深入理解Hadoop读书笔记-2

背景

公司的物流业务系统目前实现了使用storm集群进行过门事件的实时计算处理，但是还有一个需求，我们需要存储每个标签上传的每条明细数据，然后进行定期的标签报表统计，这个是目前的实时计算框架无法满足的，需要考虑离线存储和计算引擎。

标签的数据量是巨大的，此时存储在mysql中是不合适的，所以我们考虑了分布式存储系统HDFS。目前考虑的架构是，把每条明细数据存储到HDFS中，利用Hive或者其他类SQL的解析引擎，定期进行离线统计计算。

查找相关资料后，我下载了深入理解Haddoop这本书，从大数据的一些基础原理开始调研，这一系列的笔记就是调研笔记。

系列文章：

深入理解Hadoop读书笔记1

深入理解Hadoop

安装部署-非CDH版本

总则：按照官网的文档一步一步部署即可，但是官网的太过简略，下面会补充一些内容。

官方文档地址

前置准备

部署前需要做一些前置准备，需要jdk和ssh。

JDK

Hadoop2.7以上的需要JDK7，Hadoop之前的版本使用JDK6即可，使用OpenJDK 或者 Oracle (HotSpot)'s JDK/JRE都可以。

安装：sudo apt install openjdk-8-jdk-headless（Ubuntu下）

ssh

SSH本质是一种远程登陆的方式。我们可以通过两种方式使用SSH，一种是直接 ssh 用户名@主机输入用户的密码即可登录，但这种方式不够安全，需要把自己的密码告知对方；另一种是在被远程的机器上建立一把锁，提供给需要远程登陆的人一把钥匙，如果不想让其登录，把锁删了即可。

安装：SSH的安装及使用

下面介绍通过第二种方式登录需要做的设置

首先需要在被登录的主机上，使用下面命令生成公钥和私钥，第一个等待输入直接输入直接键入enter继续，第二个等待输入，需要输入一个访问密码，第三个等待输入也输入刚才相同的密码。

ging@ubuntu:~$ ssh-keygen

这个命令会在 ~/.ssh目录下生成两个文件：id_rsa是私钥，id_rsa.pub是公钥。

ging@ubuntu:~$ ls -l ~/.ssh
total 12
-rw------- 1 ging ging 2635 Aug 25 23:27 id_rsa
-rw-r--r-- 1 ging ging  565 Aug 25 23:27 id_rsa.pub

然后输入下面的命令，把本地的ssh公钥文件，复制到另外主机的 ~/.ssh文件夹中，中间需要输入对应主机用户的密码（因为这里我就一台虚拟机，所以模拟自己登录自己的操作，直接复制给自己）

ging@ubuntu:~$ ssh-copy-id ging@127.0.0.1
/usr/bin/ssh-copy-id: INFO: Source of key(s) to be installed: "/home/ging/.ssh/id_rsa.pub"
/usr/bin/ssh-copy-id: INFO: attempting to log in with the new key(s), to filter out any that are already installed
/usr/bin/ssh-copy-id: INFO: 1 key(s) remain to be installed -- if you are prompted now it is to install the new keys
ging@127.0.0.1's password: 

Number of key(s) added: 1

Now try logging into the machine, with:   "ssh 'ging@127.0.0.1'"
and check to make sure that only the key(s) you wanted were added.

这个命令后，会发现~/.ssh文件夹下出现了一个新的文件 authorized_keys

ging@ubuntu:~$ ls -l ~/.ssh
total 16
-rw-rw-r-- 1 ging ging  565 Aug 26 00:01 authorized_keys
-rw------- 1 ging ging 2655 Aug 26 00:00 id_rsa
-rw-r--r-- 1 ging ging  565 Aug 26 00:00 id_rsa.pub

远程登陆时，会提示需要输入刚才第二步设置的私钥文件的访问密码，如果成功即可远程登陆；如果连续三次输入失败，会要求输入登录用户的本地密码，正确也可以登录

ging@ubuntu:~$ ssh ging@127.0.0.1
Enter passphrase for key '/home/ging/.ssh/id_rsa': 
Enter passphrase for key '/home/ging/.ssh/id_rsa': 
Enter passphrase for key '/home/ging/.ssh/id_rsa': 
ging@127.0.0.1's password: 
Welcome to Ubuntu 20.04 LTS (GNU/Linux 5.4.0-42-generic x86_64)

 * Documentation:  https://help.ubuntu.com
 * Management:     https://landscape.canonical.com
 * Support:        https://ubuntu.com/advantage


221 updates can be installed immediately.
0 of these updates are security updates.
To see these additional updates run: apt list --upgradable

Your Hardware Enablement Stack (HWE) is supported until April 2025.
Last login: Tue Aug 25 23:23:34 2020 from 127.0.0.1

如果不希望对方登录我们的主机，直接把 ~/.ssh文件夹删除即可，这样对方就只能使用我们的本地密码才能登录。

SSH的基本原理和使用介绍到这儿，接下来需要了解Hadoop集群需要的SSH配置

ssh Hadoop集群配置

Hadoop需要配置各个节点之间免密登录。

免密登录的操作步骤和上述的步骤类似，只不过在 ssh-keygen的步骤，不输入私钥文件的访问密码，三次等待输入都直接键入enter即可。

另外，需要在集群的各个主机中的每个~/.ssh/authorized_keys 文件中，都添加上其他主机的公钥，这样集群中的所有机器就可以互相免密访问了。

具体可以参考这个博客：Hadoop集群配置免密SSH登录方法

Hadoop安装部署

我这里部署的是2.10.0版本，百度网盘下载链接

链接：https://pan.baidu.com/s/1MHBPlf5lOnKK6MXOGl0PGA
提取码：fijb

注意：解压Hadoop的tar.gz这里略去不表，读者应该知道如何解压。

解压后，需要配置一下 etc/hadoop/hadoop-env.sh 这个脚本里面的java环境变量，在

export JAVA_HOME=${JAVA_HOME}

这行的上面直接加入下面的命令即可，其中，/usr/lib/jvm/java-8-openjdk-amd64是我本地jdk的路径

# The java implementation to use.
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64

配置成功后，执行下面命令

其中，~/hadoop/hadoop-2.10.0/是我本地的hadoop的解压路径

ging@ubuntu:~/hadoop/hadoop-2.10.0$ ~/hadoop/hadoop-2.10.0/bin/hadoop

如果出现下面的文字，就配置完成了

ging@ubuntu:~/hadoop/hadoop-2.10.0$ ~/hadoop/hadoop-2.10.0/bin/hadoop
Usage: hadoop [--config confdir] [COMMAND | CLASSNAME]
  CLASSNAME            run the class named CLASSNAME
 or
  where COMMAND is one of:
  fs                   run a generic filesystem user client
  version              print the version
  jar <jar>            run a jar file
                       note: please use "yarn jar" to launch
                             YARN applications, not this command.
  checknative [-a|-h]  check native hadoop and compression libraries availability
  distcp <srcurl> <desturl> copy file or directories recursively
  archive -archiveName NAME -p <parent path> <src>* <dest> create a hadoop archive
  classpath            prints the class path needed to get the
                       Hadoop jar and the required libraries
  credential           interact with credential providers
  daemonlog            get/set the log level for each daemon
  trace                view and modify Hadoop tracing settings

Most commands print help when invoked w/o parameters.

Hadoop的部署分为三种模式。

单机模式：只启动一个jvm进行MapResuce任务测试，没有守护进程的概念
伪分布式：所有的守护进程都运行在一个单节点上
完整分布式：守护进程运行在集群的不同节点上。

单机模式

操作完上面的步骤后，hadoop集群默认进入单机模式，官网文档中给出了一个测试jar包，指导我们如何测试，按照官网一步一步操作即可。

伪分布式

伪分布式部署介绍了两种方式，一种是不使用Yarn的MapReduce作业执行；另一种是把MR作业提交到Yarn框架执行。

这里跟着官方文档一步一步执行即可，需要注意一点：

官方文档中有个步骤

Browse the web interface for the NameNode; by default it is available at:

NameNode - http://localhost:9870/

这里需要访问：http://localhost:50070/ 这个端口才可以。

访问成功后，界面显示如下：

注意：Yarn模式部署时，提交任务后，虚拟机卡住，只能强制关闭虚拟机。

初步怀疑虚拟机配置的资源数小于任务执行需要的资源数（cpu核数1核，内存2G），查阅相关资料后得知，需要修改yarn分配内存和cpu的相关参数，以匹配真实虚拟机的资源，防止分配的资源大于虚拟机的资源。

相关配置项如下（以虚拟机8G内存为例）：

Configuration File	Configuration Setting	Value Calculation	8G VM (4G For MR)
yarn-site.xml	yarn.nodemanager.resource.memory-mb	= containers * RAM-per-container	4096
yarn-site.xml	yarn.scheduler.minimum-allocation-mb	= RAM-per-container	1024
yarn-site.xml	yarn.scheduler.maximum-allocation-mb	= containers * RAM-per-container	4096
mapred-site.xml	mapreduce.map.memory.mb	= RAM-per-container	1024
mapred-site.xml	mapreduce.reduce.memory.mb	= 2 * RAM-per-container	2048
mapred-site.xml	mapreduce.map.java.opts	= 0.8 * RAM-per-container	819
mapred-site.xml	mapreduce.reduce.java.opts	= 0.8 * 2 * RAM-per-container	1638