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)
Comments NOTHING