大数据hadoop分布式系统

1》hadoop简介：

Hadoop是一个开发和运行处理大规模数据的软件平台,是Apache的一个用java语言实现开源软件框架，实现在大量计算机组成的集群中对海量数据进行分布式计算.Hadoop框架中最核心设计就是：HDFS和MapReduce，HDFS提供了海量数据的存储,MapReduce提供了对数据的计算；HDFS:Hadoop Distributed File System,Hadoop的分布式文件系统.大文件被分成默认64M一块的数据块分布存储在集群机器中；MapReduce:Hadoop为每一个input split创建一个task调用 Map计算，在此task中依次处理此split中的一个个记录(record),map会将结果以key--value的形式输出,hadoop负责按key值将map的输出整理后作为Reduce的输入,Reduce Task的输出为整个job的输出，保存在HDFS上.

Hadoop的集群主要由 NameNode,DataNode,Secondary NameNode,JobTracker,TaskTracker组成.

　　　　　NameNode中记录了文件是如何被拆分成block以及这些block都存储到了哪些DateNode节点.

　　　　 NameNode同时保存了文件系统运行的状态信息.

　　　　 DataNode中存储的是被拆分的blocks.

　　　　 Secondary NameNode帮助NameNode收集文件系统运行的状态信息.

　　　　 JobTracker当有任务提交到Hadoop集群的时候负责Job的运行,负责调度多个TaskTracker.

　　　　 TaskTracker负责某一个map或者reduce任务.

1>hdfs分布式文件系统

　　　　　 Hadoop分布式文件系统(HDFS)被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统。它和现有的分布式文件系统有很多共同点。但同时，它和其他的分布式文件系统的区别也是很明显的。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。HDFS能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。

HDFS的优点:

· 　　　　1）高容错性

　　　　　　　　　　数据自动保存多个副本；

　　　　　　　　　　副本丢失后，自动恢复；

　　　　· 2）适合批处理

　　　　　　　　　　移动计算而非数据；

　　　　　　　　　　数据位置暴露给计算框架；

　　　　· 3）适合大数据处理

　　　　　　　　　　 GB、TB、甚至PB级数据；

　　　　　　　　　　百万规模以上的文件数量；

　　　　　　　　　　 10K+节点规模；

　　　　　　· 4）流式文件访问

　　　　　　　　　　一次性写入，多次读取；

　　　　　　　　　　保证数据一致性；

　　　　· 5）可构建在廉价机器上

　　　　　　　　　　通过多副本提高可靠性；

　　　　　　　　　　提供了容错和恢复机制；

　　 2>mapreduce大规模数据集的并行运算

　　　　　　MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Reduce（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

2》安装环境

　　实验需要3台虚拟机，一主两从式，一台主机master当协调节点处理多个slave节点，用户能访问master节点来管理整个hadoop集群

　　　　硬件：3台虚拟机

　　　　内存：至少512MB

　　　　硬盘：至少20G

　　　　操作系统：rhel6.4 64位最小化安装

　　　 1>安装openssh

　　　　　　在每台虚拟机上安装openssh，最小化虚拟机默认没有安装，自行配置yum安装openssh。3台虚拟机之间需要相互ssh登录

　　　　　　[root@master ~]#yum install openssh* -y

　　　　2>配置主机名和IP

　　　　　　为了方便管理，规范性命名，使用连续网段的IP的静态IP

　　　　　　[root@master ~]#vi /etc/sysconfig/network

　　　　　　　　　　NETWORKING=yes

　　　　　　　　　　HOSTNAME=hadoop-master

　　　　　　[root@master ~]#vi /etc/sysconfig/network-scripts/ifcfg-eth0

　　　　　　　　　　DEVICE=eth0

　　　　　　　　　　TYPE=Ethernet

　　　　　　　　　　ONBOOT=yes

　　　　　　　　　　BOOTPROTO=static

　　　　　　　　　　NAME="System eth0"

　　　　　　　　　　HWADDR=B8:97:5A:00:4E:54

　　　　　　　　　　IPADDR=10.0.200.200

　　　　　　　　　　NETMASK=255.255.0.0

　　　　　　　　　　GATEWAY=10.0.2.253

　　　　　　　　　　DNS1=114.114.114.114

　　　　　　配置/etc/hosts，把/etc/hosts的IP信息分发到所有主机上

　　　　　　　　[root@master ~]# vi /etc/hosts

　　　　　　　　　　127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4

　　　　　　　　　　::1 localhost localhost.localdomain localhost6 localhost6.localdomain6

　　　　　　　　　　10.0.200.200 hadoop-master

　　　　　　　　　　10.0.200.201 hadoop-slave1

　　　　　　　　　　10.0.200.202 hadoop-slave2

　　 3>安装JDK

　　　　　　安装JDK参考百度，本实验使用 jdk1.8.0_31版本，由于hadoop使用java语言编写，所有运行hadoop的机器都要安装jdk安装JDK如下效果:

解压之后在/etc/profile文件中添加如下内容：

export JAVA_HOME=/usr/local/src/jdk1.8.0_31

　　　　　　 export HADOOP_INSTALL=/home/hadoop/hadoop.2.6.0

　　　　 export PATH=$PATH:$HADOOP_INSTALL/bin

更新文件：source /etc/profile

　　　　　　[root@master ~]# java -version

　　　　　　　　java version "1.8.0_31"

　　　　　　　　Java(TM) SE Runtime Environment (build 1.8.0_31-b13)

　　　　　　　　Java HotSpot(TM) 64-Bit Server VM (build 25.31-b07, mixed mode)

　　 4>ssh无密登录;

　　　　　　在所有机器上创建hadoop用户，统一密码hadoop，在master上创建hadoop用户的公钥，改名authorized_keys分发到所有机器上，授予600权限

　　　　　　[root@master ~]#useradd hadoop

　　　　　　[root@master ~]#passwd hadoop

　　　　　　[root@master ~]#su - hadoop

　　　　　　[hadoop@master ~]$ssh-keygen -t rsa

　　　　　　[hadoop@master ~]$ cd .ssh

　　　　　　[hadoop@master .ssh]$ mv id_rsa.pub authorized_keys

　　　　　　[hadoop@master .shh]$ chmod 600 authorized_keys

　　　　　　[hadoop@master .ssh]$ scp authorized_keys hadoop-slave1:~/.ssh/

　　　　　　[hadoop@master .ssh]$ scp authorized_keys hadoop-slave2:~/.ssh/

　　　　可以看到在master上可以无密登录到slave1上，在后面数百台机器上运行hadoop集群;

注意：在客户端创建的.ssh的权限必须是700，否则不会成功；

　　 5>hadoop安装和配置

　　　　在主节点上操作，解压hadoop-2.6.0.tar.gz到hadoop用户家目录，编辑hadoop的配置文件，用hadoop用户操作(编辑文件没有权限时记得用root用户给予权限);

　　　　hadoop官网下载: http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-2.6.0/

　　　　[hadoop@master ~]# su - hadoop

　　　　[hadoop@master ~]$ tar zxvf hadoop-2.6.0.tar.gz

　　　　[hadoop@master ~]$ cd hadoop-2.6.0/etc/hadoop/

　　　　修改hadoop-env.sh和yarn-env.sh文件的JAVA_HOME来指定JDK的路径

　　　　[hadoop@master ~]$ vi hadoop-env.sh

　　　　export JAVA_HOME=/usr/java/jdk1.8.0_31

　　　　[hadoop@master ~]$ vi yarn-env.sh

　　　　export JAVA_HOME=/usr/java/jdk1.8.0_31

　　　　编辑从节点列表文件slaves

　　　　[hadoop@master ~]$vi slaves

　　　　hadoop-slvae1

　　　　hadoop-slave2

　　　　编辑core-site.xml，指定主节点的地址和端口

　　　　[hadoop@master ~]$ vi core-site.xml

　　　　　　　　 <name>fs.default.FS</name>

　　　　　　　　 <value>hdfs://hadoop-master:9000</value>

　　　　　　 </property>

　　　　　　</configuration>

　　　　复制mapred-site.xml.template为mapred-site.xml,指定mapreduce工作方式

　　　　[hadoop@master ~]$vi mapred-site.xml

　　　　　　 <name>mapreduce.framework.name</name>

　　　　 </property>

　　　　</configuration>

　　　　编辑yarn-site.xml，指定yran的主节点和端口

　　　　[hadoop@master ~]$vi yarn-site.xml

　　　　　　 <name>yarn.nodemanager.aux-services</name>

　　　　　　 <value>mapreduce_shuffle</value>

　　　 </property>

　　　　　　 <name>yarn.resourcemanager.hostname</name>

　　　　　　 <value>hadoop-master：9001</value>

　　　　 </property>

　　　　</configuration>

　　　　将hadoop-2.6.0文件夹分发到其他2台虚拟机上

　　　　　　[hadoop@master ~]$scp -r hadoop-2.6.0 hadoop-slave1:~

　　　　　　[hadoop@master ~]$scp -r hadoop-2.6.0 hadoop-slave2:~

3》运行测试

　　　　格式化分布式文件系统

　　　　　　[hadoop@master ~]$ hadoop-2.6.0/bin/hadoop namenode -fotmat

　　　　　　[hadoop@master ~]$ hadoop-2.6.0/sbin/start-all.sh

　　　　打开浏览器http://10.0.200.200:8088进行查看；

　　　　运行mapreduce测试

　　　　[hadoop@hadoop-master ~]$ hadoop jar hadoop-2.6.0/share/hadoop/mapreduce/hadoop- mapreduce-examples-2.6.0.jar pi 1 1000000000

Number of Maps = 1

Samples per Map = 1000000000

16/08/20 22:59:09 WARN util.NativeCodeLoader: Unable to load native-hadoop librar y for your platform... using builtin-java classes where applicable

Wrote input for Map #0

Starting Job

16/08/20 22:59:13 INFO client.RMProxy: Connecting to ResourceManager at hadoop-ma ster/192.168.100.50:8032

16/08/20 22:59:15 INFO input.FileInputFormat: Total input paths to process : 1

16/08/20 22:59:16 INFO mapreduce.JobSubmitter: number of splits:1

16/08/20 22:59:17 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_147 1704622640_0001

16/08/20 22:59:19 INFO impl.YarnClientImpl: Submitted application application_147 1704622640_0001

16/08/20 22:59:20 INFO mapreduce.Job: The url to track the job: http://hadoop-mas ter:8088/proxy/application_1471704622640_0001/

16/08/20 22:59:20 INFO mapreduce.Job: Running job: job_1471704622640_0001

16/08/20 22:59:42 INFO mapreduce.Job: Job job_1471704622640_0001 running in uber mode : false

16/08/20 22:59:42 INFO mapreduce.Job: map 0% reduce 0%

16/08/20 23:00:07 INFO mapreduce.Job: map 67% reduce 0%

16/08/20 23:00:46 INFO mapreduce.Job: map 100% reduce 0%

16/08/20 23:01:20 INFO mapreduce.Job: map 100% reduce 100%

16/08/20 23:01:24 INFO mapreduce.Job: Job job_1471704622640_0001 completed successfully

16/08/20 23:01:24 INFO mapreduce.Job: Counters: 49

File System Counters

FILE: Number of bytes read=28

FILE: Number of bytes written=211893

FILE: Number of read operations=0

FILE: Number of large read operations=0

FILE: Number of write operations=0

HDFS: Number of bytes read=270

HDFS: Number of bytes written=215

HDFS: Number of read operations=7

HDFS: Number of large read operations=0

HDFS: Number of write operations=3

Job Counters

Launched map tasks=1

Launched reduce tasks=1

Data-local map tasks=1

Total time spent by all maps in occupied slots (ms)=58521

Total time spent by all reduces in occupied slots (ms)=31620

Total time spent by all map tasks (ms)=58521

Total time spent by all reduce tasks (ms)=31620

Total vcore-seconds taken by all map tasks=58521

Total vcore-seconds taken by all reduce tasks=31620

Total megabyte-seconds taken by all map tasks=59925504

Total megabyte-seconds taken by all reduce tasks=32378880

Map-Reduce Framework

Map input records=1

Map output records=2

Map output bytes=18

Map output materialized bytes=28

Input split bytes=152

Combine input records=0

Combine output records=0

Reduce input groups=2

Reduce shuffle bytes=28

Reduce input records=2

Reduce output records=0

Spilled Records=4

Shuffled Maps =1

Failed Shuffles=0

Merged Map outputs=1

GC time elapsed (ms)=519

CPU time spent (ms)=50240

Physical memory (bytes) snapshot=263278592

Virtual memory (bytes) snapshot=4123402240

Total committed heap usage (bytes)=132087808

Shuffle Errors

BAD_ID=0

CONNECTION=0

IO_ERROR=0

WRONG_LENGTH=0

WRONG_MAP=0

WRONG_REDUCE=0

File Input Format Counters

Bytes Read=118

File Output Format Counters

Bytes Written=97

Job Finished in 131.664 seconds

Estimated value of Pi is 3.14159272000000000000

巴特西

大数据hadoop分布式系统

最新文章

热门文章