hadoop-bantiaomichong

lichaoyue888

　　Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。
　　Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。
　　Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。
　　hadoop主要有以下几个优点：
　　高可靠性。Hadoop按位存储和处理数据的能力值得人们信赖。
　　高扩展性。Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。
　　高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。
　　高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。 低成本。与一体机、商用数据仓库以及QlikView、Yonghong Z-Suite等数据集市相比，hadoop是开源的，项目的软件成本因此会大大降低。 Hadoop带有用Java语言编写的框架，因此运行在 Linux 生产平台上是非常理想的。Hadoop 上的应用程序也可以使用其他语言编写，比如 C++。
　　hadoop的数据流程图：

　　Hadoop 由许多元素构成。其最底部是 Hadoop Distributed File System（HDFS），它存储 Hadoop 集群中所有存储节点上的文件。HDFS（对于本文）的上一层是MapReduce 引擎，该引擎由 JobTrackers 和 TaskTrackers 组成。通过对Hadoop分布式计算平台最核心的分布式文件系统HDFS、MapReduce处理过程，以及数据仓库工具Hive和分布式数据库Hbase的介绍，基本涵盖了Hadoop分布式平台的所有技术核心。
Namenode #
　　它管理者文件系统的Namespace。它维护着文件系统树(filesystem tree)以及文件树中所有的文件和文件夹的元数据(metadata)。管理这些信息的文件有两个，分别是Namespace 镜像文件(Namespace image)和操作日志文件(edit log)，这些信息被Cache在RAM中，当然，这两个文件也会被持久化存储在本地硬盘。Namenode记录着每个文件中各个块所在的数据节点的位置信息，但是他并不持久化存储这些信息，因为这些信息会在系统启动时从数据节点重建。

Secondary NameNode
　　它是一个用来监控HDFS状态的辅助后台程序。就想NameNode一样，每个集群都有一个Secondary NameNode，并且部署在一个单独的服务器上。Secondary NameNode不同于NameNode，它不接受或者记录任何实时的数据变化，但是，它会与NameNode进行通信，以便定期地保存HDFS元数据的 快照。由于NameNode是单点的，通过Secondary NameNode的快照功能，可以将NameNode的宕机时间和数据损失降低到最小。同时，如果NameNode发生问题，Secondary NameNode可以及时地作为备用NameNode使用。
Datanode
　　它是文件系统的工作节点，他们根据客户端或者是namenode的调度存储和检索数据，并且定期向namenode发送他们所存储的块(block)的列表。 集群中的每个服务器都运行一个DataNode后台程序，这个后台程序负责把HDFS数据块读写到本地的文件系统。当需要通过客户端读/写某个 数据时，先由NameNode告诉客户端去哪个DataNode进行具体的读/写操作，然后，客户端直接与这个DataNode服务器上的后台程序进行通 信，并且对相关的数据块进行读/写操作。
JobTracker
　　JobTracker后台程序用来连接应用程序与Hadoop。用户代码提交到集群以后，由JobTracker决定哪个文件将被处理，并且为 不同的task分配节点。同时，它还监控所有的task，一旦某个task失败了，JobTracker就会自动重新开启这个task，在大多数情况下这 个task会被放在不用的节点上。每个Hadoop集群只有一个JobTracker，一般运行在集群的Master节点上。
TaskTracker
　　它与负责存储数据的DataNode相结合，其处理结构上也遵循主/从架构。JobTracker位于主节点，统领 MapReduce工作；而TaskTrackers位于从节点，独立管理各自的task。每个TaskTracker负责独立执行具体的task，而 JobTracker负责分配task。虽然每个从节点仅有一个唯一的一个TaskTracker，但是每个TaskTracker可以产生多个java 虚拟机（JVM），用于并行处理多个map以及reduce任务。TaskTracker的一个重要职责就是与JobTracker交互。如果 JobTracker无法准时地获取TaskTracker提交的信息，JobTracker就判定TaskTracker已经崩溃，并将任务分配给其他 节点处理。
　　下面是hadoop的一些配置：
　　master端： 172.25.254.1
　　slave端： 172.25.254.2
　　slave端： 172.25.254.3
　　slave端： 172.25.254.4
　　在master端添加hadoop用户
useradd -u 900 hadoop　　
echo westos |passwd --stdin hadoop
　　安装jdk：
sh jdk-6u32-linux-x64.bin　　
mv jdk1.6.0_32/ /home/hadoop/java
　　
su - hadoop #接下来都是用hadoop用进行操作
　　
vim .bash_profile
　　
    export JAVA_HOME=/home/hadoop/java
　　
    export CLASSPATH=.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib
　　
    export PATH=$PATH:$HOME/bin:$JAVA_HOME/bin
　　
source .bash_profile
　　配置hadoop单节点部署：
tar zxf hadoop-1.1.2.tar.gz　　
ln -s hadoop-1.1.2 hadoop
　　
cd hadoop
　　
vim conf/hadoop-env.sh
　　
     export JAVA_HOME=/home/hadoop/java
　　创建输入文件：
mkdir input　　
cp conf/*.xml input/
　　hadoop伪分布式部署
　　运行官方给的示例程序：
bin/hadoop jar hadoop-examples-1.1.2.jar grep input output 'dfs[a-z.]+'　　查看输出文件：
[hadoop@server1 hadoop]$ cat output/part-00000　　
1   dfsadmin
　　保证master到节点实现无密码登陆：
ssh-keygen　　
ssh-copy-id localhost #分布式部署的情况下要在slave端做，跟的是master的ip而不是localhost
　　配置HDFS master（即namenode）的地址和端口号：
vim conf/core-site.xml　　

　　
   
　　
            fs.default.name
　　
                    hdfs://172.25.254.1:9000 #指定 namenode
　　
                           
　　

　　配置的是JobTracker的地址和端口：
vim conf/mapred-site.xml　　

　　
   
　　
            mapred.job.tracker
　　
                    172.25.254.1:9001 #指定 jobtracker
　　
                           
　　

　　修改Hadoop中HDFS的配置，配置的备份方式
vim conf/hdfs-site.xml　　

　　

　　
            dfs.replication
　　
                    1    #指定文件保存的副本数
　　
                           
　　

　　格式化一个新的分布式文件系统:
bin/hadoop namenode -format

　　启动hadoop进程：
bin/start-dfs.sh　　
bin/start-mapred.sh

　　通过jps命令可以查看到hadoop的进程：

　　我们还可以通过网络借口浏览 NameNode 和 JobTracker ,它们的地址默认为:
　　NameNode – http://172.25.254.1:50070/

　　JobTracker – http://172.25.254.1:50030/

　　将输入文件考入分布式文件系统：
bin/hadoop fs -put input test　　运行官方给的示例程序：
bin/hadoop jar hadoop-examples-1.1.2.jar wordcount test output

　　查看输出文件：
bin/hadoop fs -cat output/*　　分布式部署：
　　master端的配置于伪分布式的部署基本相同只是添加了master和slave的信息
vim conf/masters　　
    172.25.254.1
　　
vim conf/slaves
　　
    172.25.254.2
　　
    172.25.254.3
　　如果是接着为分布式做的要先停止haoop的进程
bin/stop-all.sh　　然后添加上面的master和slave信息重新格式化分布式系统
bin/hadoop namenode -format

　　在slave端要安装jdk，有与master端相同的hadoop用户，uid等保持一致，hadoop的数据配置路径也要与master端相同
　　之后在master端开启hadoop进程
bin/start-dfs.sh　　
bin/start-mapred.sh

　　此次我们通过jps命令可以看到在master端开启了NameNode，SecondaryNameNode和JobTracker三个进程，而DataNode和TaskTracker则是在slave端开启了。

　　hadoop在线添加节点:
　　新添加节点与其他的slave端一样要安装jdk，有与master端相同的hadoop用户，uid等保持一致，hadoop的数据配置路径也要与master端相同 然后启动以下两个服务
bin/hadoop-daemon.sh start datanode　　
bin/hadoop-daemon.sh start tasktracker
　　然后在master端加入新节点的ip
vim conf/slaves　　
  172.25.254.2
　　
  172.25.254.3
　　
  172.25.254.4
　　hadoop在线删除节点
　　在master上：
vim conf/mapred-site.xml　　
   
　　
      dfs.hosts.exclude
　　
      /home/hadoop/hadoop/conf/datanode-excludes
　　
      
　　
vim /home/hadoop/hadoop/conf/datanode-excludes #添加要删除的节点ip
　　
   172.25.254.3
　　在master上刷新节点：
bin/hadoop dfsadmin -refreshNodes　　你可以通过以下命令查看 datanode 状态
bin/hadoop dfsadmin -report　　此时可以看到新加的server4节点以及将要移除的server3节点正在做数据转移

　　当server3节点状态为Decommissioned时就可以移除了