Hadoop、Spark——完全分布式HA集群搭建
前言
完全分布式就是把Hadoop核心组件分开部署到不同的服务器节点上运行。
通常，建议HDFS和YARN以单独的用户身份运行。在大多数安装中，HDFS进程以“hdfs”执行。YARN通常使用“yarn”帐户。
搭建分为四个阶段，每一个是环境准备，第二个是Zookeeper集群的搭建，第三是Hadoop集群的搭建，第四是Spark集群的搭建。
一、准备
1、软件及版本
- centOS-6.5
- jdk-8u65-linux-x64.tar.gz
- scala-2.11.11.tgz
- zookeeper-3.4.7.tar.gz
- hadoop-2.7.3_64bit.tar.gz
- spark-2.3.3-bin-hadoop2.7.tgz
2、服务器
这里将使用六台服务器进行搭建。分别命名spark01、spark02、spark03、spark04、spark05、spark06。
首先要解释，偶数台服务器并不是某个集群偶数台，而是三个集群共用了偶数台服务器，查看下面的角色分配，你就会明白。
-
角色分配
Zookeeper集群分配三台。
Hadoop分配需要分开说：
首先时HDFS：两个主节点，三个从节点，5台。
JN集群：三台
Yarn集群：两个主节点，三个从节点，5台。
Spark集群分配三台。
将以上各个集群的节点合并，具体分配如下：
spark01：Zookeeper、ResourceManager(active)、NameNode(active)。
spark02：Zookeeper、NameNode(standby)。
spark03：Zookeeper、ResourceManager(standby)。
spark04：JournalNode、DataNode、NodeManager、Spark。
spark05：JournalNode、DataNode、NodeManager、Spark。
spark06：JournalNode、DataNode、NodeManager、Spark。
-
服务器设置
每台服务器都要进行如下的配置。
-
-
关闭防火墙
-
此项配置，是根据自己的需求进行配置，这里为了方便搭建，进行了关闭，也可以进行端口开放，不过比较麻烦。
service iptables status #查看防火墙状态
service iptables start #立即开启防火墙，但是重启后失效。
service iptables stop #立即关闭防火墙，但是重启后失效。
#重启后生效
chkconfig iptables on #开启防火墙，重启后生效。
chkconfig iptables off #关闭防火墙，重启后生效。
-
-
配置主机名
-
文件位置：/etc/sysconfig/network
vim /etc/sysconfig/network
示例：
source /etc/sysconfig/network
经过上面的修改，主机名称不会马上改变，必须重启才能生效。所以可以使用如下命令进行立即更改：
hostname spark01
-
-
配置hosts
-
文件位置：/etc/hosts
vim /etc/hosts
以下为填入内容示例：
127.0.0.1 localhost ::1 localhost 192.168.234.21 spark01 192.168.234.22 spark02 192.168.234.23 spark03 192.168.234.24 spark04 192.168.234.25 spark05 192.168.234.26 spark06
配置好此文件之后可以通过远程命令将配置好的hosts文件scp到其他5台节点上，执行命令如下：
scp /etc/hosts spark02: /etc/hosts scp /etc/hosts spark03: /etc/hosts scp /etc/hosts spark04: /etc/hosts scp /etc/hosts spark05: /etc/hosts scp /etc/hosts spark06: /etc/hosts
-
配置免密登录
集群中所有主机都要互相进行免密登录，包括自己和自己。
生成密钥：
ssh-keygen
发送公钥：
ssh-copy-id root@spark01
此时在远程主机的/root/.ssh/authorized_keys文件中保存了公钥，在known_hosts中保存了已知主机信息，当再次访问的时候就不需要输入密码了。
通过以下命令远程连接，检验是否可以不需密码连接：
ssh spark01
记得免密登录一定要给本机发送。
此次集群数量，互相发送免密登录的次数为36次。
- 安装Jdk
1、将jdk安装包上传、解压安装包，并更名，命令如下：
tar -zxvf jdk-8u65-linux-x64.tar.gz mv jdk1.8.0_65 jdk1.8
2、修改/etc/profile， 在文件行尾加入以下内容后保存退出。
JAVA_HOME=/home/software/jdk1.8/ PATH=$PATH:$JAVA_HOME/bin export JAVA_HOME PATH
- 安装Scala
1、上传解压scala-2.11.0.tgz，并更名，命令如下：
tar -zxvf scala-2.11.0.tgz mv scala-2.11.0 scala2.11
2、修改/etc/profile，配置如下：
注：上图将Hadoop的环境变量也一起配置了，下面也有Hadoop的环境变量配置。
3、重新加载profile使配置生效：
source /etc/profile
二、Zookeeper完全分布式搭建
三、Hadoop2.0 HA集群搭建步骤
此示例以spark01节点服务器为示例。
1、安装
直接解压Hadoop压缩包即可。
2、配置
以下配置文件均在hadoop-2.7.1/etc/hadoop目录下。
-
hadoop-env.sh
编辑hadoop-env.sh文件，命令如下：
vim hadoop-env.sh
此文件配置两项：jdk安装所在目录、hadoop配置文件所在目录。
- core-site.xml
直接编辑core-site.xml文件，命令如下：
vim core-site.xml
此文件配置项内容如下：
<configuration> <!--用来指定hdfs的老大，ns为固定属性名，此值可以自己设置，但是后面的值要和此值对应，表示两个namenode--> <property> <name>fs.defaultFS</name> <value>hdfs://ns</value> </property> <!--用来指定hadoop运行时产生文件的存放目录--> <property> <name>hadoop.tmp.dir</name> <value>/home/software/hadoop-2.7.1/tmp</value> </property> <!--执行zookeeper地址--> <property> <name>ha.zookeeper.quorum</name> <value>spark01:2181,spark02:2181,spark03:2181</value> </property> </configuration>
- hdfs-site.xml
直接编辑hdfs-site.xml文件，命令如下：
vim hdfs-site.xml
配置内容如下：
<configuration> <!--执行hdfs的nameservice为ns,和core-site.xml保持一致--> <property> <name>dfs.nameservices</name> <value>ns</value> </property>
<!--ns下有两个namenode,分别是nn1,nn2--> <property> <name>dfs.ha.namenodes.ns</name> <value>nn1,nn2</value> </property>
<!--nn1的RPC通信地址--> <property> <name>dfs.namenode.rpc-address.ns.nn1</name> <value>spark01:9000</value> </property>
<!--nn1的http通信地址--> <property> <name>dfs.namenode.http-address.ns.nn1</name> <value>spark01:50070</value> </property>
<!--nn2的RPC通信地址--> <property> <name>dfs.namenode.rpc-address.ns.nn2</name> <value>spark02:9000</value> </property>
<!--nn2的http通信地址--> <property> <name>dfs.namenode.http-address.ns.nn2</name> <value>spark02:50070</value> </property>
<!--指定namenode的元数据在JournalNode上的存放位置,这样，namenode2可以从jn集群里获取最新的namenode的信息，达到热备的效果--> <property> <name>dfs.namenode.shared.edits.dir</name> <value>qjournal://spark04:8485;spark05:8485;spark06:8485/ns</value> </property>
<!--指定JournalNode存放数据的位置--> <property> <name>dfs.journalnode.edits.dir</name> <value>/home/software/hadoop-2.7.1/journal</value> </property>
<!--开启namenode故障时自动切换--> <property> <name>dfs.ha.automatic-failover.enabled</name> <value>true</value> </property>
<!--配置切换的实现方式--> <property> <name>dfs.client.failover.proxy.provider.ns</name> <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value> </property>
<!--配置隔离机制--> <property> <name>dfs.ha.fencing.methods</name> <value>sshfence</value> </property>
<!--配置隔离机制的ssh登录秘钥所在的位置--> <property> <name>dfs.ha.fencing.ssh.private-key-files</name> <value>/root/.ssh/id_rsa</value> </property> <!--配置namenode数据存放的位置,可以不配置，如果不配置，默认用的是core-site.xml里配置的hadoop.tmp.dir的路径--> <property> <name>dfs.namenode.name.dir</name> <value>file:///home/software/hadoop-2.7.1/tmp/namenode</value> </property>
<!--配置datanode数据存放的位置,可以不配置，如果不配置，默认用的是core-site.xml里配置的hadoop.tmp.dir的路径--> <property> <name>dfs.datanode.data.dir</name> <value>file:///home/software/hadoop-2.7.1/tmp/datanode</value> </property> <!--配置block副本数量--> <property> <name>dfs.replication</name> <value>3</value> </property>
<!--设置hdfs的操作权限，false表示任何用户都可以在hdfs上操作文件，生产环境不配置此项，默认为true--> <property> <name>dfs.permissions</name> <value>false</value> </property> </configuration>
- mapred-site.xml
需要复制mapred-site.xml.template更名为mapred-site.xml然后配置，命令如下：
cp mapred-sit.xml.template mapred-site.xml
vim mapred-site.xml
配置内容如下：
<configuration> <property> <!--指定mapreduce运行在yarn上--> <name>mapreduce.framework.name</name> <value>yarn</value> </property> </configuration>
- yarn-site.xml
直接编辑yarn-site.xml文件，命令如下：
vim yarn-site.xml
配置内容如下：
<configuration> <!-- 开启YARN HA --> <property> <name>yarn.resourcemanager.ha.enabled</name> <value>true</value> </property> <!-- 指定两个resourcemanager的名称 --> <property> <name>yarn.resourcemanager.ha.rm-ids</name> <value>rm1,rm2</value> </property> <!-- 配置rm1，rm2的主机 --> <property> <name>yarn.resourcemanager.hostname.rm1</name> <value>spark01</value> </property> <property> <name>yarn.resourcemanager.hostname.rm2</name> <value>spark03</value> </property> <!--开启yarn恢复机制--> <property> <name>yarn.resourcemanager.recovery.enabled</name> <value>true</value> </property> <!--执行rm恢复机制实现类--> <property> <name>yarn.resourcemanager.store.class</name> <value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value> </property> <!-- 配置zookeeper的地址 --> <property> <name>yarn.resourcemanager.zk-address</name> <value>spark01:2181,spark02:2181,spark03:2181</value> <description>For multiple zk services, separate them with comma</description> </property> <!-- 指定YARN HA的名称 --> <property> <name>yarn.resourcemanager.cluster-id</name> <value>yarn-ha</value> </property>
<!--指定yarn的老大 resoucemanager的地址--> <property> <name>yarn.resourcemanager.hostname</name> <value>spark03</value> </property>
<!--NodeManager获取数据的方式--> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property>
<!--开启日志聚合-->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!--日志在HDFS上最多保存多长时间-->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>106800</value>
</property>
</configuration>
- slaves
slaves文件是指定HDFS上有哪些DataNode节点。
直接编辑slaves文件，命令如下：
vim slaves
配置内容如下：
spark04
spark05
spark06
3、环境变量
如果在上面已经配置过了，此步骤可以忽略。
配置hadoop的环境变量，命令如下：
vim /etc/profile
内容如下：
JAVA_HOME=/home/software/jdk1.8 HADOOP_HOME=/home/software/hadoop-2.7.3 PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH export JAVA_HOME PATH HADOOP_HOME
重新加载：
source /etc/profile
4、创建文件夹
根据配置文件，创建相关的文件夹，用来存放对应数据。
在hadoop-2.7.1目录下创建：
- journal目录。
- 创建tmp目录。
- 在tmp目录下，分别创建namenode目录和datanode目录。
命令如下：
#当前所在Hadoop根目录 mkdir journal mkdir tmp cd tmp/ mkdir namenode mkdir datanode
5、拷贝文件
通过scp 命令，将hadoop安装目录远程copy到其他5台机器上。
比如向spark02节点传输：
scp -r hadoop-2.7.1 root@spark02:/home/software/hadoop-2.7.1
远程拷贝之前要先在其他服务器上创建对应的目录，否则拷贝失败。
6、Hadoop集群启动
- 启动zookeeper集群
在Zookeeper安装目录的bin目录下执行：
zkServer.sh start
此命令需要在所有的Zookeeper节点服务器上执行，执行完成可以使用以下命令查看启动状态：
zkServer.sh status
以下是查看进程命令：
jps
- 格式化zkfc
zkfc用来做两个namenode的状态切换管理或者失败切换管理。
在zk的leader节点服务器上，Hadoop的bin目录中执行如下命令：
sh hdfs zkfc -formatZK
如果配置了Hadoop的环境变量，那么在此节点的任何目录下都可以执行，这个指令的作用是在zookeeper集群上生成ha节点（ns节点）。
格式化以后会在Zookeeper写一些东西，现在可以看一下去（master节点）：
- 启动journalnode集群
为hadoop提供元数据管理（edits）。在04、05、06任意节点服务器上，即分配了journalnode角色的节点服务器上，切换到hadoop安装目录的sbin目录下，执行如下命令：
hadoop-daemons.sh start journalnode
注意：1、第一次需要手动起，以后就不需要手动启动了，就包含在了start-dfs.sh脚本里面了；
2、此命令执行一次就可以启动所有journalnode节点。如下图，命令使用的是hadoop-daemons.sh，是有s的，启动的时候一定要注意，不要用错了命令。
然后执行jps命令查看，如果此项启动不成功尝试重启，这项启动不成功会影响下一步的格式化。
- 格式化NameNode
在spark01服务器上格式化namenode，执行如下命令：
hadoop namenode -format
- 启动NameNode
-
spark01服务器
-
在spark01节点上执行如下命令，启动NameNode节点：
hadoop-daemon.sh start namenode
-
-
spark02服务器
-
首先把spark02服务器的 namenode节点变为standby namenode节点，执行命令如下：
hdfs namenode -bootstrapStandby
启动spark02服务器的namenode节点，执行命令如下：
hadoop-daemon.sh start namenode
- 启动DataNode
在spark04、spark05、spark06服务器上分别启动datanode节点，在这三台服务器上分别执行如下命令：
hadoop-daemon.sh start datanode
- 启动zkfc
FalioverControllerActive是失败恢复线程。这个线程需要在NameNode节点所在的服务器上启动，在spark01、spark02服务器上执行如下命令：
hadoop-daemon.sh start zkfc
- 启动Resourcemanager
-
-
spark01服务器
-
在spark01服务器上启动主Resourcemanager节点，执行如下命令：
start-yarn.sh
启动成功后，spark04、spark05、spark06服务器上的nodemanager 也会跟随启动。
-
-
spark03服务器
-
在spark03服务器上启动副 Resoucemanager节点，执行如下命令：
yarn-daemon.sh start resourcemanager
7、测试
在浏览器中输入地址：http://192.168.234.21:50070，查看namenode的信息，是active状态的。此ip地址是我在配置的时候使用的ip地址，请不要照搬，要写自己使用的ip地址。
输入地址：http://192.168.234.22:50070，查看namenode的信息，是standby状态
然后使用kill命令停掉spark01节点的namenode，此时发现standby的namenode变为active。证明热备成功。
查看yarn的管理地址：
http://192.168.234.21:8088（spark01的8088端口）
四、Spark On Yarn搭建
1、安装
在spark04、spark05、spark06节点上安装配置spark。此处以spark04服务器为例。
直接解压压缩包即可。
2、配置
进入Spark安装目录的conf目录，配置以下文件。
-
spark-env.sh
conf目录下没有此文件，需要复制模版文件spark-env.sh.template更名，命令如下：
cp spark-env.sh.template spark-env.sh
vim spark-env.sh
直接在文件末尾添加，内容示例如下：
export JAVA_HOME=/home/software/jdk1.8 export SCALA_HOME=/home/software/scala2.11 export HADOOP_HOME=/home/software/hadoop-2.7.1 export HADOOP_CONF_DIR=/home/software/hadoop-2.7.1/etc/hadoop
-
spark-defaults.conf
此文件在目录下也没有，也需要复制模版文件，更名然后编辑，命令如下：
cp spark-defaults.conf.template spark-defaults.conf
vim spark-defaults.conf
直接在文件末尾添加内容，配置示例如下：
spark.yarn.jars=hdfs://spark01:9000/spark_jars/*
注：此处hdfs的地址需要是active状态的节点。
-
slaves
此文件在conf目录下也没有，同样需要赋值模版文件，更名然后编辑，命令如下：
cp slaves.template slaves
vim slaves
同样在文件末尾直接添加配置内容即可，配置示例如下：
spark04
spark05
spark06
-
yarn-site.xml
如果是用虚拟机搭建，可能会由于虚拟机内存过小而导致启动失败，比如内存资源过小，yarn会直接kill掉进程导致rpc连接失败。
所以，我们还需要配置Hadoop的yarn-site.xml文件，加入如下两项配置：
<property> <name>yarn.nodemanager.vmem-check-enabled</name> <value>false</value> </property> <property> <name>yarn.nodemanager.pmem-check-enabled</name> <value>false</value> </property>
3、上传jar包
在HDFS上，创建一个目录，用来存放spark的依赖jar包。此目录是spark-defaults.conf目录中配置的目录名称，命令如下：
hadoop fs -mkdir /spark_jars
进入spark安装目录的jars目录，执行：
hadoop fs -put ./* /spark_jars
至此，完成Spark-Yarn的配置。
4、启动
启动spark shell，进入Spark安装目录的bin目录，执行如下命令：
spark-shell --master yarn-client
可以通过yarn控制台来验证：
五、重启集群
往往在测试的时候，需要重新启动集群服务，在重新启动的时候，就不需要第一次配置时那么麻烦，可以按照如下步骤进行重启集群服务。
1、启动zookeeper集群
在Zookeeper安装目录的bin目录下执行：
sh zkServer.sh start
此命令同样需要在所有的Zookeeper节点服务器上执行。
2、启动Hadoop集群
-
启动HDFS
进入hadoop安装目录的sbin目录，执行如下命令：
start-dfs.sh
此命令会将HDFS相关的所有节点都启动，不需要切换服务器来进行单独启动HDFS相关的节点进程。
-
启动Yarn
-
spark01服务器
-
在spark01服务器上启动主Resourcemanager节点，执行如下命令：
start-yarn.sh
启动成功后，spark04、spark05、spark06服务器上的nodemanager 也会跟随启动。
-
-
spark03服务器
-
在spark03服务器上启动副 Resoucemanager节点，执行如下命令：
yarn-daemon.sh start resourcemanager
3、启动spark shell
启动spark shell，进入Spark安装目录的bin目录，执行如下命令：
sh spark-shell --master yarn-client
引用：
