

第一节 什么是Hadoop

​ hadoop是一个适合大数据的分布式存储和计算平台。

​ 如前所述,狭义上说Hadoop就是一个框架平台,广义上讲Hadoop代表了大数据的一个技术生态圈,包含很多其他的软件框架:

  • Hadoop(HDFS + MapReduce + Yarn)
  • Hive 数据仓储工具
  • Hbase 海量列式非关系型数据
  • Flume 数据采集工具
  • Sqoop ETL工具
  • kafka 高吞吐消息中间件
  • ......

第二节 Hadoop起源

hadoop的发展历程可以用如下过程概述:

  • Nutch

    Hadoop最早起源于Nutch,Nutch 的创始人是Doug Cutting。

    Nutch 是一个开源 Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包含全文搜索和Web爬虫,但随着抓取网页数量的增加,遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。

  • Google论文(老三驾马车 GFS、MapReduce、BigTable)

    2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。GFS,可用于处理海量网页的存储;

    MapReduce,可用于处理海量网页的索引计算问题。

    Google的三篇论文(三驾马车)

    GFS:Google的分布式文件系统(Google File System)

    MapReduce:Google的分布式计算框架

    BigTable:大型分布式数据库

    发展演变关系:

    GFS —> HDFS

    Google MapReduce —> Hadoop MapReduce

    BigTable —> HBase

  • Hadoop产生

    Google公布了部分GFS和MapReduce思想的细节,Doug Cutting等人用2年的业余时间实现了DFS和MapReduce机制,使Nutch性可以飙升。

  • 成为Apache顶级项目

    2005年,Hadoop 作为Lucene的子项目Nutch的一部分引入Apache

    2006年,Hadoop从Nutch剥离出来独立

    2008年,Hadoop成为Apache的顶级项目

  • Cloudera公司成立

第三节 Hadoop的特点

第四节 Hadoop的发行版本

​ 目前Hadoop发行版非常多,有Cloudera发行版(CDH)、Hortonworks发行版、华为发行版、Intel发行版等,所有这些发行版均是基于Apache Hadoop衍生出来的,之So有这么多的版本,是由Apache Hadoop的开源协议决定的(任何人可以对其进行修改,并作为开源或商业产品发布/销售)。

​ 企业中主要用到的三个版本分别是:Apache Hadoop版本(最原始的,所有发行版均基于这个版本进行改进)、Cloudera版本(Cloudera’s Distribution Including Apache Hadoop,简称“CDH”)、Hortonworks版本(Hortonworks Data Platform,简称“HDP”)。

  • Apache Hadoop 原始版本

    官网地址:http://hadoop.apache.org/

    优点:拥有全世界的开源贡献,代码更新版本比较快

    缺点:版本的升级,版本的维护,以及版本之间的兼容性,学习非常方便

    Apache所有软件的下载地址(包含各种历史版本):http://archive.apache.org/dist/

  • 软件收费版本ClouderaManager CDH版本 --生产环境使用

    官网地址:https://www.cloudera.com/

    Cloudera主要是美国一家大数据公司在Apache开源Hadoop的版本上,通过自己公司内部的各种补丁,实现版本之间的稳定运行,大数据生态圈的各个版本的软件都提供了对应的版本,解决了版本的升级困难,版本兼容性等各种问题,生产环境强烈推荐使用

  • 免费开源版本HortonWorks HDP版本--生产环境使用

    官网地址:https://hortonworks.com/ hortonworks主要是雅虎主导Hadoop开发的副总裁,带领二十几个核心成员成立Hortonworks,核心产品软件HDP(ambari),HDF免费开源,而且提供一整套的web管理界面,供我们可以通过web界面管理我们的集群状态,web管理界面软件HDF网址(http://ambari.apache.org/)

第五节 Apache Hadoop 版本更迭

0.x 系列版本:Hadoop当中最早的一个开源版本,在此基础上演变而来的1.x以及2.x的版本

1.x 版本系列:Hadoop版本当中的第二代开源版本,主要修复0.x版本的一些bug等

2.x 版本系列:架构产生重大变化,引入了yarn平台等许多新特性

3.x 版本系列:EC技术、YARN的时间轴服务等新特性

第六节 Hadoop的优缺点

hadoop的优点

  • hadoop具有存储和处理数据可以力的高可靠性。
  • hadoop通过可用的计算机集群分配数据,完成存储和计算任务,这些集群可以方便的扩展到数以千计的节点中,具有高扩展性。
  • hadoop可以够在姐点之间进行动态的移动数据,并保证各个节点的动态平衡,处理速度非常快,具有高效性。
  • hadoop可以够自动保存数据的多个副本,而且可以够自动将失败的任务重新分配,具有高容错性。

Hadoop的缺点

  • hadoop不适用于低延迟数据访问
  • hadoop不可以高效存储大量小文件
  • hadoop不支持多用户写入并任意修改文件

第三部分 Apache Hadoop的组成

Hadoop = HDFS(分布式文件系统) + MapReduce(分布式计算框架) + Yarn(资源协调框架) + Common模块

  1. Hadoop HDFS:(Hadoop Distribute File System)一个高可靠、高吞吐量的分布式文件系统,比如:100T数据存储

    将数据切割,100T数据拆分为10G一个数据块由一个电脑节点存储这个数据块。

    数据切割、制作副本、分散存储

​ 图片中涉及到的几个角色:

  • NameNode(nn):存储文件的元数据,比如文件名、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。

  • SecondaryNameNode(2nn):辅助NameNode更好的工作,用来监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS元数据快照。

  • DataNode(dn):在本地文件系统存储文件块数据,以及块数据的校验

    注意:NN,2NN,DN这些即使角色名称,进程名称,代指电脑节点名称!!

  1. Hadoop MapReduce:一个分布式的离线并行计算框架

    拆解任务、分散处理、汇整结果

    Map阶段就是“分”的阶段,并行处理输入数据;

    Reduce阶段就是“合”的节点,对Map阶段结果进行汇总;

  1. Hadoop YARN:作业调度与集群资源管理的框架

    计算资源协调

​ Yarn中有如下几个主要角色,同样,即使用户名、也是进程名,也代指所在的计算机节点名称。

ResourceManager(rm):处理客户端请求,启动/监控ApplicationMaster、监控nodeManager、资源分配与调度;

NodeManager(nm):单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令;

ApplicationMaster(am):数据切分、为应用程序申请资源,并分配给内部任务、任务监控与容错。

Container:对任务运行环境的抽象,封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

直白点来说,ResourceManager是老大,NodeManager是小弟,ApplicationMaster是计算任务专员。

  1. Hadoop Common:支持其他模块的工具模块(Configuration、RPC、序列化机制、日志操作等)

第四部分 Apache Hadoop 完全分布式集群搭建

搭建环境

  • 软件和操作系统版本

    Hadoop框架是采用Java语编写的,需要java环境(jvm),JDK版为JDK8

    集群使用vmware虚拟机虚拟三台linux节点,linux操作系统为Centos7

  • Hadoop搭建方法

    单机模式:单节点模式,非集群,生产环境不会使用

    单机伪分布式模式:单节点,多线程模拟集群的效果,生产不会使用这种方法

    完全分布式集群模式:多台节点,真正的分布式Hadoop集群的搭建(生产环境)

第一节:虚拟机环境准备

  1. 三台虚拟机(静态IP,关闭防火墙,修改主机名,配置免密登录)

    配置过程详见上一章...

  2. /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
    
  3. Hadoop下载地址:

    https://archive.apache.org/dist/hadoop/common/hadoop-2.9.2/
    

    Hadoop官网地址:

    http://hadoop.apache.org/
    
  4. 上传hadoop安装文件到/opt/software

第二节 集群规划

框架 wanglj01 wanglj02 wanglji03
HDFS NameNode、DataNode DataNode SecondaryNameNode、DataNode
YARN NodeManager NodeManager NodeManager、ResourceManager

第三节 安装Hadoop

  • 登录wanglj01节点;进入/opt/software,解压安装文件到/opt/servers

    tar -zxvf hadoop-2.9.2.tar.gz -C ../servers/
    
  • 添加Hadoop到环境变量中

    vim /etc/profile
    
    # 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
    
    # 保存文件修改后使环境变量生效
    source /etc/profile
    
  • 验证hadoop

    hadoop version
    

    校验结果:

  • hadoop目录

drwxr-xr-x. 2 501 dialout    194 Nov 13  2018 bin
drwxr-xr-x. 3 501 dialout     20 Nov 13  2018 etc
drwxr-xr-x. 2 501 dialout    106 Nov 13  2018 include
drwxr-xr-x. 3 501 dialout     20 Nov 13  2018 lib
drwxr-xr-x. 2 501 dialout    239 Nov 13  2018 libexec
-rw-r--r--. 1 501 dialout 106210 Nov 13  2018 LICENSE.txt
-rw-r--r--. 1 501 dialout  15917 Nov 13  2018 NOTICE.txt
-rw-r--r--. 1 501 dialout   1366 Nov 13  2018 README.txt
drwxr-xr-x. 3 501 dialout   4096 Nov 13  2018 sbin
drwxr-xr-x. 4 501 dialout     31 Nov 13  2018 share

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

3.1 集群配置

集群配置说明

​ Hadoop集群配置 = HDFS集群配置 + MapReduce集群配置 + Yarn集群配置

  • HDFS集群配置
    1. 将JDK路径明确配置给HDFS(修改hadoop-env.sh)
    2. 指定NameNode节点以及数据存储目录(修改core-site.xml)
    3. 制定SecondaryNameNode节点(修改hdfs-site.xml)
    4. 制定DataNode从节点(修改/etc/hadoop/slaves文件,每个节点配置信息占一行)
  • MapReduce集群配置
    1. 将JDK路径明确配置给MapReduce(修改mapred-env.sh)
    2. 指定MapReduce计算框架运行Yarm资源调度框架(修改mapred-site.xml)
  • Yarn集群配置
    1. 将JDK路径明确配置给Yarn(修改yarn-env.sh)
    2. 指定ResourceManager老大节点所在的计算机节点(修改yarn-site.xml)
    3. 制定NodeManager节点(会通过slaves文件内容确定)

集群配置具体步骤

HDFS 集群配置
cd /opt/servers/hadoop-2.9.2/ect/hadoop
  • 配置JDK路径(Hadoop-env.sh)

    vim hadoop-env.sh
    
    export JAVA_HOME=/opt/servers/jdk1.8.0_231
    
  • 指定NameNode节点以及数据存储目录(修改core-site.xml)

    vim core-site.xml 
    
    <!-- 指定HDFS中NameNode的地址 -->
    <property>
    	<name>fs.defaultFS</name> 
    	<value>hdfs://wanglj01:9000</value> 
    </property> 
    
    <!-- 指定Hadoop运行时产生文件的存储目录 --> 
    <property> 
    	<name>hadoop.tmp.dir</name> 
    	<value>/opt/servers/hadoop-2.9.2/data/tmp</value> 
    </property>
    

    core-site.xml的默认配置官方文档:

    https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/core- default.xml
    

    注意:如果希望在web页面可以操作hdfs文件系统,需要增加以下配置:

    <!-- 设置用户 -->
    <property>
      <name>hadoop.http.staticuser.user</name>
      <value>root</value>
    </property>
    <!-- 不开启权限检查 -->
    <property>
      <name>dfs.permissions.enabled</name>
      <value>false</value>
    </property>
    
  • 指定SecondaryNameNode节点(修改hdfs-site.xml)

    vim hdfs-site.xml
    
    <!-- 指定Hadoop辅助名称节点主机配置 --> 
    <property> 
    	<name>dfs.namenode.secondary.http-address</name>
    	<value>wanglj03:50090</value>
    </property> 
    
    <!--副本数量 -->
    <property>
    	<name>dfs.replication</name>
    	<value>3</value>
    </property>
    

    官方默认配置:

    https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfs- default.xml
    
  • 指定dataNode从节点(修改slaves文件,每个节点配置信息占一行)

    vim slaves
    
    wanglj01
    wanglj02
    wnaglj03
    

    注意: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。

  • 指定MapReduce使用的JDK路径(修改mapred-env.sh)

    vim mapred-env.sh
    
    export JAVA_HOME=/opt/servers/jdk1.8.0_231
    
  • 指定MapReduce计算框架运行Yarn资源调度框架(修改mapred-site.xml)

    mv mapred-site.xml.template mapred-site.xml
    vim mapred-site.xml
    
    <!-- 指定MR运行在Yarn上 -->
    <property>
    	<name>mapreduce.framework.name</name>
    	<value>yarn</value>
    </property>
    

    mapred-site.xml默认配置

    https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml 
    
Yarn集群配置
  • 指定JDK路径

    vim yarn-env.sh
    
    export JAVA_HOME=/opt/servers/jdk1.8.0_231
    
  • 指定ResourceManager的master节点信息(修改yarn-site.xml)

    vim yarn-site.xml 
    
    <!-- 指定YARN的ResourceManager的地址 --> 
    <property>
    	<name>yarn.resourcemanager.hostname</name>
    	<value>wanglj03</value> 
    </property>
    
    <!-- Reducer获取数据的方法 -->
    <property>
    	<name>yarn.nodemanager.aux-services</name>
    	<value>mapreduce_shuffle</value>
    </property>
    

    yarn-site.xml的默认配置

    https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarn-default.xml
    
  • 指定NodeManager节点(slaves文件已修改)

注意:Hadoop安装目录所属用户和所属用户组信息,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,

So为了避免出现信息混乱,修改Hadoop安装目录所属用户和用户组!!

chown -R root:root /opt/servers/hadoop-2.9.2

3.2 分发配置

编写集群分发脚本 rsync-script

  • 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和scp的区别:用rsync做文件的复制要比scp的速度快,rsync只对差异文件做更新,scp是把所有文件都复制过去。

    1. 基本语法

      rsync -rvl $pdir/$fname $user@$host:$pdir/$fname
      # rsync											命令
      # -rvl											选项参数
      # $pdir/$fname							要拷贝的文件路径/名称
      # $user@$host:$pdir/$fname	目的用户@主机:目的路径/名称
      
    2. 选项参数说明

      选项 功可以
      -r 递归
      -v 显示复制过程
      -l 拷贝符号链接
  • rsync 案例

    1. 三台虚拟机安装rsync

      yum install -y rsync
      
    2. wanglj01机器上的/opt/software目录同步到wanglj02服务器的root用户下的/opt/目录

      rsync -rvl /opt/software/ root@wanglj02:/opt/software
      
  • 集群分发脚本编写

    1. 需求:循环复制文件到集群所有节点的相同目录下

      rsync命令原始拷贝:

      rsync -rvl /opt/module root@wanglj03:/opt/
      
    2. 期望脚本

      脚本+要同步的文件名称

    3. 说明

      /user/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Run。

    4. 脚本实现

      # 创建脚本
      cd /usr/local/bin
      touch rsync-script
      # 编辑脚本
      vim rsync-script
      
      # 以下是shell脚本内容:
      #!/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 
      p1=$1 
      file_name=`basename $p1` 
      echo fname=$file_name
      
      #3 获取输入参数的绝对路径 
      pdir=`cd -P $(dirname $p1); pwd` 
      echo pdir=$pdir
      
      #4 获取用户名称 
      user=`whoami` 
      
      #5 循环Runrsync 
      for((host=1; host<4; host++)); do 
      echo ------------------- wanglj0$host --------------
      rsync -rvl $pdir/$file_name $user@wanglj0$host:$pdir
      done
      
    5. 修改脚本权限

      chmod 777 rsync-script
      
    6. 测试脚本

      调用脚本形式:rsync-script 文件名称

      rsync-script /opt/servers/hadoop-2.9.2
      

第四节 启动集群

注意:如果集群是第一次启动,需要在NameNode所在的节点格式化NameNode,飞第一次不用Run格式化NameNode操作。

4.1 集群启动

  1. 格式化:
hadoop namenode -format

格式化后创建的文件:/opt/servers/hadoop-2.9.2/data/tmp/dfs/name/current

  1. 启动HDFS

    cd /opt/servers/hadoop-2.9.2/sbin/
    # 启动集群
    ./start-dfs.sh
    # 查看所有java进城
    jps
    

其它两台机器上Runjsp命令:

[root@wanglj02 ~]# jps
30758 DataNode
30847 Jps

[root@wanglj03 ~]# jps
19159 DataNode
19258 SecondaryNameNode
19307 Jps
  1. 启动YARN(在wanglj03上)

    ./start-yarn.sh
    

    注意:NameNode和ResourceManager不是在同一台机器上,不可以在NameNode上启动YARN,应该在ResourceManager所在的机器上启动YARN。

  2. web端查看HDFS界面(这里直接用wanglj01是Beacuse有提前配置hosts)

    http://wanglj01:50070/dfshealth.html#tab-overview
    

4.2 Hadoop集群启动Stop命令汇总

  1. 各个服务组件逐一启动/Stop

    分别启动/StopHDFS组件

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

    启动/StopYARN

    yarn-daemon.sh start / stop resourcemanager / nodemanager
    
  2. 各个模块分开启动/Stop(配置ssh是前提)常用

(1)整体启动/StopHDFS

./start-dfs.sh 
./stop-dfs.sh

(2)整体启动/StopYARN

start-yarn.sh
stop-yarn.sh

第五节 集群测试

  1. HDFS 分布式存储测试

    从linux本地文件系统上传下载文件验证HDFS集群工作正常

    hdfs dfs -mkdir -p /test/input 
    #本地hoome目录创建一个文件 
    cd /root 
    
    vim test.txt 
    
    hello hdfs 
    
    #上传linxu文件到Hdfs 
    hdfs dfs -put /root/test.txt /test/input 
    
    #从Hdfs下载文件到linux本地 
    hdfs dfs -get /test/input/test.txt
    
  2. MapReduce 分布式计算测试

    • 在HDFS文件系统根目录下创建一个wcinput文件夹

      hdfs dfs -mkdir /wcinput
      
    • /root/目录下创建一个wc.txt文件(本地系统文件)

      cd /root/
      # 创建文件
      touch wc.txt
      # 编辑文件
      vim wc.txt
      
    • 在文件中输入如下内容

      hadoop mapreduce yarn hdfs hadoop mapreduce mapreduce yarn spark flink zookeeper
      
    • 上传wc.txt到HDFS目录/wcinput

      hdfs dfs -put wc.txt /wcinput
      
    • 回到Hadoop目录/opt/servers/hadoop-2.9.2Run程序

      hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput
      
    • 查看结果

      hdfs dfs -cat /wcoutput/part-r-00000
      
      doop	1
      flink	1
      hadoop	1
      hdfs	1
      mapreduce	3
      spark	1
      yarn	2
      zookeeper	1
      

      也可以在web页面访问到该文件:

第六节 配置历史服务器

​ 在Yarn中运行的任务产生的日志数据不可以查看,为了查看程序的历史运行情况,需要配置一下历史服务器日志。具体配置步骤如下:

  1. 配置mapred-site.xml

    vim mapred-site.xml	
    
    # 增加如下配置
    <!-- 历史服务器端地址 -->
    <property>
    	<name>mapreduce.jobhistory.address</name> 
    	<value>wanglj01:10020</value>
    </property>
    <!-- 历史服务器web端地址 --> 
    <property> 
    	<name>mapreduce.jobhistory.webapp.address</name> 
    	<value>wanglj01:19888</value>
    </property>
    
  2. 分发到其它节点

    rsync-script mapred-site.xml
    
  3. 启动历史服务器

    ./mr-jobhistory-daemon.sh start historyserver
    
  4. 查看jobHistory

    http://wanglj01:19888/jobhistory
    

6.1 配置日志的聚集

日志聚集:应用(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。

日志聚集的优势:可以方便的查看到程序运行详情,方便开发调试。

注意:开启日志聚集功可以,需要重新启动NodeManager、ResourceManager和HistoryManager。

开启日志聚集功可以具体步骤如下:

  1. 配置yarn-site.xml
vim yarn-site.xml
# 在文件里面增加如下配置
<!-- 日志聚集功可以使可以 -->
<property>
	<name>yarn.log-aggregation-enable</name>
	<value>true</value>
</property>
<!-- 日志保留时间设置7天 -->
<property>
	<name>yarn.log-aggregation.retain-seconds</name>
  <value>604800</value>
</property>
  1. 分发到其它节点

    rsync-script yarn-site.xml
    
  2. 重启NodeManager、ResourceManager和HistoryManager

    cd /opt/servers/hadoop-2.9.2/
    # 全部关闭
    ./sbin/yarn-daemon.sh stop resourcemanager
    ./sbin/yarn-daemon.sh stop nodemanager
    ./sbin/mr-jobhistory-daemon.sh stop historyserver
    # 重新开启
    ./sbin/yarn-daemon.sh start resourcemanager
    ./sbin/yarn-daemon.sh start nodemanager
    ./sbin/mr-jobhistory-daemon.sh start historyserver
    
  3. 删除HDFS上已经存在的输出文件

    hdfs dfs -rm -R /wcoutput
    
  4. RunWordCount程序

    hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput
    
  5. 查看日志

    http://wanglj01:19888/jobhistory
    




0 评论

回复