| 编辑推荐: |
| 本文来自于CSDN，本文主要介绍了大数据的安装配置环境、HDFS以及YARN
- Hadoop 资源管理器等。 |
|
一、什么是Apache Hadoop？
1.1 定义和特性
可靠的、可扩展的、分布式计算开源软件。
Apache Hadoop软件库是一个框架，允许使用简单的编程模型，在计算机集群分布式地处理大型数据集。
它可以从单个服务器扩展到数千台机器，每个机器都提供本地计算和存储。
每一台计算机都容易出现故障，库本身的目的是检测和处理应用层的故障，因此在一组计算机上提供高可用性服务，而不是依靠硬件来提供高可用性。
1.2 主要模块：
Hadoop Distributed File System(HDFS): 一个分布式文件系统，它提供对应用程序数据的高吞吐量访问。
Hadoop YARN: 作业调度和集群资源管理的框架。
Hadoop MapReduce: 基于YARN的大型数据集并行处理系统。
二、Hadoop安装（以hadoop-1.2.1为例）
2.1 准备条件
Linux操作系统
安装JDK以及配置相关环境变量
下载Hadoop安装包，如：hadoop-1.2.1.tar.gz（官网下载地址：http://hadoop.apache.org/releases.html）
2.2 安装
将hadoop-1.2.1.tar.gz解压到指定目录，如：/opt/hadoop-1.2.1/
2.3 配置hadoop环境变量
在/etc/profile中配置如下信息：
export JAVA_HOME=/opt/jdk1.8.0_131
export JRE_HOME=/opt/jdk1.8.0_131/jre
export HADOOP_HOME=/opt/hadoop-1.2.1
export CLASSPATH=.:$CLASSPATH:$JAVA_HOME/lib:$JRE_HOME/Lib
export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$HADOOP_HOME/bin:$PATH |
2.4 修改四个配置文件
这四个配置文件均在/opt/hadoop-1.2.1/conf/目录下。
(a)修改hadoop-env.sh,设置JAVA_HOME:
# The java implementation
to use. Required.
export JAVA_HOME=/opt/jdk1.8.0_131 |
(b)修改core-site.xml,设置hadoop.tmp.dir,dfs.name.dir,fs.default.name:
<configuration>
<property>
<name>hadoop.tmp.dir</name>
<!-- hadoop临时工作目录 -->
<value>/home/jochen/hadoop</value>
</property>
<property>
<name>dfs.name.dir</name>
<!-- hadoop源数据目录 -->
<value>/home/jochen/hadoop/name</value>
</property>
<property>
<name>fs.default.name</name>
<!-- 文件系统namenode => 地址：端口号 -->
<value>hdfs://localhost:9000</value>
</property>
</configuration> |
(c)修改mapred-site.xml,设置mapred.job.tracker
<configuration>
<property>
<name>mapred.job.tracker</name>
<value>localhost:9001</value>
</property>
</configuration> |
(d)修改hdfs-site.xml,设置dfs.data.dir:
<configuration>
<property>
<name>dfs.data.dir</name>
<!-- dfs文件块存放目录 -->
<value>/home/jochen/hadoop/data</value>
</property>
</configuration> |
2.5 格式化
执行命令：
| $ hadoop namenode
-format |
正确执行的结果如下所示：
Warning: $HADOOP_HOME
is deprecated.
17/05/19 23:46:05 INFO namenode.NameNode: STARTUP_MSG:
/***************************************************
*********
STARTUP_MSG: Starting NameNode
STARTUP_MSG: host = ubuntu/127.0.0.1
STARTUP_MSG: args = [-format]
STARTUP_MSG: version = 1.2.1
STARTUP_MSG: build = https://svn.apache.org/repos/asf/hadoop/common
/branches/branch-1.2
-r 1503152; compiled by
'mattf' on Mon Jul 22
15:23:09 PDT 2013
STARTUP_MSG: java = 1.8.0_131
*************************************************
***********/
17/05/19 23:46:05 INFO util.GSet: Computing
capacity
for map BlocksMap
17/05/19 23:46:05 INFO util.GSet: VM type = 64-bit
17/05/19 23:46:05 INFO util.GSet: 2.0% max memory
= 932184064
17/05/19 23:46:05 INFO util.GSet: capacity = 2^21
= 2097152 entries
17/05/19 23:46:05 INFO util.GSet: recommended=2097152,
actual=2097152
17/05/19 23:46:05 INFO namenode.FSNamesystem:
fsOwner=jochen
17/05/19 23:46:05 INFO namenode.FSNamesystem:
supergroup=supergroup
17/05/19 23:46:05 INFO namenode.FSNamesystem:
isPermissionEnabled=true
17/05/19 23:46:05 INFO namenode.FSNamesystem:
dfs.block.invalidate.limit=100
17/05/19 23:46:05 INFO namenode.FSNamesystem:
isAccessTokenEnabled=false accessKeyUpdateInterval
=0
min(s), accessTokenLifetime=0 min(s)
17/05/19 23:46:05 INFO namenode.FSEditLog: dfs.namenode.edits.toleration.length
= 0
17/05/19 23:46:05 INFO namenode.NameNode:
Caching
file names occuring more than 10 times
17/05/19 23:46:05 INFO common.Storage: Image file
/home/jochen/hadoop/dfs/name/current/fsimage
of
size 112 bytes saved in 0 seconds.
17/05/19 23:46:06 INFO namenode.FSEditLog:
closing
edit log: position=4, editlog=/home/jochen/hadoop/dfs/name/current/edits
17/05/19 23:46:06 INFO namenode.FSEditLog:
close
success: truncate to 4, editlog=/home/jochen/hadoop/dfs/name/current/edits
17/05/19 23:46:06 INFO common.Storage: Storage
directory /home/jochen/hadoop/dfs/name has been
successfully formatted.
17/05/19 23:46:06 INFO namenode.NameNode:
SHUTDOWN_MSG:
/*******************************************
*****************
SHUTDOWN_MSG: Shutting down NameNode at
ubuntu/127.0.0.1
********************************************
****************/ |
2.6 启动
$ cd /opt/hadoop-1.2.1/bin
$ ./start-all.sh |
2.7 查看当前运行的java进程
在Terminal输入命令，出现如下结果表示hadoop安装成功：
$ jps
12785 JobTracker
1161 Jps
23626 TaskTracker
23275 DataNode
21659 NameNode
23436 SecondaryNameNode《篇》 |
三、HDFS简介
3.1 HDFS基本概念
HDFS设计架构
块（Block）：
HDFS的文件被分成块进行存储
HDFS块的默认大小为64MB
块是文件存储处理的逻辑单元
管理节点（NameNode），存放文件元数据：
文件与数据块的映射表
数据块与数据节点的映射表
DataNode：
DataNode是HDFS的工作节点
存放数据块
3.2 数据管理策略与容错
数据块副本：每个数据块至少3个副本，分布在两个机架内的多个节点
心跳检测：DataNode定期向NameNode发送心跳消息 
二级NameNode：二级NameNode定期同步元数据映像文件和修改日志，NameNode发生故障时，二级NameNode替换为主NameNode
3.3 HDFS中文件的读写操作
HDFS读取文件的流程
HDFS写入文件的流程
3.4 HDFS的特点
数据冗余，硬件容错
流式的数据访问（一次写入、多次读取）
适合存储大文件
适用性和局限性
适合数据批量读写，吞吐量高
不适合交互式应用，低延迟很难满足
适合一次写入多次读取，顺序读写
不支持多用户并发写相同文件
3.5 HDFS使用
HDFS命令行操作：
hadoop fs -ls
dirpath // 列出某目录下的文件和目录
hadoop fs -mkdir dirname // 在HDFS中新建目录
hadoop fs -put filepath dirpath // 将本地文件上传到HDFS
hadoop fs -get filepath dirpath // 从HDFS下载文件到本地
hadoop fs -cat filepath // 查看文件内容
hadoop dfsadmin -report // 查看HDFS信息 |
四、MapReduce简介
4.1 MapReduce的原理
分而治之，一个大任务分成多个小的子任务（map），并行执行后，合并结果（reduce）
4.2 MapReduce的运行流程
基本概念
Job(作业) & Task(任务)
一个Job可以分成多个Task（MapTask & ReduceTask）
JobTracker（作业管理节点）
客户端提交Job，JobTracker将其放入候选队列中，在适当的时候进行调度，将Job拆分成多个MapTask和ReduceTask，分发给TaskTracker执行。JobTracker的角色：
作业调度
分配任务、监控任务执行进度
监控TaskTracker的状态
TaskTracker（任务管理节点）
通常TaskTracker和HDFS的DataNode属于同一组物理节点，实现了移动计算代替移动数据，保证读取数据开销最小。TaskTracker的角色：
执行任务
汇报任务状态
MapReduce的体系结构
MapReduce作业执行过程
MapReduce的容错机制
重复执行
默认为最多4次后放弃
推测执行
原因：所有Map端运算完成，才开始执行Reduce端。
作用：保证整个任务的计算，不会因为某一两个TaskTracker的故障，导致整个任务执行效率很低。
五、YARN - Hadoop 资源管理器
YARN的基本思想是将资源管理和作业调度/监控的功能拆分到不同的守护进程。这种思想需要有一个全局的资源管理器（RM）和（每个应用程序都要有的）应用程序管理器（AM）。
资源管理器（RM）和节点管理器（NodeManager）形成了数据计算框架。资源管理器（RM）是在系统中所有应用程序间仲裁资源的最终权威。节点管理器（NodeManager）是每台机器的框架代理，负责容器的管理，监控他们的资源使用情况(cpu、内存、磁盘、网络)，并向资源管理器（RM）/调度器报告该情况。
每个应用程序的应用程序管理器（AM）实际上是一个特定的框架的库，它的任务是与资源管理器（RM）协商资源，并与节点管理器（NodeManager）一起工作来执行和监视任务。
资源管理器（RM）有两个主要组件:调度程序和应用程序管理器（AM）。
调度程序负责将资源分配给各种运行的应用程序。调度程序是纯粹的调度器，因为它不执行应用程序的状态监视或跟踪。另外，它也不能保证重新启动失败的任务，无论是由于应用程序失败还是硬件故障。
应用程序管理器（AM）负责接收提交的工作，协商执行应用程序的第一个容器，并并提供在失败时重新启动应用程序管理器(AM)容器的服务。每个应用程序管理器(AM)负责从调度程序中协商适当的资源容器，跟踪它们的状态并监视进程。
YARN 还支持资源预定的概念，保留资源以确保重要工作的可预见性执行。预订系统会对资源进行跟踪，对预订进行控制，并动态地指导底层的调度程序，以确保预订是满的。
|
