Hadoop-2.2.0 （传 hadoop-2.2.0.tar.gz）

配置hadoop

2.1 上传hadoop包

2.2 解压hadoop包
首先在根目录下创建一个cloud目录

mkdir /cloud

tar -zxvf hadoop-2.2.0.tar.gz -C /cloud/

tar: 打包和解包
-z：用来处理gz格式
x：代表释放 c：代表创建
v：显示解压过程详情
f：file
-c：把文件解压到什么地方

2.3 配置hadoop伪分布式(要修改5个配置文件)
/cloud/hadoop-2.2.0/etc/hadoop
修改配置文件

第一个：hadoop-env.sh hadoop依赖jdk
vim hadoop-env.sh
export JAVA_HOME=/usr/java/jdk1.7.0_60

在底行模式可以执行，查看java_home
：echo ${JAVA_HOME}

第二个：core-site.xml
vim core-site.xml

<configuration>
<!-- 用来指定HDFS的老大（NameNode的地址） -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://cloud01:9000</value>(这里写主机名，经过host文件配置过，也可以写ip地址)
</property>
<!-- 用来指定Hadoop运行时产生文件的存放目录，配置linux上某个具体的目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/cloud/hadoop-2.2.0/tmp</value>
</property>

</configuration>

第三个：hdfs-site.xml

<configuration>
<!-- 指定HDFS保存数据副本的数量 ，如果不配置默认副本数为3 -->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>

</configuration>

第四个：mapred-site.xml

目录下没有mapred-site.xml,只有mapred-site.xml.template
需要改名

mv mapred-site.xml.template mapred-site.xml

<configuration>
<!-- 告诉hadoop以后MR运行在YARN上 YARN是一个资源调度系统，
不仅仅可以运行MapReduce，还可以运行Storm，Spark等计算框架 -->
<property>
<name>mapreduce.frameword,name</name>
<value>yarn</value>
</property>
</configuration>


第五个：yarn-site.xml
vim yarn-site.xml

<configuration>
<!-- NodeManager 获取数据的方式是 shuffle -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 指定YARN的老大(ResourceManager) 的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>cloud01</value>
</property>

</configuration>


2.4 将hadoop的bin 添加到环境变量中，
可以再任何目录下都可以运行

vim etc/profile

export JAVA_HOME=/usr/java/jdk1.7.0_60
export HADOOP_HOME=/cloud/hadoop-2.2.0/etc/hadoop
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin

#刷新配置
source etc/profile

.配置免密码登录

免密码登录可以在任意一台机器上输入命令，可以启动所有机器上的进程

如果不做免密码登录，需要在每一台机器上输入启动进程命令

配置201上的免密码登录

在201上生成秘钥 

ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa 

在.ssh目录下生成

[root@bogon .ssh]# ls
authorized_keys  id_dsa  id_dsa.pub  known_hosts
[root@bogon .ssh]# 

id_dsa 为私钥，id_dsa.pub为公钥

配置单台机器的免密码登录

执行下列命令

$ ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa 
$ cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

配置跨节点的免密码登录

先执行

$ ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa 

生成id_dsa.pub公钥

将id_dsa.pub拷贝到将要免密码登录的那台机器上

scp id_dsa.pub root@192.168.1.202:~

在 192.168.1.202 上将id_dsa.pub追加到 authorized_keys 日子文件上

$ cat ~/id_dsa.pub >> ~/.ssh/authorized_keys

使用 more authorized_keys 查看

在201上使用  ssh 192.168.1.202:22 登录到202上

需要先做本地免密码登录，然后做跨节点免密码登录

配置结果为 201-->202,201-->203, 如果需要相反，则主要重复上边相反过程

2.5 初始化文件HDFS(格式化文件系统)

#hadoop namenode -format(过时了,但还可以用)

#格式化只需要一次
[root@cloud01 bin]# hdfs namenode -format

#格式化后会产生tmp目录

2.6 启动HDFS和YARN
cd /sbin
./start-all.sh(过时了 This script is Deprecated. Instead use start-dfs.sh
and start-yarn.sh)

#有个小问题(需要多次输密码)

可以通过 jps 的方式验证（jps是java 的命令，在bin下）
还可以通过浏览器的方式验证
http://192.168.1.201:50070/ (hdfs管理界面)
http://192.168.1.201:8088/ (yarn管理界面)


Live Nodes ： 代表DataNode存活的节点

Browse th filesystem: 浏览文件系统
使用主机名 需要在windows上 配置映射关系
c:/windows/system32/dirvers/etc/host

2.7 测试HDFS
jps
NameNode： HDFS的老大，HA(High Ability，高可靠性)集群中NameNode是多个

DataNode：HDFS的小弟

SecondaryNameNode：NameNode的助理，完成数据的同步，但是不是实时的

ResourceManager：YARN的老大，负责资源的调度

NodeManager：YARN的小弟，负责干活


文件的上传

上传Linux上的文件到HDFS上

hadoop fs -put /root/jdk-7u60-linux-i586.gz hdfs://cloud01:9000/jdk

上传成功后可以再http://192.168.1.201:50070/ (hdfs管理界面)查看

文件的下载

从 HDFS 下载文件到本地

hadoop fs -get hdfs://cloud01:9000/jdk /home/jdk1.7

2.8 测试 MR 和 YARN




HDFS块的大小

Hadoop 1.0 块的大小默认 64M 67108864字节
Hadoop 2.0 块的默认大小 128M 134217728字节


问什么要进行分块存储？

方便存储，MapReduce方便读取



HDFS 的shell

-count 统计文件的个数
hadoop fs -count /

输出文件夹个数 文件个数 大小

hadoop fs -ls -R -h /

-R代表递归查看，-h （humanRead）人类可读 将字节变成带单位的 M 或 K 等

hadoop fs -mkdir /cloud 创建目录


HDFS的文件模仿Linux上

hadoop fs -ls /

-rw-r--r-- 1 root supergroup 39343 2014-06-18 10:33 /in.log
drwxr-xr-x - root supergroup 0 2014-06-18 10:44 /itcast0106

drwxr-xr-x-
(第1位：类型；3位：所属用户权限；3位：所属组权限；3位：其他用户权限)

- 如果是文件夹表示并不存储
1 如果是文件表示文件的副本个数
root 所属用户
supergroup 所属组
39343 大小
最后修改时间
目录/文件名

hadoop fs -rm 可以删除文件，不能删除 目录
hadoop fs -rm -r 可以删除目录

递归的去掉执行权限

hadoop fs -chmod -R -x /wcout (-R 表示递归 x表示执行权限)

hadoop fs -chown supergroup /in.log 修改所属用户
hadoop fs -chgrp root /in.log 修改所属组

一次指令同时修改
hadoop fs -chown supergroup:root /wcout

如果需要递归修改，需要添加 -R


hadoop 2.0

hdfs dfs -ls /




HDFFS架构

元数据存储细节

（内存一份，磁盘一份）
NameNode(FileName,replicas,block-ids,id2host...)

文件 副本数 数据块 每块所在的机器上
test/a.log, 3, {blk_1, blk_2}, [{blk_1: [h0,h1,h3]},{blk_2:[h0,h2,h4]}]

每个文件都有一个校验值，在读取时如果校验值发生变化，说明文件损坏
这里使用CRC32校验算法


NameNode

　　hdfs-site.xml 的 dfs.name.dir 属性

　　是整个文件系统的管理节点。维护整个文件系统的文件目录树，文件/目录的
　　元数据信息和每个文件对应的数据块列表。接收用户的请求操作。

　　文件包括：

　　① fsimage：元数据镜像文件。存储某一时段NameNode内存元数据信息，保存在磁盘中。
　　（内存当中MateDate的镜像文件，内存的东西序列化到磁盘中）

　　② edits：操作日志文件。
　　（用来记录操作日志的信息）

　　③ fstime：保存最近一次checkpoint（还原点）的时间
　　（checkpoint是保存最近一次做还原点的信息）

　　以上这些文件是保存在linux的文件系统中。

　　NameNode 始终在内存中保存metedata，用于处理“读请求”

　　到有“写请求” 到来时，nameNode会首先写editlog到磁盘，即向edits文件中写日志,
　　成功返回后，才会修改内存，并且向客户端返回

　　Hadoop会维护一个 fsimage 文件，也就是nameNode中metedata的镜像,但是fsimage不会随时与namenode
　　内存中的metedata保存一致，而是每隔一段时间通过合并edits文件来更新内容（Hadoop 1.0 与 2.0的伪分布式，）
　　hadoop2.0会实时进行合并）.
　　SecondaryNameNode就是用来合并fsimage和edits文件来更新NameNode的metedata的（用新的替换旧的）.

SecondaryNameNode


　　HA的一个解决方案.但不支持热备.配置即可。

　　执行过程：

　　　　从NameNode 上下载元数据信息（fsimage，edits），然后把二者合并，生成新的fsimage，在本地保存，并将其推送到NameNode，替换旧的fsimage

　　默认安装在NameNode 节点上，但这样...不安全

 

注：

　　在合并的过程中如果有新的client操作，则产生新的edits.new文件，不在使用之前的edits文件

 合并的触发条件（什么时候checkpoint）：

　　fs.checkpoint.period 指定两次checkpoint的最大时间间隔，默认3600秒

　　fs.checkpoint.size 规定edits文件的最大值，一旦超过这个值则强制checkpoint，不管是否达到最大时间间隔。默认大小是64M。