hadoop笔记(3)-MapReduce及YARN组件

本系列笔记是学习黑马程序员大数据入门到实战教程，大数据开发必会的Hadoop、Hive，云平台实战过程中自己总结和记录的笔记,分享出来方便大家学习

分布式计算概述

什么是（数据）计算

计算：对数据进行处理，使用统计分析等手段得到需要的结果
分布式计算：多台服务器协同工作，共同完成一个计算任务

分布式（数据）计算种类

分散->汇总模式（例如MapReduce）
中心调度->步骤执行模式（大数据体系的Spark、Flink）

分散->汇总模式

分散->汇总模式：

1.将数据分片，多台服务器各自负责一部分数据处理

2.然后将各自的结果，进行汇总处理

3.最终得到想要的计算结果

中心调度->步骤执行模式

中心调度->步骤执行模式：

由一个节点作为中心调度管理者
将任务划分为几个具体步骤
管理者安排每个机器执行任务
最终得到结果数据

MapReduce概述

介绍

MapReduce 即Hadoop内提供的进行分布式计算的组件，是hadoop三大件其中的分布式计算组件

MapReduce是“分散->汇总”模式的分布式计算框架，可供开发人员开发相关程序进行分布式数据计算。

MapReduce编程接口

MapReduce提供了2个编程接口：

Map
Reduce

其中

Map功能接口提供了“分散”的功能，由服务器分布式对数据进行处理
Reduce功能接口提供了“汇总（聚合）”的功能，将分布式的处理结果汇总统计

用户如需使用MapReduce框架完成自定义需求的程序开发

只需要使用Java、Python等编程语言，实现Map Reduce功能接口即可。

MapReduce执行原理

现在，我们借助一个案例，简单分析一下，MapReduce是如何完成分布式计算的。

假设有如下文件，内部记录了许多的单词。且已经开发好了一个MapReduce程序，功能是统计每个单词出现的次数。

假定有4台服务器用以执行MapReduce任务

可以3台服务器执行Map，1台服务器执行Reduce

YARN概述

YARN 即Hadoop内提供的进行分布式资源调度的组件

YARN 管控整个集群的资源进行调度，那么应用程序在运行时，就是在YARN的监管（管理）下去运行的。

这就像：全部资源都是公司（YARN）的，由公司分配给个人（具体的程序）去使用。

YARN架构

核心架构

HDFS，主从架构，有2个角色

主（Master）角色：NameNode

从（Slave）角色：DataNode

YARN，主从架构，有2个角色

主（Master）角色：ResourceManager

从（Slave）角色：NodeManager

ResourceManager 和 NodeManager

ResourceManager：整个集群的资源调度者，负责协调调度各个程序所需的资源。

NodeManager：单个服务器的资源调度者，负责调度单个服务器上的资源提供给应用程序使用。

开辟的空间，称之为：容器

容器（Container）

NodeManager在服务器上构建一个容器（提前占用资源，类似集装箱的概念）
然后将容器的资源提供给程序使用
程序运行在容器（集装箱）内，无法突破容器的资源限制

辅助架构

YARN的架构中除了核心角色，即：

ResourceManager：集群资源总管家
NodeManager：单机资源管家

还可以搭配2个辅助角色使得YARN集群运行更加稳定

代理服务器(ProxyServer)：Web Application Proxy Web
应用程序代理历史服务器(JobHistoryServer)：应用程序历史信息记录服务

Web应用代理(Web Application Proxy)

代理服务器，即Web应用代理是 YARN 的一部分。默认情况下，它将作为资源管理器(RM)的一部分运行，但是可以配置为在独立模式下运行。使用代理的原因是为了减少通过 YARN 进行基于网络的攻击的可能性。

这是因为， YARN在运行时会提供一个WEB UI站点（同HDFS的WEB UI站点一样）可供用户在浏览器内查看YARN的运行信息

对外提供WEB 站点会有安全性问题，而代理服务器的功能就是最大限度保障对WEB UI的访问是安全的。比如：

警告用户正在访问一个不受信任的站点
剥离用户访问的Cookie等

开启代理服务器，可以提高YARN在开放网络中的安全性（但不是绝对安全只能是辅助提高一些）

代理服务器默认集成在了ResourceManager中

也可以将其分离出来单独启动，如果要分离代理服务器

1.在yarn-site.xml中配置 yarn.web-proxy.address 参数即可（部署环节会使用到）

并通过命令启动它即可 $HADOOP_YARN_HOME/sbin/yarn-daemon.sh start proxyserver（部署环节会使用到）

HistoryServer历史服务器

历史服务器的功能很简单：记录历史运行的程序的信息以及产生的日志并提供WEB UI站点供用户使用浏览器查看。

JobHistoryServer历史服务器功能：

提供WEB UI站点，供用户在浏览器上查看程序日志
可以保留历史数据，随时查看历史运行程序信息

JobHistoryServer需要配置：

开启日志聚合，即从容器中抓取日志到HDFS集中存储

配置历史服务器端口和主机

MapReduce & YARN 的部署

部署说明

Hadoop HDFS分布式文件系统，我们会启动：

NameNode进程作为管理节点
DataNode进程作为工作节点
SecondaryNamenode作为辅助

同理，Hadoop YARN分布式资源调度，会启动：

ResourceManager进程作为管理节点
NodeManager进程作为工作节点
ProxyServer、JobHistoryServer这两个辅助节点

那么，MapReduce呢？

MapReduce运行在YARN容器内，无需启动独立进程

所以关于MapReduce和YARN的部署，其实就是2件事情：

关于MapReduce：修改相关配置文件，但是没有进程可以启动
关于YARN：修改相关配置文件，并启动ResourceManager、NodeManager进程以及辅助进程（代理服务器、历史服务器）

组件	配置文件	启动进程	备注
Hadoop HDFS	需修改	需启动NameNode作为主节点DataNode作为从节点SecondaryNameNode主节点辅助	分布式文件系统
Hadoop YARN	需修改	需启动ResourceManager作为集群资源管理者NodeManager作为单机资源管理者ProxyServer代理服务器提供安全性JobHistoryServer记录历史信息和日志	分布式资源调度
Hadoop MapReduce	需修改	无需启动任何进程MapReduce程序运行在YARN容器内	分布式数据计算

集群规划

有3台服务器，其中node1配置较高

集群规划如下：

主机	角色
node1	ResourceManager，NodeManager，ProxyServer，JobHistoryServer
node2	NodeManager
node3	NodeManager

MapReduce配置文件

在 $HADOOP_HOME/etc/hadoop 文件夹内，修改：

mapred-env.sh文件，添加如下环境变量

#设置 JDK 路径
export JAVA_HOME=/export/server/jdk
#设置 JobHistoryServer进程内存为 1G
export HADOOP_JOB_HISTORYSERVER_HEAPSIZE=1000
#设置日志级别为 INFO
export HADOOP_MAPRED_ROOT_LOGGER=INFO,RFA

mapred-site.xml文件，添加如下配置信息

<property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
    <discription>MapReduce的运行框架运行为YARN</discription>
</property>

<property>
    <name>mapreduce.jobhistory.address</name>
    <value>node1:10020</value>
    <discription>历史服务器通讯端口为node1:10020</discription>
</property>

<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>node1:19888</value>
    <discription>历史服务器端口为node1的19888</discription>
</property>

<property>
    <name>mapreduce.jobhistory.intermediate-done-dir</name>
    <value>/data/mr-history/tmp</value>
    <discription>历史信息在HDFS的记录临时路径</discription>
</property>

<property>
    <name>mapreduce.jobhistory.done-dir</name>
    <value>/data/mr-history/done</value>
    <discription>历史信息在HDFS的记录路径</discription>
</property>

<property>
    <name>yarn.app.mapreduce.am.env</name>
    <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
    <discription>MapRedece HOME设置为HADOOP_HOME</discription>
</property>

<property>
    <name>mapreduce.map.env</name>
    <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
    <discription>MapRedece HOME设置为HADOOP_HOME</discription>
</property>

<property>
    <name>mapreduce.reduce.env</name>
    <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
    <discription>MapRedece HOME设置为HADOOP_HOME</discription>
</property>

YARN配置文件

vim yarn-env.sh

在顶部添加以下内容

export JAVA_HOME=/export/server/jdk
#设置JDK路径的环境变量
export HADOOP_HOME=/export/server/hadoop
#设置HADOOP_HOME的环境变量
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
#设置配置文件路径的环境变量
export HADOOP_LOG_DIR=$HADOOP_HOME/logs
#设置日志文件路径的环境变量

vim yarn-site.xml

在<configuration></configuration>之间添加以下内容

<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>node1</value>
    <discription>ResourceManager设置在node1节点</discription>
</property>

<property>
    <name>yarn.nodemanager.local-dirs</name>
    <value>/data/nm-local</value>
    <discription>NodeManager中间数据本地存储路径</discription>
</property>

<property>
    <name>yarn.nodemanager.log-dirs</name>
    <value>/data/nm-log</value>
    <discription>NodeManager数据日志本地存储路径</discription>
</property>

<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
    <discription>为MapReduce程序开启Shuffle服务</discription>
</property>

<property>
    <name>yarn.log.server.url</name>
    <value>http://node1:19888/jobhistory/logs</value>
    <discription>历史服务器URL</discription>
</property>

<property>
    <name>yarn.web-proxy.address</name>
    <value>node1:8089</value>
    <discription>代理服务器主机和端口</discription>
</property>

<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
    <discription>开启日志聚合</discription>
</property>

<property>
    <name>yarn.nodemanager.remote-app-log-dir</name>
    <value>/tmp/logs</value>
    <discription>程序日志HDFS的存储路径</discription>
</property>

<property>
    <name>yarn.resourcemanager.scheduler.class</name>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value>
    <discription>选择公平调度器</discription>
</property>

分发配置文件

scp mapred-env.sh mapred-site.xml yarn-env.sh yarn-site.xml node2:`pwd`/
scp mapred-env.sh mapred-site.xml yarn-env.sh yarn-site.xml node3:`pwd`/

集群启动命令介绍

常用的进程启动命令如下：

一键启动YARN集群： $HADOOP_HOME/sbin/start-yarn.sh
- 会基于yarn-site.xml中配置的yarn.resourcemanager.hostname来决定在哪台机器上启动resourcemanager
会基于workers文件配置的主机启动NodeManager
一键停止YARN集群： $HADOOP_HOME/sbin/stop-yarn.sh
在当前机器，单独启动或停止进程
- $HADOOP_HOME/bin/yarn --daemon start|stop resourcemanager|nodemanager|proxyserver
start和stop决定启动和停止
可控制resourcemanager、nodemanager、proxyserver三种进程
历史服务器启动和停止
$HADOOP_HOME/bin/mapred --daemon start|stop historyserver

开始启动YARN集群

在node1服务器，以hadoop用户执行

#启动hdfs
start-dfs.sh
#启动yarn
start-yarn.sh
#查看进程启动情况
jps
#启动HistoryServer（历史服务器）
mapred --daemon start historyserver

查看YARN的WEB UI页面

打开 http://node1:8088 即可看到YARN集群的监控页面（ResourceManager的WEB UI）

记得拍快照！！！

YARN集群的启停命令

一键启动脚本

启动：
$HADOOP_HOME/sbin/start-yarn.sh

从yarn-site.xml中读取配置，确定ResourceManager所在机器，并启动它。
读取workers文件，确定机器，启动全部的NodeManager。
在当前机器启动ProxyServer（代理服务器）。

关闭：
$HADOOP_HOME/sbin/stop-yarn.sh

start-yarn.sh
jps
stop-yarn.sh

单进程启停

除了一键启停外，也可以单独控制进程的启停。

$HADOOP_HOME/bin/yarn，此程序也可以用以单独控制所在机器的进程的启停
用法：
yarn --daemon (start|stop)(resourcemanager|nodemanager|proxyserver)

yarn --daemon start resourcemanager

yarn --daemon stop resourcemanager

yarn --daemon start nodemanager

yarn --daemon stop nodemanager

yarn --daemon start proxyserver

yarn --daemon stop proxyserver

$HADOOP_HOME/bin/mapred，此程序也可以用以单独控制所在机器的历史服务器的启停
用法：mapred --daemon (start|stop) historyserver

mapred --daemon stop historyserver
mapred --daemon start historyserver

提交MapReduce任务到YARN执行

YARN作为资源调度管控框架，其本身提供资源供许多程序运行，常见的有：MapReduce程序、Spark程序、Flink程序

Hadoop官方内置了一些预置的MapReduce程序代码，我们无需编程，只需要通过命令即可使用。

常用的有2个MapReduce内置程序：

wordcount：单词计数程序。
统计指定文件内各个单词出现的次数
pi：求圆周率
通过蒙特卡罗算法（统计模拟法）求圆周率
这些内置的示例MapReduce程序代码，都在：
$HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar 这个文件内。

cd /export/server/hadoop/share/hadoop/mapreduce/

ll

可以通过 hadoop jar 命令来运行它，提交MapReduce程序到YARN中。

语法： hadoop jar 程序文件 java类名 [程序参数] … [程序参数]

提交wordcount示例程序

单词计数示例程序的功能很简单：

给定数据输入的路径（HDFS）、给定结果输出的路径（HDFS）
将输入路径内的数据中的单词进行计数，将结果写到输出路径
我们可以准备一份数据文件，并上传到HDFS中。

hadoop it bigdata hello world
hello bigdata hdfs
it is hadoop hdfs
hdfs mapreduce yarn
hadoop yarn

将上面内容保存到Linux中为words.txt文件，并上传到HDFS

start-dfs.sh

vim words.txt

hadoop fs -mkdir -p /input

hadoop fs -mkdir /output

hadoop fs -ls /

hadoop fs -put words.txt /input/

hadoop fs -ls /input/

执行如下命令，提交示例MapReduce程序WordCount到YARN中执行

start-yarn.sh

mapred --daemon start historyserver

hadoop jar /export/server/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar wordcount hdfs://node1:8020/input hdfs://node1:8020/output/wc

注意：
参数wordcount，表示运行jar包中的单词计数程序（Java Class）
参数1是数据输入路径（hdfs://node1:8020/input/wordcount/)
参数2是结果输出路径(hdfs://node1:8020/output/wc)，需要确保输出的文件夹不存在

提交程序后，可以在YARN的WEB UI页面看到运行中的程序（http://node1:8088/cluster/apps)

执行完成后，可以查看HDFS上的输出结果

hadoop fs -ls /output/wc

hadoop fs -cat /output/wc/*

_SUCCESS文件是标记文件，表示运行成功，本身是空文件
part-r-00000，是结果文件，结果存储在以part开头的文件中

执行完成后，可以借助历史服务器查看到程序的历史运行信息

ps：如果没有启动历史服务器和代理服务器，此操作无法完成（页面信息由历史服务器提供，鼠标点击跳转到新网页功能由代理服务器提供）

查看运行日志

点击logs链接，可以查看到详细的运行日志信息。
此功能基于：

配置文件中配置了日志聚合功能，并设置了历史服务器

启动了代理服务器和历史服务器

历史服务器进程会将日志收集整理，形成可以查看的网页内容供我们查看。
所以，如果发现无法查看程序运行历史以及无法查看程序运行日志信息，请检查上述1、2、3是否都正确设置。

提交求圆周率示例程序

可以执行如下命令，使用蒙特卡罗算法模拟计算求PI（圆周率）

hadoop jar /export/server/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar pi 3 1000

参数pi表示要运行的Java类，这里表示运行jar包中的求pi程序
参数3，表示设置几个map任务
参数1000，表示模拟求PI的样本数（越大求的PI越准确，但是速度越慢）

MSTG Blog