linux hadoop、hbase、hive、spark大数据分布式集群环境搭建

hadoop | 2019-09-13 10:02:39

linux centos7搭建集群之前 要先设置免密登陆，设置hosts,配置java环境变量，关闭防火墙，以及注意各组件之间的兼容性，切记，切记！

1.hadoop 环境搭建

hdfs部分由NameNode、SecondaryNameNode和DataNode组成。DataNode是真正的在每个存储节点上管理数据的模块，NameNode是对全局数据的名字信息做管理的模块，SecondaryNameNode是它的从节点，以防挂掉。Map-reduce依赖于yarn和hdfs，另外还有一个JobHistoryServer用来看任务运行历史.

hadoop虽然有多个模块分别部署，但是所需要的程序都在同一个tar包中，所以不同模块用到的配置文件都在一起


1.1在http://hadoop.apache.org/releases.html找到最新稳定版tar包，我选择的是hadoop-2.7.3.tar.gz，下载解压到/lp/hadoop/hadoop-2.7.3


1.2修改etc/hadoop/core-site.xml，把配置改成：

<configuration>
  <property>
      <name>fs.defaultFS</name>
      <value>hdfs://127.0.0.1:9001</value>
  </property>
  <property>
       <name>io.file.buffer.size</name>
       <value>131072</value>
  </property>
</configuration>

这里面配置的是hdfs的文件系统地址：本机的9001端口，你可以填如自己的hdfs的地址，可以是ip，也可以是域名，如果是域名保证这个域名可以被正确的解析到ip，可以在hosts文件添加一个域名映射。


1.3etc/hadoop/hdfs-site.xml

<configuration>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:///lp/hadoop/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:///lp/hadoop/dfs/data</value>
    </property>
    <property>
        <name>dfs.datanode.fsdataset.volume.choosing.policy</name>
        <value>org.apache.hadoop.hdfs.server.datanode.fsdataset.AvailableSpaceVolumeChoosingPolicy</value>
    </property>
    <property>
        <name>dfs.namenode.http-address</name>
        <value>127.0.0.1:8305</value>
    </property>
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>127.0.0.1:8310</value>
    </property>
</configuration>

这里面配置的是hdfs文件存储在本地的哪里以及secondary namenode的地址


1.4 etc/hadoop/yarn-site.xml

<configuration>
<!-- Site specific YARN configuration properties -->
       <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>127.0.0.1</value>
    </property>
    <property>
        <name>yarn.resourcemanager.webapp.address</name>
        <value>127.0.0.1:8320</value>
    </property>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
        <value>org.apache.hadoop.mapred.ShuffleHandler</value>
    </property>
    <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
    </property>
    <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>864000</value>
    </property>
    <property>
        <name>yarn.log-aggregation.retain-check-interval-seconds</name>
        <value>86400</value>
    </property>
    <property>
        <name>yarn.nodemanager.remote-app-log-dir</name>
        <value>/lp/hadoop/YarnApp/Logs</value>
    </property>
    <property>
        <name>yarn.log.server.url</name>
        <value>http://127.0.0.1:8325/jobhistory/logs/</value>
    </property>
    <property>
        <name>yarn.nodemanager.local-dirs</name>
        <value>/lp/hadoop/YarnApp/nodemanager</value>
    </property>
    <property>
        <name>yarn.scheduler.maximum-allocation-mb</name>
        <value>5000</value>
    </property>
    <property>
        <name>yarn.scheduler.minimum-allocation-mb</name>
        <value>1024</value>
    </property>
    <property>
        <name>yarn.nodemanager.vmem-pmem-ratio</name>
        <value>4.1</value>
    </property>
    <property>
        <name>yarn.nodemanager.vmem-check-enabled</name>
        <value>false</value>
    </property>
</configuration>

yarn的资源和日志配置


1.5 cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml创建etc/hadoop/mapred-site.xml

<configuration>
     <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
        <description>Execution framework set to Hadoop YARN.</description>
    </property>
    <property>
        <name>yarn.app.mapreduce.am.staging-dir</name>
        <value>/lp/hadoop/YarnApp/tmp/hadoop-yarn/staging</value>
    </property>
    <!--MapReduce JobHistory Server地址-->
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>127.0.0.1:8330</value>
    </property>
    <!--MapReduce JobHistory Server Web UI地址-->
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>127.0.0.1:8331</value>
    </property>
    <!--MR JobHistory Server管理的日志的存放位置-->
    <property>
        <name>mapreduce.jobhistory.done-dir</name>
        <value>${yarn.app.mapreduce.am.staging-dir}/history/done</value>
    </property>
<!--MapReduce作业产生的日志存放位置-->
    <property>
        <name>mapreduce.jobhistory.intermediate-done-dir</name>
        <value>${yarn.app.mapreduce.am.staging-dir}/history/done_intermediate</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.joblist.cache.size</name>
        <value>1000</value>
    </property>
    <property>
        <name>mapreduce.tasktracker.map.tasks.maximum</name>
        <value>8</value>
    </property>
    <property>
        <name>mapreduce.tasktracker.reduce.tasks.maximum</name>
        <value>8</value>
    </property>
    <property>
        <name>mapreduce.jobtracker.maxtasks.perjob</name>
        <value>5</value>
        <description>The maximum number of tasks for a single job.
            A value of -1 indicates that there is no maximum.
        </description>
    </property>
</configuration>

这里面配置的是mapred的任务历史相关配置


1.6 slaves

如果你的hadoop部署在多台机器，那么需要修改etc/hadoop/slaves，把其他slave机器ip加到里面，一行一个，如果只部署在这一台，那么就留一个localhost即可。

如果hadoop分布式部署在多台机器上，每台机器上的部署都是一样的，都要知道master（主）的位置，每一个slaves（从）的位置。


1.7 hadoop-env.sh

export JAVA_HOME="你的java安装地址"


1.8 初始化文件系统

./bin/hdfs namenode -format myclustername

如果格式化正常可以看到/lp/hadoop/dfs下生成了name目录


1.9启动namenode

./sbin/hadoop-daemon.sh --script hdfs start namenode


1.10启动datanode

./sbin/hadoop-daemon.sh --script hdfs start datanode


1.11启动yarn

先启动resourcemanager

./sbin/yarn-daemon.sh start resourcemanager

然后启动nodemanager，执行：

./sbin/yarn-daemon.sh start nodemanager


1.12 启动MapReduce JobHistory Server用于记录历史日志

/sbin/mr-jobhistory-daemon.sh start historyserver


1.13 web控制台查看

打开http://127.0.0.1:8320/cluster看下yarn管理的集群资源情况(因为在yarn-site.xml中我们配置了yarn.resourcemanager.webapp.address是127.0.0.1:8320)

打开http://127.0.0.1:8331/jobhistory看下map-reduce任务的执行历史情况(因为在mapred-site.xml中我们配置了mapreduce.jobhistory.webapp.address是127.0.0.1:8331)

打开http://127.0.0.1:8305/dfshealth.html看下namenode的存储系统情况(因为在hdfs-site.xml中我们配置了dfs.namenode.http-address是127.0.0.1:8305)


其实 上面的启动命令 可以用一个start-all.sh命令来代替，或者是start-dfs.sh和start-yarn.sh


1.14 在hdfs系统测试创建文件

./bin/hadoop fs -mkdir /input
./bin/hadoop fs -ls /


2.Hbase 的部署搭建

2.1http://www.apache.org/dyn/closer.cgi/hbase/下载稳定版安装包，我下的是hbase-1.2.6-bin.tar.gz下载解压到/lp/hadoop/hbase-1.2.6


2.2 修改conf/hbase-site.xml

<configuration>
    <property>
        <name>hbase.cluster.distributed</name>
        <value>true</value>
    </property>
    <property>
        <name>hbase.rootdir</name>
        <value>hdfs://localhost:9001/hbase</value>
    </property>
    <property>
        <name>hbase.zookeeper.quorum</name>
        <value>127.0.0.1</value>
    </property>
    <property>      
<name>hbase.coprocessor.master.classes</name>    
  <value>org.apache.hadoop.hbase.security.access.AccessController</value>  
</property>
<property>  
  <name>hbase.coprocessor.region.classes</name>  
  <value>org.apache.hadoop.hbase.security.token.TokenProvider,org.apache.hadoop.hbase.security.access.AccessController,org.apache.hadoop.hbase.security.access.SecureBulkLoadEndpoint</value>  
</property>  
</configuration>


其中hbase.rootdir配置的是hdfs地址，ip:port要和hadoop/core-site.xml中的fs.defaultFS保持一致其中hbase.zookeeper.quorum是zookeeper的地址，可以配多个，我们试验用就先配一个


2.3修改 /lp/hadoop/hbase-1.2.6/conf/hbase-env.sh

export JAVA_HOME=/usr/lib/jvm/jre-1.8.0-openjdk


2.4 启动hbase

./bin/start-hbase.sh

启动成功后可以看到几个进程起来，包括zookeeper的HQuorumPeer和hbase的HMaster、HRegionServer


2.5 启动测试 hbase shell

./bin/hbase shell

试验一下hbase的使用，执行：

hbase(main):001:0> status
1 active master, 0 backup masters, 1 servers, 0 dead, 3.0000 average load

创建一张表

hbase(main):004:0> create 'table1','field1'
0 row(s) in 1.3430 seconds
=> Hbase::Table - table1

获取一张表

hbase(main):005:0> t1 = get_table('table1')
0 row(s) in 0.0010 seconds
=> Hbase::Table - table1

添加一行

hbase(main):008:0> t1.put 'row1', 'field1:qualifier1', 'value1'
0 row(s) in 0.4160 seconds

读取全部

hbase(main):009:0> t1.scan
ROW                                                                 COLUMN+CELL
 row1                                                               column=field1:qualifier1, timestamp=1470621285068, value=value1
1 row(s) in 0.1000 seconds


hbase是以hdfs为存储介质的，因此它具有分布式存储拥有的所有优点



2.6 hbase的架构图如下：

1 (2).png


其中HMaster负责管理HRegionServer以实现负载均衡，负责管理和分配HRegion(数据分片)，还负责管理命名空间和table元数据，以及权限控制

HRegionServer负责管理本地的HRegion、管理数据以及和hdfs交互。

Zookeeper负责集群的协调(如HMaster主从的failover)以及集群状态信息的存储

客户端传输数据直接和HRegionServer通信


3.hive安装搭建

安装之前先配置好 hadoop的环境变量

3.1 http://mirrors.hust.edu.cn/apache/hive下载安装包，解压后在 /lp/hadoop/apache-hive-2.1.1-bin


3.2 cp hive-env.sh.template hive-env.sh

HADOOP_HOME：HADOOP_HOME=/lp/hadoop/hadoop-2.7.3


3.3复制hive-default.xml.template粘贴为hive-site.xml

把其中的${system:java.io.tmpdir}都修改成/lp/hadoop/apache-hive-2.1.1-bin/tmp，你也可以自己设置成自己的tmp目录，把${system:user.name}都换成用户名，为这里替换成了luanpeng


3.4初始化元数据数据库

默认保存在本地的derby数据库，也可以配置成mysql

注意，不要先执行hive命令，否则这一步会出错，（注意下面的命令是在/lp/hadoop/apache-hive-2.1.1-bin目录下执行）

#  ./bin/schematool  -dbType derby -initSchema



3.5客户端形式直接启动hive

# ./bin/hive
hive> show databases;
OK
default
Time taken: 1.886 seconds, Fetched: 1 row(s)
hive>

创建个数据库

hive> create database mydatabase;
OK
Time taken: 0.721 seconds
hive> show databases;
OK
default
mydatabase
Time taken: 0.051 seconds, Fetched: 2 row(s)
hive>


3.6 启动元数据服务

nohup ./bin/hive --service metastore &


3.7后台启动hive 服务（如果需要用 客户端连接）

# nohup ./bin/hiveserver2 &>log/hive.log &

这时可以通过jdbc客户端连接这个服务访问hive，端口默认是10000.


4.Spark集群环境搭建

spark有多种部署方式，Standalone模式、Spark On Mesos模式、Spark On YARN模式。

下面我们尝试spark单机直接跑、spark集群运行，spark在yarn上运行


4.1 下载Spark版本和地址：

http://apache.fayea.com/spark/spark-2.0.1/spark-2.3.0-bin-hadoop2.7.tgz

解压后的目录为/lp/hadoop/spark-2.3.0-bin-hadoop2.7


4.2 单机运行提交任务

执行样例程序：（下面的命令是在/lp/hadoop/spark-2.3.0-bin-hadoop2.7中执行的）

# ./bin/spark-submit examples/src/main/python/pi.py 10

输出下面内容，表示计算成功

2018-05-14 20:12:43 INFO  DAGScheduler:54 - Job 0 finished: reduce at /lp/hadoop/spark-2.3.0-bin-hadoop2.7/examples/src/main/python/pi.py:44, took 0.981974 s
Pi is roughly 3.142740
2018-05-14 20:12:43 INFO  AbstractConnector:318 - Stopped Spark@3c839941{HTTP/1.1,[http/1.1]}{0.0.0.0:4040}
2018-05-14 20:12:43 INFO  SparkUI:54 - Stopped Spark web UI at http://192.168.122.1:4040


4.3启动spark集群运行任务

启动spark master

# sbin/start-master.sh

启动salve

# ./sbin/start-slave.sh spark://localhost:7077

然后就可以在web界面8080端口进行查看


任务提交到spark集群上来运行

./bin/spark-submit --master spark://localhost:7077 examples/src/main/python/pi.py 10


结果日志包括了：

2018-05-14 21:25:44 INFO  DAGScheduler:54 - Job 0 finished: reduce at /lp/hadoop/spark-2.3.0-bin-hadoop2.7/examples/src/main/python/pi.py:44, took 1.894816 s
Pi is roughly 3.152956
2018-05-14 21:25:44 INFO  AbstractConnector:318 - Stopped Spark@556e488{HTTP/1.1,[http/1.1]}{0.0.0.0:4040}
2018-05-14 21:25:44 INFO  SparkUI:54 - Stopped Spark web UI at http://192.168.122.1:4040


4.4 spark部署在yarn集群上


spark程序也可以部署到yarn集群上执行，也就是我们部署hadoop时启动的yarn。当然部署在yarn上首先要要求启动了hadoop的hdfs和yarn。

我们需要提前配置好HADOOP_CONF_DIR，修改/etc/profile文件，添加：


HADOOP_HOME=/lp/hadoop/hadoop-2.7.3
export HADOOP_HOME
HBASE_HOME=/lp/hadoop/hbase-1.2.6
export HBASE_HOME
HIVE_HOME=/lp/hadoop/apache-hive-2.1.1-bin
export HIVE_HOME
PATH=$PATH:$HOME/bin
PATH=$PATH:$HBASE_HOME/bin
PATH=$PATH:$HIVE_HOME/bin
PATH=$PATH:$HADOOP_HOME/bin
export PATH
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop 
export HDFS_CONF_DIR=$HADOOP_HOME/etc/hadoop 
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
source /etc/profile

下面我们把任务部署到yarn集群上去：

# ./bin/spark-submit --master yarn --deploy-mode cluster examples/src/main/python/pi.py 10


yarn模式不需要启动spark

在Hadoop任务的管理界面 http://127.0.0.1:8088/cluster 能看到跑了这个任务：

1.png


5.总结


hdfs是所有hadoop生态的底层存储架构，它主要完成了分布式存储系统的逻辑，凡是需要存储的都基于其上构建


yarn是负责集群资源管理的部分，这个资源主要指计算资源，因此它支撑了各种计算模块


map-reduce组件主要完成了map-reduce任务的调度逻辑，它依赖于hdfs作为输入输出及中间过程的存储，因此在hdfs之上，它也依赖yarn为它分配资源，因此也在yarn之上


hbase基于hdfs存储，通过独立的服务管理起来，因此仅在hdfs之上


hive基于hdfs存储，通过独立的服务管理起来，因此仅在hdfs之上


spark基于hdfs存储，即可以依赖yarn做资源分配计算资源也可以通过独立的服务管理，因此在hdfs之上也在yarn之上，从结构上看它和mapreduce一层比较像


总之，每一个系统负责了自己擅长的一部分，同时相互依托，形成了整个hadoop生态。


登录后即可回复 登录 | 注册
    
相关文章
spark读取phoenix hbase table表数据到dataframe的三种方式比较spark on hive 异常 `hivefileformat` doesn t match `parquetfileformat`解决spark hive插入数据异常spark currently does not populate bucketed outputhive on spark环境搭建 官方源码编译方式 hive on spark集群环境搭建cdh大数据集群环境搭建完整教程linux hadoop spark环境搭建spark hive 元数据异常 filenotfoundexceptionhadoop 集群配置规划与调优linux hadoop、hbase、hive、spark大数据分布式集群环境搭建hadoop hbase phoenix 大数据集群环境安装配置kafka集群环境配置安装搭建解决spark shell 写入hbase 异常job in state define instead of runningspark rdd写入数据到hbase nullpointerexception异常apache ambari 接管监控线上已有 hadoop 大数据集群hive 数据跨集群复制迁移spark从oracle导入数据到hivespark2.3.0 操作 phoenix4.7 hbase1.1.2 数据hadoop 大数据集群环境搭建配置Hive on Spark性能调优
关注编程学问公众号