CentOS下Hadoop集群搭建

adoop是Apache软件基金会旗下的一个开源分布式计算平台,支持密集型分布式应用并以Apache2.0许可协议发布。

• Hadoop:以Hadoop分布式文件系统HDFS(Hadoop Distributed Filesystem)和MapReduce（GoogleMapReduce的开源实现）为核心的Hadoop为用户提供了系统底层细节透明的分布式基础架构

   

  ---

  1.Hadoop实现了MapReduce的编程范式：应用程序被分割成许多小部分，而每个部分都能在集群中的任意节点上执行或重新执行。

   

  2.HDFS：用以存?λ?杏?算??的????@?檎??集群??砹朔浅８叩???。

   

  3.Hadoop集群结构为：Master和Slave。一个HDFS集群是由一个NameNode和若干个DataNode组成的。其中NameNode作为主服务器，管理文件系统的命名空间和客户端对文件系统的访问操作；集群中的DataNode管理存储的数据。

   

  4.MapReduce框架是由一个单独运行在主节点上的JobTracker和运行在每个集群从节点的TaskTracker共同组成的。主节点负责调度构成一个作业的所有任务，这些任务分布在不同的从节点上。主节点监控它们的执行情况，并且重新执行之前的失败任务；从节点仅负责由主节点指派的任务。当一个Job被提交时，JobTracker接收到提交作业和配置信息之后，就会将配置信息等分发给从节点，同时调度任务并监控TaskTracker的执行。

   

   

  5.HDFS和MapReduce共同组成了Hadoop分布式系统体系结构的核心。HDFS在集群上实现分布式文件系统，MapReduce在集群上实现了分布式计算和任务处理。HDFS在MapReduce任务处理过程中提供了文件操作和存储等支持，MapReduce在HDFS的基础上实现了任务的分发、跟踪、执行等工作，并收集结果，二者相互作用，完成了Hadoop分布式集群的主要任务。

•  

  Hadoop的五大优势

   高可扩展性

   Hadoop是一个高度可扩展的存储平台，因为他可以存储和分发横跨数百个并行操作的廉价的服务器数据集群。不同于传统的关系型数据库系统不能扩展到处理大量的数据，Hadoop是能给企业提供涉及成百上千TB的数据节点上运行的应用程序。

   成本效益

   Hadoop还为企业用户提供了极具成本效益的存储解决方案。传统的关系型数据库管理系统的问题是，他并不符合海量数据的处理器，不能够符合企业的成本效益。许多公司过去不得不假设那些数据最优价值，然后根据这些有价值的数据设定分类，如果保存所有的数据，那么成本就会过高。虽然这种方法可以短期内实现工作，但是随着数据量的增大，这种方式并不能很好的解决问题。

   Hadoop的架构则不同，其被设计为一个向外扩展的架构，可以经济的存储所有公司的数据供以后使用，节省的费用是非常惊人的，Hadoop提供数百TB的存储和计算能力，而不是几千块钱就能解决的问题。

   灵活性更好

   Hadoop能够使企业轻松访问到新的数据源，并可以分析不同类型的数据，从这些数据中产生价值，这意味着企业可以利用Hadoop的灵活性从社交媒体、电子邮件或点击流量等数据源获得宝贵的商业价值。

   此外，Hadoop的用途非常广，诸如对数处理、推荐系统、数据仓库、市场活动分析以及欺诈检测。

   快

   Hadoop拥有独特的存储方式，用于数据处理的工具通常在与数据相同的服务器上，从而导致能够更快的处理器数据，如果你正在处理大量的非结构化数据，Hadoop能够有效的在几分钟内处理TB级的数据，而不是像以前PB级数据都要以小时为单位。

   容错能力

   使用Hadoop的一个关键优势就是他的容错能力。当数据被发送到一个单独的节点，该数据也被复制到集群的其它节点上，这意味着在故障情况下，存在另一个副本可供使用。非单点故障。

• Hadoop集群配置实例：架构

   

  ---

  1个Master，1个Backup（主机备用），3个Slave（由虚拟机创建）。

  节点IP地址：

  rango(Master)       192.168.56.1         namenode

  vm1(Backup)        192.168.56.101    secondarynode

  vm2(Slave1)        192.168.56.102     datanode

  vm3(Slave2)        192.168.56.103     datanode

  vm4(Slave3)        192.168.56.104     datanode

  ps：Hadoop最好运行在一个单独的用户下，且所有集群中的用户应该保持一致，即用户名相同。

Master机器配置文件中：masters文件中指定的是要运行的secondarynamenode，slaves文件指定的是要运行的datanode和tasktracker

Master机器主要配置NameNode和JobTracker的角色，负责总管分布式数据和分解任务的执行；Salve机器配置DataNode和TaskTracker的角色，负责分布式数据存储以及任务的执行。

在进行Hadoop集群配置中，需要在"/etc/hosts"文件中添加集群中所有机器的IP与主机名，这样Master与所有的Slave机器之间不仅可以通过IP进行通信，而且还可以通过主机名进行通信。JDK(java集成开发环境)和hadoop的安装、配置。

MapReduce："任务的分解与结果的汇总"。用于执行MapReduce任务的机器角色有两个：一个是JobTracker；另一个是TaskTracker，JobTracker是用于调度工作的，TaskTracker是用于执行工作的。一个Hadoop集群中只有一台JobTracker（位于Master中）。

MapReduce框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问题，把处理过程高度抽象为两个函数：map和reduce，map负责把任务分解成多个任务，reduce负责把分解后多任务处理的结果汇总起来。

• Hadoop配置实例：具体过程  

   1.网络、主机配置：在所有主机上配置其主机名

/etc/hosts：将集群中所有主机的主机名和对应ip地址加入所有机器的hosts文件中，以便集群之间可以用主机名进行通信和验证。

   2.配置ssh无密码登录

   3.java环境安装

集群所有机器都要安装jdk，jdk版本：jdk1.7.0_45,并配置好环境变量：/etc/profile：

# set java environment

        export  JAVA_HOME=/usr/java/jdk1.7.0_45

        export  CLASSPATH=.:$CLASSPATH:$JAVA_HOME/lib:$JAVA_HOME/jre/lib

        export  PATH=$PATH:$JAVA_HOME/bin:$JAVA_HOME/jre/bin

        source /etc/profile  使其生效

   4.hadoop安装和配置：所有机器都要安装hadoop，hadoop版本：hadoop-1.2.1       

4.1 安装：tar zxvf hadoop-1.2.1.tar.gz ; mv hadoop-1.2.1 /usr/hadoop; 

       将文件夹hadoop的权限分配给hadoop用户。

4.2 hadoop环境变量：#set hadoop path

       export HADOOP_HOME=/usr/hadoop

       export PATH=$PATH :$HADOOP_HOME/bin

       在"/usr/hadoop"创建"tmp"文件夹：mkdir /usr/hadoop/tmp

4.3 配置hadoop

       1）配置hadoop-env.sh：

       # set java environment

       export JAVA_HOME=/usr/java/jdk1.7.0_45

       2）配置core-site.xml文件：

       3）配置hdfs-site.xml文件

       4）配置mapred-site.xml文件

       5）配置masters文件：加入的为secondarynamenode的ip地址

       6）配置slaves文件（Master主机特有）：添加datanode节点的主机名或ip地址。

       ps：可以先在master安装并配置好，然后通过scp -r /usr/hadoop root@服务器ip：/usr/，将Master上配置好的hadoop所在文件夹"/usr/hadoop"复制到所有的Slave的"/usr"目录下。然后在各自机器上将hadoop文件夹权限赋予各自的hadoop用户。并且配置好环境变量等。

       5 启动和验证

       5.1 格式化HDFS文件系统

       在Master上使用hadoop用户进行操作：

       hadoop namenode -format

       ps：只需一次，下次启动不再需要格式化，只需start-all.sh 

       5.2 启动hadoop：

       在启动前关闭集群中所有机器的防火墙，不然会出现datanode开后又自动关闭：

       service iptables stop

       使用下面命令启动：

       start-all.sh

       启动hadoop成功后，在Master 中的tmp 文件夹中生成了dfs 文件夹，在Slave中的tmp 文件夹中均生成了 dfs 文件夹和mapred 文件夹。

5.3 验证hadoop：

       （1）验证方法一：用"jps"命令

       （2）验证方式二：用"hadoopdfsadmin -report"）验证

       6 网页查看：访问"http://masterip:50030"

• Hadoop使用端口说明

  ---

默认端口                                设置位置                                描述信息

8020                                                                           namenode RPC交互端口

8021                                                                                 JT RPC交互端口

50030                     mapred.job.tracker.http.address            JobTrackeradministrative web GUI

                                                                                                JOBTRACKER的HTTP服务器和端口

50070                       dfs.http.address                                      NameNode administrative web GUI

                                                                                                   NAMENODE的HTTP服务器和端口
50010                      dfs.datanode.address                                         DataNode control port (each DataNode listens  on this port and registers it with the NameNode onstartup)              DATANODE控制端口，主要用于DATANODE初始化时向NAMENODE提出注册和应答请求

50020                       dfs.datanode.ipc.address                   DataNode IPC port, usedfor block transfer

                                                                                                    DATANODE的RPC服务器地址和端口

50060                   mapred.task.tracker.http.address                      Per TaskTracker webinterface

                                                                                                 TASKTRACKER的HTTP服务器和端口

50075                    dfs.datanode.http.address                                  Per DataNode webinterface
                                                                                                        DATANODE的HTTP服务器和端口
50090                      dfs.secondary.http.address                  Per secondary NameNode web interface

                                                                                                       辅助DATANODE的HTTP服务器和端口

• 总结

本文通过实例讲解了Hadoop集群的搭建过程、Hadoop主要端口的介绍。后续文章将着力于HDFS、Hadoop命令行等。
Hadoop连载系列之二：Zookeeper分布式安装

1 概述

Zookeeper分布式服务框架是 Apache Hadoop 的一个子项目，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，如：统一命名服务、状态同步服务、集群管理、分布式应用配置项的管理等。ZooKeeper本身可以以Standalone模式安装运行，不过它的长处在于通过分布式ZooKeeper集群（一个Leader，多个Follower），基于一定的策略来保证ZooKeeper集群的稳定性和可用性，从而实现分布式应用的可靠性。Zookeeper 会维护一个具有层次关系的数据结构，它非常类似于一个标准的文件系统，如下图所示

Zookeeper 这种数据结构有如下这些特点：

1. 每个子目录项如 NameService 都被称作为 znode，这个 znode 是被它所在的路径唯一标识，如 Server1 这个 znode 的标识为 /NameService/Server1

2. znode 可以有子节点目录，并且每个 znode 可以存储数据，注意 EPHEMERAL 类型的目录节点不能有子节点目录

3. znode 是有版本的，每个 znode 中存储的数据可以有多个版本，也就是一个访问路径中可以存储多份数据

4. znode 可以是临时节点，一旦创建这个 znode 的客户端与服务器失去联系，这个 znode 也将自动删除，Zookeeper 的客户端和服务器通信采用长连接方式，每个客户端和服务器通过心跳来保持连接，这个连接状态称为 session，如果 znode 是临时节点，这个 session 失效，znode 也就删除了

5. znode 的目录名可以自动编号，如 App1 已经存在，再创建的话，将会自动命名为 App2

6. znode 可以被监控，包括这个目录节点中存储的数据的