Hadoop的安装（2）---Hadoop配置

一：安装JDK

hadoop2.x最低jdk版本要求是：jdk1.7（不过推荐用最新的：jdk1.8，因为jdk是兼容旧版本的，而且我们使用的其他软件可能要求的jdk版本较高）

下载地址：https://www.oracle.com/technetwork/java/javase/downloads/java-archive-downloads-javase7-521261.html#jdk-7u80-oth-JPR

注意：版本选取需要同操作系统一致

（一）创建App文件夹

用于存放Hadoop用户安装的各种应用

（二）将jdk解压自App文件夹中

先进入jdk所在文件夹目录下

 tar -zxvf jdk-7u80-linux-x64.tar.gz -C ~/App/

（三）进行测试使用

cd ~/App/jdk1..0_80/bin

./java -version

二：将应用bin和sbin目录加入环境变量中

编辑/etc/profile文件

sudo vi /etc/profile

添加下面代码：将java和Hadoop中bin目录加入环境变量

export JAVA_HOME=/home/hadoop/App/jdk1.7.0_80
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export HADOOP_HOME=/home/hadoop/App/hadoop-2.7.1
export PATH=${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin:${JAVA_HOME}/bin:${JRE_HOME}/bin:$PATH

使用source /etc/profile保存配置文件

source /etc/profile

三：安装Hadoop

（一）解压Hadoop

tar -zvxf hadoop-2.7.1_64bit.tar.gz -C ~/App/

（二）目录讲解

1.bin目录---存放对Hadoop相关服务（HDFS,YARN）进行操作的脚本

bin： 存放的是我们用来实现管理脚本和使用的脚本的目录，我们对hadoop文件系统操作的时候用的就是这个目录下的脚本

常用的命令脚本(我们忽略.cmd的文件这是windows下的使用的文件)：hdfs hadoop yarn 来执行对文件操作

其中hadoop文件用于执行hadoop脚本命令，被hadoop-daemon.sh调用执行，也可以单独执行，一切命令的核心

2.etc目录---Hadoop的配置文件目录，存放Hadoop的配置文件

etc:存放一些hadoop的配置文件

cd ./hadoop/

　　(1)core-site.xml:    Hadoop全局配置文件

Hadoop核心全局配置文件，可以其他配置文件中引用该文件中定义的属性，如在hdfs-site.xml及mapred-site.xml中会引用该文件的属性；
该文件的模板文件存在于$HADOOP_HOME/src/core/core-default.xml，可将模板文件复制到conf目录，再进行修改。

　　(2)hadoop-env.sh    Hadoop环境变量配置文件

Hadoop环境变量

　　(3)hdfs-site.xml    HDFS的核心配置文件

HDFS配置文件，该模板的属性继承于core-site.xml；该文件的模板文件存于$HADOOP_HOME/src/hdfs/hdfs-default.xml，可将模板文件复制到conf目录，再进行修改

　　(4)yarn-site.xml    yarn的核心配置文件

yarn的配置文件，该模板的属性继承于core-site.xml；该文件的模板文件存于$HADOOP_HOME/src/mapred/mapredd-default.xml，
可将模板文件复制到conf目录，再进行修改

　　(5)slaves    用于设置所有的slave的名称或IP，每行存放一个

用于设置所有的slave的名称或IP，每行存放一个。如果是名称，那么设置的slave名称必须在/etc/hosts有IP映射配置

　　(6)mapred-site.xml   MapReduce的核心配置文件，模板文件mapred-site.xml.template

3.include目录

include:对外提供的编程库头文件（具体动态库和静态库在lib目录中），这些头文件均是用C++定义的，通常用于C++程序访问HDFS或者编写MapReduce程序。

4.lib目录---存放Hadoop的本地库（对数据进行压缩解压缩功能）

lib：该目录下存放的是Hadoop运行时依赖的jar包，Hadoop在执行时会把lib目录下面的jar全部加到classpath中。

5.libexec目录

libexec:各个服务对用的shell配置文件所在的目录，可用于配置日志输出、启动参数（比如JVM参数）等基本信息。

6.sbin目录---存放启动或停止Hadoop相关服务的脚本

sbin: 存放的是我们管理脚本的所在目录，重要是对hdfs和yarn的各种开启和关闭和单线程开启和守护

　　start-dfs.sh

启动NameNode、DataNode以及SecondaryNameNode

　　start-yarn.sh 

启动ResourceManager以及NodeManager

　　stop-dfs.sh 

停止NameNode、DataNode以及SecondaryNameNode

　　stop-yarn.sh

停止ResourceManager以及NodeManager

　　start-all.sh 

相当于执行 start-dfs.sh 及 start-yarn.sh

　　stop-all.sh 

相当于执行 stop-dfs.sh 及 stop-yarn.sh

　　hadoop-daemon.sh 

通过执行hadoop命令来启动/停止一个守护进程(daemon)；
该命令会被bin目录下面所有以start或stop开头的所有命令调用来执行命令；
hadoop-daemons.sh也是通过调用hadoop-daemon.sh来执行命令；
hadoop-daemon.sh本身就是通过调用hadoop命令来执行任务。

7.share目录---存放Hadoop的依赖jar包、文档（可删除）、和官方案例

Hadoop各个模块编译后的jar包所在的目录。开发程序需要从此引入jar包

（三）配置安装Hadoop

1.修改etc/hadoop/下配置文件（linux下不需要修改cmd文件）

（1）hadoop-env.sh文件修改：修改java_home（写死）

vi hadoop-env.sh 

echo $JAVA_HOME获取完整环境变量：/home/hadoop/App/jdk1..0_80

Hadoop启动时，需要读取，*-site.xml文件，都需要修改

（2）修改core-site.xml文件

vi core-site.xml

fs.defaultFS：默认采用的文件系统---指定namenode（主节点）的地址
我们需要修改他，因为Hadoop各组件组件是松耦合联系，而文件系统可以是本地文件系统，如linux ext等，也可以是HDFS，....。
所以我们需要指定一个专门的文件系统，为HDFS
value值必须为URI类型：例如HDFS URI: hdfs://主节点名称：端口号/　　其中端口默认9000

<property>
<name>fs.defaultFS</name>
<value>hdfs://hadoopH1:9000</value>
</property>

hadoop.tmp.dir:Hadoop公共目录，用来指定使用hadoop时产生文件的存放目录（如果可以，应该是磁盘挂载点，方便扩容）

<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/App/hadoop-2.7.1/data/tmp/</value>　　　　这里我们指定存放在hadoop根目录下的data文件夹下
</property>

（3）修改hdfs-site.xml文件

dfs.replication：指定hdfs保存数据的副本数量。客户端将文件存放到hdfs中去，hdfs会给我们存多个副本，我们可以指定副本数量（不要太大，3个左右即可）

    <property>
            <name>dfs.replication</name>
            <value>1</value>    　　　　　　　　伪分布指定一个即可
    </property>    

也可以指定切块大小，默认128M（太小了，效率会降低）

注：因为每个分块，都会占用NameNode的一条记录，如果分块太小，则会产生大量记录，占据NameNode空间，使得实际DataNode集群可存放数据大小降低！！！

dfs.namenode.name.dir：指定hdfs中namenode的存储位置
dfs.datanode.data.dir：指定hdfs中datanode的存储位置
Hadoop hdfs有NameNode和DataNode两种节点（两种不同进程），DataNode进程负责管理我们传送的文件块，存放在linux文件目录下， 同样NameNode也需要文件目录存放数据，我们可以分别指定，

    <!--指定hdfs中namenode的存储位置-->
    <property>
             <name>dfs.namenode.name.dir</name>
             <value>/home/hadoop/App/hadoop-2.7.1/data/name</value>
    </property>
    <!--指定hdfs中datanode的存储位置-->
    <property>
             <name>dfs.datanode.data.dir</name>
             <value>/home/hadoop/App/hadoop-2.7.1/data/data</value>
    </property>

4.修改mapred-site.xml文件

先将mapred-site.xml.template（Hadoop不可读）变为mapred-site.xml文件（Hadoop可读）

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

mapreduce.framework.name：指定mapreduce程序应该放入哪一个资源调度集群上使用，否则在本地运行，而不是在集群中使用

        <!--告诉hadoop以后MR(Map/Reduce)运行在YARN上-->
        <property>
              <name>mapreduce.framework.name</name>
              <value>yarn</value>
       </property>

5.修改yarn-site.xml文件

yarn.resourcemanager.hostname：指定Yarn主节点ResourceManager地址
yarn.nodemanager.aux-services:指定nodeManager节点获取数据的方式
yarn.log-aggregation-enable：是否开启工作日志

    <!--nomenodeManager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>hadoopH1</value>
    </property>
    <!--Yarn打印工作日志-->
    <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
    </property>

（四）开启Hadoop

1.关闭防火墙（Hadoop一般在内网使用，所以关掉影响不大）

sudo firewall-cmd --state    查看防火墙状态

systemctl stop firewalld.service            #停止firewall
systemctl disable firewalld.service        #禁止firewall开机启动

2.初始化hdfs文件系统

hadoop namenode -format

可以看到，格式化namenode之后，会在我们指定的配置项所指目录中，生成一些文件

其中fsimage是元数据，.md5是校验文件
而整个文件系统命名空间（包括块到文件和文件系统属性的映射）存储在名为 FsImage 的文件中。
FsImage 也作为文件存储在 NameNode 的本地文件系统中。

3.启动Hadoop

进入sbin目录（存放系统启动脚本）

cd ~/App/hadoop-2.7./sbin/

（1）先启动hdfs

start-dfs.sh

需要选择是否连接主机，并且每启动一次进程，需要输入一次密码！！！

注意：我们在core-site.xml中只配置了NameNode，并没有配置DataNode。但是为什么依旧启动了DataNode??

0.0.0.0广播地址，用于查看集群中有几台机器。

查看进程：jps,用于检查hdfs是否启动成功

hdfs正常运行，需要上面3种进程

NameNode只有一个，DataNode则有多个，DataNode设置需要在配置文件

查看slave文件内容：

内容为localhost，故在本机中启动DataNode。我们可以设置多个集群节点，设置主机名即可

（2）启动yarn

start-yarn.sh

我们本机为主节点，直接开启resourcenamager,不需要输入密码。而nodemanager需要在其他主机中启动，故需要输入密码才可以启动nodemanager进程

故：启动集群，并不需要到每台机器中启动。只需要配置slave文件后。便可在一台机器中启动所有节点。

四：测试Hadoop

（一）.测试Hadoop web服务

修改windows主机hosts文件

添加映射：

使用网页访问Hadoop：

http://hadooph1:50070　　注意：https可能无法访问

（二）测试hdfs

1.上传文件到hdfs文件系统中

hadoop fs -put jdk-7u80-linux-x64.tar.gz hdfs://hadoopH1:9000/    上传到hdfs文件系统根目录下

2.查看hdfs文件系统中文件

（1）在web中查看，可进行下载

（2）使用命令行下载文件到当前目录

hadoop fs -get hdfs://hadoopH1:9000/jdk-7u80-linux-x64.tar.gz

3.查看hdfs文件分块信息

其中.meta文件，是校验和文件。

（三）测试mapreduce

1.使用案例程序进行测试。

mapreduce案例程序在/home/hadoop/App/hadoop-2.7./share/hadoop/mapreduce，在share文件夹下

可用于计算圆周率

（四）测试mapreduce程序---统计单词出现次数

1.测试数据

vi test.txt

hello world
hello ketty
hello boys
hello mark
hello mark
hello doctor
hello kitty

2.上传文件到hdfs系统中

先在hdfs系统中创建一个目录

hadoop fs -mkdir hdfs://hadoopH1:9000/wordcount
或者
hadoop fs -mkdir /wordcount

hadoop fs -mkdir /wordcount/input　　　　创建二级目录

上传文件到input文件目录中

hadoop fs -put test.txt /wordcount/input

3.调用案例程序统计数据

hadoop jar hadoop-mapreduce-examples-2.7..jar wordcount /wordcount/input /wordcount/output

调用jar案例包，使用wordcount类进行单词字数统计，输入数据在/worddcount/input目录下，输出数据应该放入/wordcout/output目录下

注：指定数据输入目录下的所有文件都会读取！！！

4.查看输出文件目录

hadoop fs -ls /wordcount/output

其中_SUCCESS大小为0，为空文件。part-r-00000存放结果。

5.查看输出结果文件

hadoop fs -cat /wordcount/output/part-r-

五：Hadoop shell命令

https://blog.csdn.net/hll19950830/article/details/79810540

六：Hadoop集群搭建的无密登陆配置

（一）ssh协议

推文：https://www.jianshu.com/p/33461b619d53

（二）集群密码输入时机

当启动hdfs文件系统时，start-dfs.sh。
其中start-dfs.sh会去调用core-site.xml获取NameNode信息，本地登陆NamdNode节点，调用slaves文件获取DataNode信息，远程登陆DataNode节点（需要输入密码）。

（三）SSH实践

1.生成密钥

ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa

-t：指定生成密钥类型（rsa、dsa、ecdsa等）
-P：指定passphrase，用于确保私钥的安全
-f：指定存放密钥的文件（公钥文件默认和私钥同目录下，不同的是，存放公钥的文件名需要加上后缀.pub）

ssh-keygen -t rsa

文件存放在用户主目录下.ssh目录下：

其实id_rsa 为密钥，id_rsa.pub为公钥

2.客户端将公钥发送到服务器端，可使得客户端可以登陆该服务器（无需密码）

scp id_rsa.pub hadoopH1:/home/hadoop/

其中scp为远程拷贝操作，拷贝到远程主机（主机名hadoopH1,拷贝目录/home/hadoop/下），需要输入远程主机的密码

查看远程服务器主目录（存在该公钥）：

查看远程服务器.ssh是否存在authorized_keys文件，若不存在则创建，并赋权限600

3. 将获取的公钥追加如authorized_keys文件中

cat ../id_rsa.pub >> ./authorized_keys

注：>是写入，>>是追加

是hadoop@hadoopH1的公钥

4.客户端再次登陆服务器。发现并不用输入密码

（四）实践Hadoop无密登陆

1.开启hdfs文件系统，不需要密码登陆

2.启动yarn,不需要密码登录