Hadoop 2.x伪分布式环境搭建测试

标签（空格分隔）： hadoop

hadoop,spark,kafka交流群：459898801

1，搭建hadoop所需环境

卸载open JDK
rpm -qa |grep java
rpm -e –nodeps [java]

1.1,在/opt/目录下创建四个目录：

modules/
software/
datas/
tools/

解压hadoop-2.5.0及jdk-7u67-linux-x64.tar.gz至modules目录下。

$tar -zxvf hadoop-2.5.0.tar.gz /opt/modules/
$tar -zxvf jdk-7u67-linux-x64.tar.gz /opt/modules/

1.2添加java环境变量。

$sudo vi /etc/profile
添加环境变量：
export JAVA_HOME=/opt/modules/jdk1.7.0_67
export PATH=$PATH:$JAVA_HOME/bin
更新配置：
#source etc/profile

设置nodepad++与hadoop所在主机链接，以便修改配置。

2，hadoop伪分布式设置

1，添加java指令目录到hadoop-env.sh，yarn-env.sh,mepre-env.sh

2，core-site.xml配置

    <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/modules/hadoop-2.6.0-cdh5.4.4/data/tmp
</value>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://adddeiMac.local:8020</value>
    </property>

3，hdfs-site.xml配置

    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>

4，mapred-site.xml配置

    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>

5，yarn-site.xml配置

    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>adddeiMac.local</value>
    </property>

    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>

6，slaves配置

miaodonghua.host//主机名：nodemanager和datanode地址

3，启动hadoop。

1，格式化文件系统

$bin/hdfs namenode -format

2，启动hdfs

$sbin/hadoop-daemon.sh start namenode
$sbin/hadoop-daemon.sh start datanode

3，创建目录、上传文件并查看文件内容

$bin/hdfs dfs -mkdir /usr/hadoop/tmp
$bin/hdfs dfs -put etc/slaves /usr/hadoop/tmp

上传成功后可以在web端口查看：

查看slaves内容

$bin/hdfs dfs -cat /usr/hadoop/tmp/slaves

启动yarn

$sbin/yarn-daemon.sh start resourcemanager
$sbin/yarn-daemon.sh start nodemanager

启动hdfs和yarn成功后，jps：

查看namnode和Resourcemanager的webapp

4，在yarn上运行wordcount

1，创建wordcount的输入文件

vi /opt/datas/wc.input
内容：
yarn spark
hadoop mapreduce
mapreduce spark
hdfs yarn
yarn mapreduce
hadoop hdfs
spark spark

2，创建目录，并上传wc.input

$bin/hdfs dfs -mkdir -p /usr/hadoop/mapreduce/wordcount/input
$bin/hdfs dfs -put /opt/datas/wc.input mapreduce/wordcount/input

上传成功：

3，运行wordcount。

webapp查看运行状态

running

finished

查看结果

在/user/hadoop/mapreduce/output目录下会生成结果文件

在终端中查看结果

$bin/hdfs dfs -text /user/hadoop/mapreduce/wordcount/output/par*

5，自己目前对hadoop组件的理解

1，对HDFS的理解

Hdfs是一种适合运行在普通廉价服务器上的分布式文件系统，hdfs适合存储超大文件不适合存储小文件，而且hadoop中的文件被分成64M的块而且实际存储内容小于64M的话实际占有内存也不到64M。Hdfs有一个namenode、一个SecondaryNameNode和若干datanode。Namenode用来存储文件的元数据如文件名，文件目录结构，文件属性以及每个文件的块和块所在的datanode等。Datanode在本地文件系统存储文件数据块，以及块数据的校验和。SecondaryNameNode用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。

2，对YARN的理解

Yarn是一种新的 Hadoop资源管理器，它是一个通用资源管理系统，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。yarn服务主要由四个部分组成Resopurcemanager、nodemanager、applicationmaster及container。Rsourcemanager主要负责处理客户端请求、启动及监控AllicationMaster监控NodeManager及资源分配及调度。nodeManager主要负责处理来自ResourceManager及来自AllicationMaster的命令，还负责单个节点上的资源管理。AllicationMaster主要负责数据切分，为应用程序申请资源并分配给内部任务，还负责任务监控与容错。Container主要是对任务运行环境的抽象，封装了CPU、内存等对位资源以及变量、启动命令等任务运行相关的信息。

3，对mapreduce的理解

Mapreduce是一种离线框架。它适合大规模的数据运算，他将计算过程分为两个部分，及map和reduce。Map阶段主要进行并行的处理输入的数据，并将数据存储到本地磁盘。Reduce主要从磁盘上读出map阶段存储的数据，然后将map阶段的数据进行化简汇总。mapreduce是仅适合离线处理，并且具有很好的容错性及扩展性，适合处理简单的批处理人数。其缺点是启动开销大、过多的使用磁盘导致效率低下等。
Mapreduce具体执行步骤如下：
1.首先对输入数据源进行切片
2.master调度worker执行map任务
3.worker读取输入源片段
4.worker执行map任务，将任务输出保存在本地
5.master调度worker执行reduce任务，reduce worker读取map任务的输出文件
6.执行reduce任务，将任务输出保存到HDFS
下图是mapreduce的数据流向图.