目录

1 Hadoop 简介

2 下载并配置Hadoop

2.1 修改/etc/profile

2.2 修改hadoop-env.sh

2.3 修改core-site.xml

2.4 修改hdfs-site.xml

2.5 修改mapred-site.xml

2.6 修改yarn-site.xml

2.7 修改workers

2.8 修改start-dfs.sh、stop-dfs.sh

2.9 修改start-yarn.sh、stop-yarn.sh

2.10 启动集群

3 HDFS

3.1 HDFS常见shell操作

3.2 HDFS实操案例

3.3 HDFS体系结构

3.4 DataNode总结

3.5 NameNode总结

3.6 HDFS的回收站

 3.7 HDFS的安全模式

 3.8 案例：定时上传文件到HDFS

 3.9 HDFS的高可用（HA）

 3.10 HDFS的高扩展（Federation）

4 MapReduce

4.1 Map阶段

4.2 Redeuce阶段

4.3 MapRedeuce任务日志查看

4.4 Shuffle原理

4.5 Shuffle原理

4.6 InputSplit原理

4.7 RecodReader原理

---

1 Hadoop 简介

Hadoop适合海量数据分布式存储和分布式计算

Hadoop 3.x的细节优化：

• Java改为支持8及以上
• HDFS支持纠删码
• HDFS支持多NameNode
• MR任务级本地优化
• 多重服务默认端口变更

Hadoop主要包含三大组件：HDFS+MapReduce+YARN

• HDFS负责海量数据的分布式存储
• MapReduce是一个计算模型，负责海量数据的分布式计算
• YARN主要负责集群资源的管理和调度

2 下载并配置Hadoop

ssh-keygen -t rsa
cat ~/.ssh/id_rsa.pub  >> ~/.ssh/authorized_keys

把 公钥 的内容 附加到 authorized_keys 里：

修改hostname

su root
hostname bigdata01

第一次设置密码

 更换主机名之后

2.1 修改/etc/profile

vim /etc/profile

添加

export HADOOP_HOME=/data/soft/hadoop-3.2.0
export PATH=.:$HADOOP_HOME/sbin:$HADOOP_HOME/bin:$PATH

需要root权限

等号前后不能有空格

 

java的环境也要有

wget --no-check-certificate --no-cookies --header "Cookie: oraclelicense=accept-securebackup-cookie"  http://download.oracle.com/otn-pub/java/jdk/8u131-b11/d54c1d3a095b4ff2b6607d096fa80163/jdk-8u131-linux-x64.tar.gz

 source一下使得环境变量生效

source /etc/profile

检查一下环境是否装好

检查是否装好hadoop

以下文件在{HADOOP_HOME}/etc/hadoop/目录下

2.2 修改hadoop-env.sh

JAVA_HOME是ubuntu系统自带的 log日志是自己建立的

export JAVA_HOME=/home/gdan/data/jdk-8u131-linux-x64/jdk1.8.0_131
export HADOOP_LOG_DIR=/home/gdan/data/soft/hadoop_repo/logs/hadoop

（注意这里 等号附近 前往不能有空格）

2.3 修改core-site.xml

<configuration><property><name>fs.defaultFS</name><value>hdfs://bigdata01:9000</value></property><property><name>hadoop.tmp.dir</name><value>/data/hadoop_repo</value></property><property><name>hadoop.http.staticuser.user</name><value>root</value></property>
</configuration>

2.4 修改hdfs-site.xml

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

2.5 修改mapred-site.xml

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

2.6 修改yarn-site.xml

<configuration><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property><property><name>yarn.nodemanager.env-whitelist</name><value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value></property>
</configuration>

2.7 修改workers

bigdata01

2.8 修改start-dfs.sh、stop-dfs.sh

在文件开头添加

HDFS_DATANODE_USER=root
HDFS_DATANODE_SECURE_USER=hdfs
HDFS_NAMENODE_USER=root
HDFS_SECONDARYNAMENODE_USER=root

2.9 修改start-yarn.sh、stop-yarn.sh

在文件开头添加

YARN_RESOURCEMANAGER_USER=root
HADOOP_SECURE_DN_USER=yarn
YARN_NODEMANAGER_USER=root

2.10 启动集群

第一次启动时，先初始化datanode，执行如下命令：

hdfs namenode -format

格式化操作

启动集群：（这里可能有一堆问题 例如openssh没有安装等等） 

访问界面

• HDFS webui界面：http://bigdata01:9870
• YARN webui界面：http://bigdata01:8088

 

3 HDFS

HDFS是一种允许文件通过网络在多台主机上分享的文件系统，可以让多台机器上的多个用户分享文件和存储空间

3.1 HDFS常见shell操作

hdfs dfs [-cmd] 

• -ls：查询指定路径信息
• -put：从本地上传文件
• -cat：查看HDFS文件内容
• -get：下载文件到本地
• -mkdir [-p]：创建文件夹
• -rm [-r]：删除文件/文件夹

3.2 HDFS实操案例

hdfs dfs -ls / | grep / | wc -l

 linux管道

在Linux中，管道（pipe）是一种特殊的机制，用于将一个命令的输出连接到另一个命令的输入。通过使用管道，可以将多个命令组合在一起，以实现更复杂的任务。

管道使用竖线符号（|）表示。它将前一个命令的输出作为后一个命令的输入。例如，下面的命令将列出当前目录中的文件，并将结果通过管道传递给grep命令进行过滤：

 ls | grep keyword

上述命令将列出包含关键字"keyword"的文件。

管道可以连接任意数量的命令。例如，下面的命令将列出当前目录中的文件，并按文件大小进行排序，然后显示前10个最大的文件：

ls -l | sort -nrk 5 | head -n 10

上述命令首先使用ls -l命令列出文件和目录的详细信息，然后将结果通过管道传递给sort命令，按第5列（文件大小）进行逆序排序，最后将结果通过管道传递给head命令，只显示前10行。

通过使用管道，可以将简单的命令组合成更复杂的操作，提高命令行的灵活性和效率。管道是Linux中强大而常用的功能之一。

 ls 指定/目录，grep 搜索 / 目录，wc显示行数

hdfs dfs -ls / | grep / | awk '{print $8,$5}'

| awk '{print $8,$5}': 这部分命令继续使用管道符号将前一个命令的输出传递给awk命令。awk '{print $8,$5}'用于打印每行的第8个字段（文件或目录名）和第5个字段（文件大小）。字段之间用空格分隔。

3.3 HDFS体系结构

• HDFS支持主从结构，主节点称为NameNode，支持多个；从节点称为DataNode，支持多个
• HDFS中还包含一个SecondaryNameNode进程

1. NameNode--大老板

• NameNode是整个文件系统的管理节点
• 它主要维护着整个文件系统的文件目录树，文件/目录的信息和每个文件对应的数据块列表，并且还负责接收用户的操作请求

2. SecondaryNameNode--秘书

• 主要负责定期的把edits中的内容合并到fsimage中
• 这个合并操作称为checkpoint，在合并的时候会对edits中的内容进行转换，生成新的内容保存到fsimage文件中
• 注意：在NameNode的HA（高可用）架构中没有SecondaryNameNode进程，文件合并操作会由standby NameNode负责实现

3. DataNode--小二

• 提供真实文件数据的存储服务
• HDFS会按照固定的大小，顺序对文件进行划分并编号，划分好的每一个块称一个Block，HDFS默认Block大小是128MB
• HDFS中，如果一个文件小于一个数据块的大小，那么并不会占用整个数据块的存储空间
• Replication：多副本机制，HDFS默认副本数量为3
• 通过dfs.replication属性控制

3.4 DataNode总结

注意：Block块存放在哪些DataNode上，只有DataNode自己知道，当集群启动的时候，DataNode会扫描自己节点上面的所有Block块信息，然后把节点和这个节点上的所有Block块信息告诉给NameNode。这个关系是每次重启集群都会动态加载的【这个其实就是集群为什么数据越多，启动越慢的原因】

3.5 NameNode总结

NameNode维护了两份关系：

• 第一份关系：File与Block list的关系，对应的关系信息存储在fsimage和edits文件中（当NameNode启动的时候会把文件中的元数据信息加载到内存中）
• 第二份关系：Datanode与Block的关系（当DataNode启动时，会把当前节点上的Block信息和节点信息上报给NameNode）

文件的元数据信息在NameNode里面都会占用150字节的存储空间。

1，fsimage文件其实是hadoop文件系统元数据的一个永久性的检查点，其中包含hadoop文件系统中的所有目录和文件idnode的序列化信息。

2，edits文件存放的是hadoop文件系统的所有更新操作的路径，文件系统客户端执行的所有写操作首先会被记录到edits文件中。

3.6 HDFS的回收站

在core-site.xml添加配置

<property><name>fs.trash.interval</name><value>1440</value>
</property>

重启hadoop

stop-all.sh
start-all.sh

忽略回收站删除文件的命令：

• HDFS为每个用户创建一个回收站目录：/user/用户名/.Trash/
• 回收站中的数据都会有一个默认保存周期，过期未恢复则会被HDFS自动彻底删除
• 注意：HDFS的回收站默认是没有开启的，需要修改core-site.xml中的fs.trash.interval属性

 3.7 HDFS的安全模式

• 集群刚启动时，HDFS会进入安全模式，此时无法执行操作
• 查看安全模式：hdfs dfsadmin -safemode get
• 离开安全模式：hdfs dfsadmin -safemode leave

 3.8 案例：定时上传文件到HDFS

案例需求：例如日志文件为access_2020_01_01.log，每天上传到HDFS中
解决思路：

1. 我们需要获取到昨天日志文件的名称
2. 在HDFS上面使用昨天的日期创建目录
3. 将昨天的日志文件上传到刚创建的HDFS目录中
4. 要考虑到脚本重跑，补数据的情况
5. 配置crontab任务

 3.9 HDFS的高可用（HA）

• HDFS的HA，表示一个集群中存在多个NameNode，只有一个NameNode是处于Active状态，其它的是处于Standby状态
• Active NameNode（ANN）负责所有客户端的操作，Standby NameNode（SNN）用于同步ANN的状态信息，提供快速故障恢复能力
• 使用HA的时候，不能启动SecondaryNameNode

 3.10 HDFS的高扩展（Federation）

• Federation可解决单一命名空间的一些问题，提供以下特性：HDFS集群扩展性、性能更高效、良好的隔离性

4 MapReduce

• MapReduce是一种分布式计算模型，主要用于搜索领域，解决海量数据的计算问题
• MapReduce有两个阶段组成：Map和Reduce

4.1 Map阶段

1. 框架会把输入文件（夹）划分为很多InputSplit，默认每个HDFS的Block对应一个InputSplit。通过RecordReader类，把每个InputSplit解析成一个个<k1,v1>。默认每一行数据，会被解析成一个<k1,v1>
2. 框架调用Mapper类中的map(...)函数，map函数的输入是<k1,v1>，输出是<k2,v2>。一个InputSplit对应一个Map Task
3. 框架对map函数输出的<k2,v2>进行分区。不同分区中的<k2,v2>由不同的Reduce Task处理，默认只有1个分区
4. 框架对每个分区中的数据，按照k2进行排序、分组。分组，指的是相同k2的v2分成一个组
5. 在Map阶段，框架可以执行Combiner操作【可选】
6. 框架会把Map Task输出的<k2,v2>写入Linux的磁盘文件中

4.2 Redeuce阶段

1. 框架对多个Map Task的输出，按照不同的分区，通过网络Copy到不同的Reduce节点，这个过程称作Shuffle
2. 框架对Reduce节点接收到的相同分区的<k2,v2>数据进行合并、排序、分组
3. 框架调用Reducer类中的reduce方法，输入<k2,{v2...}>，输出<k3,v3>。一个<k2,{v2...}>调用一次reduce函数
4. 框架把Reduce的输出结果保存到HDFS中

4.3 MapRedeuce任务日志查看

在yarn-site.xml添加配置，开启YARN的日志聚合功能，把散落在NodeManager节点上的日志统一收集管理，方便查看日志

<property> <name>yarn.log-aggregation-enable</name> <value>true</value>
</property>
<property><name>yarn.log.server.url</name><value>http://bigdata01:19888/jobhistory/logs/</value>
</property>

重启Hadoop，并启动HistoryServer

stop-all.sh
start-all.sh
mapred --daemon start historyserver

使用命令查看任务执行的日志：这里的id不一定，可以通过 hadoop job -list 来看看是否有任务

yarn logs -applicationId application_158771356

停止yarn任务：

yarn application -kill application_15877135678

4.4 Shuffle原理

1. 在Map阶段中，通过InputSplit过程产生一个Map任务，该任务在执行的时候会把 <k1,v1>转化为<k2,v2>，这些数据会先临时存储到一个内存缓冲区中，这个内存缓冲区的大小默认是100M（io.sort.mb属性），
2. 当达到内存缓冲区大小的80%（io.sort.spill.percent）即80M时，会把内 存中的数据溢写到本地磁盘中（mapred.local.dir），直到Map把所有的数据都计算完
3. 最后会把内存缓冲区中的数据一次性全部刷新到本地磁盘文件上
4. 数据会被shuffle线程分别拷贝到不同的reduce节点，不同Map任务中的相同分区的数据会在同一个reduce节点进行合并，合并以后会执行reduce的功能，最终产生结果数据。

注：shuffle其实是横跨Map端和Reduce端，主要是负责把Map端产生的数据通过网络拷贝到Reduce阶段进行统一聚合计算。

4.5 Shuffle原理

• 序列化：将内存中的对象信息转成二进制的形式，方便存储到文件中
• Hadoop实现了自己的序列化和反序列化机制，单独设计了一些writable的实现，例如Longwritable、Text等

特点：

1. 紧凑：高效使用存储空间
2. 快速：读写数据的额外开销小
3. 可扩展：可透明地读取老格式的数据
4. 互操作：支持多语言的交互

4.6 InputSplit原理

• 当文件剩余大小bytesRemaining与splitSize的比值大于1.1的时候，就继续切分，否则，剩下的直接作为一个InputSize（即当bytesRemaining/splitSize <= 1.1时，会停止划分，将剩下的作为一个InputSplit）
• 把不支持切割的文件作为一个InputSplit，比如压缩文件

4.7 RecodReader原理

• 每一个InputSplit都有一个RecordReader，作用是把InputSplit中的数据解析成Record，即<k1,v1>
• 如果这个InputSplit不是第一个InputSplit，将会丢掉读取出来的第一行，因为总是通过next()方法多读取一行（会多读取下一个InputSplit的第一行）