Hadoop编译和分布式大数据环境搭建

一、Hadoop编译

1、准备linux环境

准备一台linux环境，内存4G或以上，硬盘40G或以上，我这里使用的是Centos7.7 64位的操作系统（注意：一定要使用64位的操作系统），需要虚拟机联网，关闭防火墙，关闭selinux，安装好JDK8。

根据以上需求，只需要将node1再克隆一台即可，命名为node4，专门用来进行Hadoop编译。

2、安装maven

这里使用maven3.x以上的版本应该都可以，不建议使用太高的版本，强烈建议使用3.0.5的版本即可

将maven的安装包上传到/export/software

然后解压maven的安装包到/export/server

cd /export/software/tar -zxvf apache-maven-3.0.5-bin.tar.gz -C ../server/

配置maven的环境变量

vim /etc/profile

填写以下内容

export MAVEN_HOME=/export/server/apache-maven-3.0.5export MAVEN_OPTS="-Xms4096m -Xmx4096m"export PATH=:$MAVEN_HOME/bin:$PATH

让修改立即生效

source /etc/profile

解压maven的仓库

tar -zxvf mvnrepository.tar.gz  -C /export/server/

修改maven的配置文件

cd  /export/server/apache-maven-3.0.5/confvim settings.xml

指定我们本地仓库存放的路径

 <localRepository>/export/server/mavenrepo</localRepository>

添加一个我们阿里云的镜像地址，会让我们下载jar包更快

<mirror>      <id>alimaven</id>      <name>aliyun maven</name>      <url>http://maven.aliyun.com/nexus/content/groups/public/</url>      <mirrorOf>central</mirrorOf></mirror>

3、安装findbugs

解压findbugs

tar -zxvf findbugs-1.3.9.tar.gz -C ../server/

配置findbugs的环境变量

vim /etc/profile

添加以下内容:

export MAVEN_HOME=/export/server/apache-maven-3.0.5export PATH=:$MAVEN_HOME/bin:$PATHexport FINDBUGS_HOME=/export/server/findbugs-1.3.9export PATH=:$FINDBUGS_HOME/bin:$PATH

让修改立即生效

source  /etc/profile

4、在线安装一些依赖包

yum -y install autoconf automake libtool cmakeyum -y install ncurses-develyum -y install openssl-develyum -y install lzo-devel zlib-devel gcc gcc-c++yum -y install  bzip2-devel

5、安装protobuf

解压protobuf并进行编译

cd  /export/softwaretar -zxvf protobuf-2.5.0.tar.gz -C ../server/cd   /export/server/protobuf-2.5.0./configuremake && make install

6、安装snappy

cd /export/software/tar -zxvf snappy-1.1.1.tar.gz  -C ../server/cd ../server/snappy-1.1.1/./configuremake && make install

7、编译hadoop源码

对源码进行编译

cd  /export/softwaretar -zxvf hadoop-2.7.5-src.tar.gz  -C ../server/cd  /export/server/hadoop-2.7.5

编译支持snappy压缩：

mvn package -DskipTests -Pdist,native -Dtar -Drequire.snappy -e -X

编译完成之后我们需要的压缩包就在下面这个路径里面,生成的文件名为hadoop-2.7.5.tar.gz

cd /export/server/hadoop-2.7.5/hadoop-dist/target

将编译后的Hadoop安装包导出即可

二、分布式环境搭建

1、集群规划

使用完全分布式，实现namenode高可用，ResourceManager的高可用

集群运行服务规划

2、安装包解压

停止之前的hadoop集群的所有服务，然后重新解压编译后的hadoop压缩包

解压压缩包

node1机器执行以下命令进行解压

mkdir -p /opt/softwaremkdir -p /opt/servercd /opt/softwaretar -zxvf hadoop-2.7.5.tar.gz -C /opt/server/cd /opt/server/hadoop-2.7.5/etc/hadoop

3、配置文件的修改

以下操作都在node1机器上进行

3.1、修改core-site.xml

<configuration><!-- 指定NameNode的HA高可用的zk地址  --> <property>   <name>ha.zookeeper.quorum</name>   <value>node1:2181,node2:2181,node3:2181</value> </property> <!-- 指定HDFS访问的域名地址  --> <property>   <name>fs.defaultFS</name>   <value>hdfs://ns</value> </property> <!-- 临时文件存储目录  --><property>  <name>hadoop.tmp.dir</name>  <value>/opt/server/hadoop-2.7.5/data/tmp</value></property> <!-- 开启hdfs垃圾箱机制，指定垃圾箱中的文件七天之后就彻底删掉单位为分钟 --><property> <name>fs.trash.interval</name> <value>10080</value></property></configuration>

3.2、修改hdfs-site.xml

<configuration><!-- 指定NameNode的HA高可用的zk地址  --> <property>   <name>ha.zookeeper.quorum</name>   <value>node1:2181,node2:2181,node3:2181</value> </property> <!-- 指定HDFS访问的域名地址  --> <property>   <name>fs.defaultFS</name>   <value>hdfs://ns</value> </property> <!-- 临时文件存储目录  --><property>  <name>hadoop.tmp.dir</name>  <value>/opt/server/hadoop-2.7.5/data/tmp</value></property> <!-- 开启hdfs垃圾箱机制，指定垃圾箱中的文件七天之后就彻底删掉单位为分钟 --><property> <name>fs.trash.interval</name> <value>10080</value></property></configuration>

3.3、修改yarn-site.xml，注意node03与node02配置不同

<configuration><!-- Site specific YARN configuration properties --><!-- 是否启用日志聚合.应用程序完成后,日志汇总收集每个容器的日志,这些日志移动到文件系统,例如HDFS. --><!-- 用户可以通过配置"yarn.nodemanager.remote-app-log-dir"、"yarn.nodemanager.remote-app-log-dir-suffix"来确定日志移动到的位置 --><!-- 用户可以通过应用程序时间服务器访问日志 --><!-- 启用日志聚合功能，应用程序完成后，收集各个节点的日志到一起便于查看 --><property><name>yarn.log-aggregation-enable</name><value>true</value></property> <!--开启resource manager HA,默认为false--> <property>        <name>yarn.resourcemanager.ha.enabled</name>        <value>true</value></property><!-- 集群的Id，使用该值确保RM不会做为其它集群的active --><property>        <name>yarn.resourcemanager.cluster-id</name>        <value>mycluster</value></property><!--配置resource manager  命名--><property>        <name>yarn.resourcemanager.ha.rm-ids</name>        <value>rm1,rm2</value></property><!-- 配置第一台机器的resourceManager --><property>        <name>yarn.resourcemanager.hostname.rm1</name>        <value>node2</value></property><!-- 配置第二台机器的resourceManager --><property>        <name>yarn.resourcemanager.hostname.rm2</name>        <value>node3</value></property><!-- 配置第一台机器的resourceManager通信地址 --><property>        <name>yarn.resourcemanager.address.rm1</name>        <value>node2:8032</value></property><property>        <name>yarn.resourcemanager.scheduler.address.rm1</name>        <value>node2:8030</value></property><property>        <name>yarn.resourcemanager.resource-tracker.address.rm1</name>        <value>node2:8031</value></property><property>        <name>yarn.resourcemanager.admin.address.rm1</name>        <value>node2:8033</value></property><property>        <name>yarn.resourcemanager.webapp.address.rm1</name>        <value>node2:8088</value></property><!-- 配置第二台机器的resourceManager通信地址 --><property>        <name>yarn.resourcemanager.address.rm2</name>        <value>node3:8032</value></property><property>        <name>yarn.resourcemanager.scheduler.address.rm2</name>        <value>node3:8030</value></property><property>        <name>yarn.resourcemanager.resource-tracker.address.rm2</name>        <value>node3:8031</value></property><property>        <name>yarn.resourcemanager.admin.address.rm2</name>        <value>node3:8033</value></property><property>        <name>yarn.resourcemanager.webapp.address.rm2</name>        <value>node3:8088</value></property><!--开启resourcemanager自动恢复功能--><property>        <name>yarn.resourcemanager.recovery.enabled</name>        <value>true</value></property><!--在node2上配置rm1,在node3上配置rm2,注意：一般都喜欢把配置好的文件远程复制到其它机器上，但这个在YARN的另一个机器上一定要修改，其他机器上不配置此项--><property>       <name>yarn.resourcemanager.ha.id</name><value>rm1</value>       <description>If we want to launch more than one RM in single node, we need this configuration</description></property>      <!--用于持久存储的类。尝试开启--><property>        <name>yarn.resourcemanager.store.class</name>        <value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value></property><property>        <name>yarn.resourcemanager.zk-address</name>        <value>node2:2181,node3:2181,node1:2181</value>        <description>For multiple zk services, separate them with comma</description></property><!--开启resourcemanager故障自动切换，指定机器--> <property>        <name>yarn.resourcemanager.ha.automatic-failover.enabled</name>        <value>true</value>        <description>Enable automatic failover; By default, it is enabled only when HA is enabled.</description></property><property>        <name>yarn.client.failover-proxy-provider</name>        <value>org.apache.hadoop.yarn.client.ConfiguredRMFailoverProxyProvider</value></property><!-- 允许分配给一个任务最大的CPU核数，默认是8 --><property>        <name>yarn.nodemanager.resource.cpu-vcores</name>        <value>2</value></property><!-- 每个节点可用内存,单位MB --><property>        <name>yarn.nodemanager.resource.memory-mb</name>        <value>2048</value></property><!-- 单个任务可申请最少内存，默认1024MB --><property>        <name>yarn.scheduler.minimum-allocation-mb</name>        <value>1024</value></property><!-- 单个任务可申请最大内存，默认8192MB --><property>        <name>yarn.scheduler.maximum-allocation-mb</name>        <value>2048</value></property><!--多长时间聚合删除一次日志 此处--><property>        <name>yarn.log-aggregation.retain-seconds</name>        <value>2592000</value><!--30 day--></property><!--时间在几秒钟内保留用户日志。只适用于如果日志聚合是禁用的--><property>        <name>yarn.nodemanager.log.retain-seconds</name>        <value>604800</value><!--7 day--></property><!--指定文件压缩类型用于压缩汇总日志--><property>        <name>yarn.nodemanager.log-aggregation.compression-type</name>        <value>gz</value></property><!-- nodemanager本地文件存储目录--><property>        <name>yarn.nodemanager.local-dirs</name>        <value>/opt/server/hadoop-2.7.5/yarn/local</value></property><!-- resourceManager  保存最大的任务完成个数 --><property>        <name>yarn.resourcemanager.max-completed-applications</name>        <value>1000</value></property><!-- 逗号隔开的服务列表，列表名称应该只包含a-zA-Z0-9_,不能以数字开始--><property>        <name>yarn.nodemanager.aux-services</name>        <value>mapreduce_shuffle</value></property><!--rm失联后重新链接的时间--> <property>        <name>yarn.resourcemanager.connect.retry-interval.ms</name>        <value>2000</value></property></configuration>

3.4、修改mapred-site.xml

<configuration><!--指定运行mapreduce的环境是yarn --><property>        <name>mapreduce.framework.name</name>        <value>yarn</value></property><!-- MapReduce JobHistory Server IPC host:port --><property>        <name>mapreduce.jobhistory.address</name>        <value>node3:10020</value></property><!-- MapReduce JobHistory Server Web UI host:port --><property>        <name>mapreduce.jobhistory.webapp.address</name>        <value>node0:19888</value></property><!-- The directory where MapReduce stores control files.默认 ${hadoop.tmp.dir}/mapred/system --><property>        <name>mapreduce.jobtracker.system.dir</name>        <value>/opt/server/hadoop-2.7.5/data/system/jobtracker</value></property><!-- The amount of memory to request from the scheduler for each map task. 默认 1024--><property>        <name>mapreduce.map.memory.mb</name>        <value>1024</value></property><!-- <property>                <name>mapreduce.map.java.opts</name>                <value>-Xmx1024m</value>        </property> --><!-- The amount of memory to request from the scheduler for each reduce task. 默认 1024--><property>        <name>mapreduce.reduce.memory.mb</name>        <value>1024</value></property><!-- <property>               <name>mapreduce.reduce.java.opts</name>               <value>-Xmx2048m</value>        </property> --><!-- 用于存储文件的缓存内存的总数量，以兆字节为单位。默认情况下，分配给每个合并流1MB，给个合并流应该寻求最小化。默认值100--><property>        <name>mapreduce.task.io.sort.mb</name>        <value>100</value></property> <!-- <property>        <name>mapreduce.jobtracker.handler.count</name>        <value>25</value>        </property>--><!-- 整理文件时用于合并的流的数量。这决定了打开的文件句柄的数量。默认值10--><property>        <name>mapreduce.task.io.sort.factor</name>        <value>10</value></property><!-- 默认的并行传输量由reduce在copy(shuffle)阶段。默认值5--><property>        <name>mapreduce.reduce.shuffle.parallelcopies</name>        <value>15</value></property><property>        <name>yarn.app.mapreduce.am.command-opts</name>        <value>-Xmx1024m</value></property><!-- MR AppMaster所需的内存总量。默认值1536--><property>        <name>yarn.app.mapreduce.am.resource.mb</name>        <value>1536</value></property><!-- MapReduce存储中间数据文件的本地目录。目录不存在则被忽略。默认值${hadoop.tmp.dir}/mapred/local--><property>        <name>mapreduce.cluster.local.dir</name>        <value>/opt/server/hadoop-2.7.5/data/system/local</value></property></configuration>

3.5、修改slaves

node1node2node3

3.6、修改hadoop-env.sh

export JAVA_HOME=/export/server/jdk1.8.0_241

4、集群启动过程

将第一台机器的安装包发送到其他机器上

第一台机器执行以下命令：

cd /opt/serverscp -r hadoop-2.7.5/ node2:$PWDscp -r hadoop-2.7.5/ node3:$PWD

三台机器上共同创建目录

三台机器执行以下命令

mkdir -p /opt/server/hadoop-2.7.5/data/dfs/nn/namemkdir -p /opt/server/hadoop-2.7.5/data/dfs/nn/editsmkdir -p /opt/server/hadoop-2.7.5/data/dfs/nn/namemkdir -p /opt/server/hadoop-2.7.5/data/dfs/nn/edits

更改node3的rm2

第二台机器执行以下命令

vim yarn-site.xml

<!--在node2上配置rm1,在node3上配置rm2,注意：一般都喜欢把配置好的文件远程复制到其它机器上，

但这个在YARN的另一个机器上一定要修改，其他机器上不配置此项

注意我们现在有两个resourceManager 第二台是rm1 第三台是rm2

这个配置一定要记得去node3上面改好

-->

<property>       <name>yarn.resourcemanager.ha.id</name><value>rm2</value>   <description>If we want to launch more than one RM in single node, we need this configuration</description></property>

4.1、启动HDFS过程

node1机器执行以下命令

cd   /opt/server/hadoop-2.7.5bin/hdfs zkfc -formatZKsbin/hadoop-daemons.sh start journalnodebin/hdfs namenode -formatbin/hdfs namenode -initializeSharedEdits -forcesbin/start-dfs.sh

node2上面执行

cd   /opt/server/hadoop-2.7.5bin/hdfs namenode -bootstrapStandbysbin/hadoop-daemon.sh start namenode

4.2、启动yarn过程

node2上执行

cd   /opt/server/hadoop-2.7.5sbin/start-yarn.sh

node3上面执行

cd   /export/servers/hadoop-2.7.5sbin/start-yarn.sh

4.3、查看resourceManager状态

node2上面执行

cd   /opt/server/hadoop-2.7.5bin/yarn rmadmin -getServiceState rm1

node3上面执行

cd   /opt/server/hadoop-2.7.5bin/yarn rmadmin -getServiceState rm2

4.4、node3启动jobHistory

node3机器执行以下命令启动jobHistory

cd /opt/server/hadoop-2.7.5sbin/mr-jobhistory-daemon.sh start historyserver

4.5、hdfs状态查看

node1机器查看hdfs状态

http://192.168.88.161:50070/dfshealth.html#tab-overview

node2机器查看hdfs状态

http://192.168.88.162:50070/dfshealth.html#tab-overview

4.6、yarn集群访问查看

http://192.168.88.163:8088/cluster

4.7、历史任务浏览界面

页面访问：

http://192.168.88.163:19888/jobhistory