【大数据】深入了解Hadoop

一、Hadoop

   狭义上: 分布式数据管理(存储,盘算)的体系服务
广义上: 大数据开发的一个生态体系,很多大数据开发的工具都可以接入到hadoop中
如 zk可以共同Hadoop一起实现高可用
  1.1、Hadoop发展

   Hadoop属于Apache基金会的开源项目,下载源码使用
是搜刮引擎公司开发的,Hadoop的实现原理参考谷歌的两篇论文,
GFS论文,开发了hdfs 负责存储
Mapreduce论文,开发了mapreduce 负责盘算
  1.2、Hadoop特性

   

• 扩容能力（Scalable）：Hadoop是在可用的盘算机集群间分配数据并完成盘算任务的，这些集群可以方便的扩展到数以千计的节点中。
  
• 资源低（Economical）：Hadoop通过普通廉价的呆板组成服务器集群来分发以及处理数据，以至于资源很低。
  
• 高效率（Efficient）：通过并发数据，Hadoop可以在节点之间动态并行的移动数据，使得速率非常快。
  
• 可靠性（Rellable）：能自动维护数据的多份复制，而且在任务失败后能自动地重新摆设（redeploy）盘算任务。所以Hadoop的按位存储和处理数据的能力值得信托。
  

  1.3、Hadoop三大组件

• HDFS 负责数据存储服务
  
• MapReduce 负责数据盘算
  
• Yarn 负责盘算资源的调度 hadoop2.0 之后的版本引入
  

二、Hadoop—HDFS（分布式文件存储体系）

负责大数据的数据储存功能
   对海量数采用文件的方式进行存储,同一个文件的数据可能会存储在差别的服务器实现分布式存储
  2.1、hdfs服务的构成

• namenode服务 管理hdfs的主服务
  
  
  
  • 所有的数据的读写请求都要交给namenode处理
    
  • 由namenode负责将数据进行分配存在差别的datanode上
    
  • namenode主服务只会有一个,一旦namenode服务出现题目,整个hdfs服务都不可用,namenode是单点故障
    
  
  
• datanode服务 负责存储数据
  
  
  
  • 和namenode保持通讯,将自身信息告知namenode
    
  • 数据存储时,是按照块(block)进行存储,默认块大小 128M
    
    
    
    • 当数据大小不够128M时,按照数据大小存储数据到磁盘上
      
    
    
  • 为了保证数据安全可靠,会对数据进行副本备份, 默认是3副本,每块数据会存储3份,三份数据会存储在差别服务器
    
  
  
• SecondaryNameNode 负责帮忙namenode完成对元数据的存储
  
  
  
  • 元数据是文件的信息(名字,大小,存储位置),datanode信息,块信息
    
  • 在hdfs运行期间,元数据是在内存上存储的,内存存储数据是临时存储,一点断电或服务不可用宕时机造成内存数据丢失,hdfs为了制止数据丢失,会将元数据在磁盘上进行存储
    
  • SecondaryNameNode 帮忙namenode将元数据存在磁盘上
    
  • 假如namenode完成磁盘存储数据,必要耗费大量时间,此时无法处理其他请求,所以元数据的磁盘存储交给SecondaryNameNode 实现
    
  
  

2.2、HDFS的Shell使用

   在hadoop的2.x版本中没有web页面的使用选项,只能通过shell方式使用

1. hdfs dfs  参数

复制代码

1. hdfs dfs -mkdir /hdfs_data
2. hdfs dfs -touch /hdfs_data/a.txt
3. hdfs dfs -rm -r /hdfs_data
4. hdfs dfs -cp /hdfs_data/a.txt  /data
5. hdfs dfs -mv  /data/画图.pptx  /hdfs_data
6. hdfs dfs -mv  /hdfs_data/画图.pptx  /hdfs_data/a.pptx
7. hdfs dfs -cat  /hdfs_data/a.txt
8. hdfs dfs -ls /

复制代码

  hdfs的文件上传下载

1. hdfs dfs -get hdfs上的文件路径   本地的文件路径(本地指操作的当前服务器)
2. hdfs dfs -put 本地的文件路径(本地指操作的当前服务器)   hdfs上的目录路径

复制代码

2.3、HDFS读写流程

• 读流程
  

   客户端向filesystem请求获取文件数据，
filesystem请求NN检查文件，
NN获取元数据进行检查并返回检查结果给filesystem，filesystem返回给客户端，客户端请求调用读取数据方法fsDataReadStream，
fsDataReadStream请求NN获取数据所在位置，NN返回数据所在位置（按照块存储次序返回所有块的DN数据），然后按照packet大小读取数据，存储在内存上，数据读取完成后写入文件
当读取某个DN不可用时，会陈诉给NN
  

• 写流程
  

   1.客户端通过DistributedFileSystem模块向NN请求上传文件，NN检查目的文件是否已存在，父目次是否存在并返回检查结果
2. 客户端向NN请求第一个Block上传到哪几个DN服务器上
3. NN返回3个DN节点，分别为DN1，DN2，DN3
4. 客户端通过FSDataWriteStream模块请求NN获取要存储数据的DN并向DN1上传数据，DN1收到请求会继承调用DN2，然后DN2调用DN3，将这个通讯管道建立完成
5. DN1，DN2，DN3逐级应答客户端
6. 客户端开始往 DN1 上传第一个 Block （默认128M）（先从磁盘读取数据放到一个当地内存缓存），以 Packet（64KB） 为单位，DN1 收到一个 Packet 就会传给 DN2，DN2传给 DN3；DN1每传一个 packet 会放入一个应答队列等候应答。
7. 当一个 Block 传输完成之后，客户端再次请求 NameNode 上传第二个 Block 的服务器。（重复实行3-7步）
  2.4、三副本机制

   保证每个块在差别的服务器差别机架上
  服务器数量低于副本数量,存储数据时会报错
  1-第一个副本,由NN决定找哪个DN
2-第二个副本,有NN找第一个副当所在机架的差别服务器上
3-第三个副本,找和第一个副本差别机架的服务器上
2.5、元数据先容

hdfs的元数据两个部分

• 内存上的元数据
  
  
  
  • 在服务运行期间,所有的元数据会先存储在内存上
    
  • 文件信息,datanode信息,块信息
    
  
  
• 元数据文件
  
  
  
  • 为了制止内存上的元数据丢失,会将内存的上的元数据保存在磁盘上
    
  • secondarynamenode完成元数据文件的保存
    
  • 存储位置在hadoop的指定命据
    
    
    
    • /export/data/hadoop-3.3.0/dfs/name/current
      
    
    
  • edits_xxxxx 编辑日记文件,记录所有的文件使用信息
    
  1. hdfs oev -i  edits_0000000000000010086-0000000000000010100 -o edits.xml

  复制代码
    
  
  
  
  • fsimage_xxxxx 镜像文件,保存了元数据内容 文件和块内容
    
    
    
    • datanode会陈诉自身状态给NameNode,默认是3秒
      
    
    
  
  

1. hdfs oiv -i fsimage_0000000000000010119 -p XML -o fsimage.xml

复制代码

• 元数据备份流程
  

   客户端发送文件使用请求给NN，NN将新的元数据同步到内存中并同时使用信息记录在edits文件中，假如edits存储1M会产生新的文件
SNN向NN发送checkpoint请求，时间间隔是一小时，当发生checkpoint时会创建新的edits文件，checkpoint后的请求使用信息会被记录在新的edits中，SNN实行edits文件中的使用，使用后的数据加载内存中，将元数据保存在fsimage中，将fsimage文件传递给NN并修改文件名
  

• 元数据保存文件的条件
  

   1-时间间隔达到1小时
2-文件使用次数达到100万次
两个条件只要满意一个就是实行checkpoint进行元数据文件保存

1. # Checkpoint操作受两个参数控制，可以通过hdfs-site.xml进行配置：
2. <property>
3.   <name> dfs.namenode.checkpoint.period</name>
4.    <value>3600</value>
5.         <description>
6. # 两次连续的checkpoint之间的时间间隔。默认1小时
7. </description>
8. </property>
9. <property>
10.   <name>dfs.namenode.checkpoint.txns</name>
11.   <value>1000000</value>
12.   <description>
13. # 最大的没有执行checkpoint事务的数量，满足将强制执行紧急checkpoint，即使尚未达到检查点周期。默认设置为100万。  
14. </description>
15. </property>

复制代码

2.6、HDFS的归档

   重要解决内存元数据数据量过大
文件数据量非常多时,内存上或存储大量的文件元数据,此时内存占用资源比较大,可以对文件进行归档,类似对文件进行打包合成一个打包文件
一般归档是针对大量小文件
  

• 文件归档
  

1. hadoop archive -archiveName data.har -p /data  /hdfs_data

复制代码

• 归档的检察
  

1. hdfs dfs -ls har:///hdfs_data/data.har

复制代码

• 归档解压
  

1. hdfs dfs -cp har:///hdfs_data/data.har/a.txt  /hdfs_data

复制代码

归档注意点
归档后并不会删除原有数据
原有数据依然会占用内存空间
要节流内存空就必要删除原有文件
2.7、HDFS垃圾桶机制

   删除hdfs文件时,可以将文件临时存在垃圾桶中,存储时间可以进行设置
可以core-site.xml中设置 时间单位是分钟

1. <property>
2.         <name>fs.trash.interval</name>
3.         <value>1440</value>
4. </property>

复制代码

1. [root@node1 hadoop]  hdfs dfs -rm /hdfs_data/a.txt
2. 2023-06-18 18:01:34,332 INFO fs.TrashPolicyDefault: Moved: 'hdfs://node1:8020/hdfs_data/a.txt' to trash at: hdfs://node1:8020/user/root/.Trash/Current/hdfs_data/a.txt
4. [root@node1 hadoop]  hdfs dfs -rm -skipTrash /hdfs_data/a.pptx
5. Deleted /hdfs_data/a.pptx

复制代码

2.8、HDFS安全机制

   保证文件使用的安全性
在hdfs启动时,会进行安全机制检查,检查块信息和datanode信息
检查通过了,可以进行文件的增删改查使用
检查未通过 只能读取文件,不能进行文件的写入修改删除使用
  

• 安全机制检查的内容
  

   1-保证每个块至少有一个副本,没有出现块的丢失
2-保证数据块占整个块的比例不能低于0.999f,不能低于99.999%
3-保证至少有0个datanode运行
4-满意以上3个条件之后等候30秒退出安全模式
  

• shell使用
  
  
  
  • 检察
    
  1. hdfs dfsadmin -safemode get

  复制代码
    
  
  
  
  • 启动
    
  1. hdfs dfsadmin -safemode enter

  复制代码
    
  
  
  
  • 关闭
    
  1. hdfs dfsadmin -safemode leave
  2. hdfs dfsadmin -safemode forceExit

  复制代码
  
  

三、Hadoop—MapReduce（分布式盘算引擎）

MapReduce 是hadoop负责盘算的服务功能,采用的盘算方式是分布式盘算,就算头脑’分而治之’
   传统盘算方式是移动数据盘算
分布式盘算,移动盘算到数据所在位置进行盘算
  3.1、MapReudce简朴使用

   hadoop提供测试代码
/export/server/hadoop/share/hadoop/mapreduce

1. hadoop jar hadoop-mapreduce-examples-3.3.0.jar pi 5 100

复制代码

• 词频统计
  

1. hadoop jar hadoop-mapreduce-examples-3.3.0.jar wordcount  /input  /output

复制代码

3.2、MapReduce 盘算流程

• Map过程Map数量由块决定)
  a. 通过split切割读取文件中的每行数据
  b. 将每行必要盘算的数据转为kv结构
  c. 将kv数据写入环形缓冲区,默认大小100M,当达到80%开始spill溢出写入文件进行shuffle使用
  
• shuffle过程:
  a. 分区:partition
  ⅰ. 将Map处理后的数据分成多份:
  
  
  • 采用hash取余的方式进行分区
    
  • 采用hash(key)%分区数(reduce个数) --余数相同的数据放同一分区
    
  • 分区数由reduce个数决定
    b. 排序:sort
    ⅰ. 会对相同分区后的数据进行排序–排序的分区数据会写入文件
    c. 归并:merge
    ⅰ. 将相同分区的小文件数据归并成大文件(归并后的数据会排序,最终保证数据有序)
    
  
  
• Reduce过程Reduce数量由开发人员决定)
  a. 先通过fetch拉取归并后的文件数据,将数据加载到内存,然后将拉取后的数据进行排序
  b. 堆排序后的数据聚合盘算
  c. 差别分区的数据会有对应的reduce进行拉取
  

3.3、MapReduce盘算历史服务

• 必要对历史日记服务进行设置
  
  
  
  
• 启动历史日记服务
  

1. mapred --daemon start historyserver

复制代码

• hadoop服务运行错误检察的日记文件
  
  
  
  

四、Hadoop—Yarn（资源调度体系）

Yarn是hadoop中负责资源调度的服务功能，mapreduce盘算时使用的资源都必要找yarn申请，申请成功后才能进行盘算。
   yarn是hadoop2.x版本之后引入的服务，在之前盘算及时都是使用各自服务器上的资源，有了yarn可以协调分配多台服务器的资源。
  4.1、Yarn服务的构成

• ResourceManager 简写RM
  
  
  
  • 管理整个yarn服务
    
  • 处理所有的盘算任务资源申请请求
    
  • 单点故障,出现题目后整个yarn都不可用
    
  • 盘算时会指定创建applicationmaster服务
    
  • 不到场具体盘算的资源分配
    
  
  
• NodeManager 简写NM
  
  
  
  • 监控每台服务器的资源环境,陈诉给RM
    
  • 创建container资源空间给盘算任务使用
    
  
  
• ApplicationMaster
  
  
  
  • 只有在进行盘算时会由RM创建
    
  • 负责整个盘算任务的管理(具体资源的分配),也就是管Map和Reduce盘算
    
  • Map和Reduce在盘算时的信息会陈诉给ApplicationMaster
    
  • 盘算完成,会由RM释放
    
  
  

4.2、Yarn的资源调度流程

   1.客户端提交盘算任务给RM
2. RM找到NM创建ApplicantionMaster
3. ApplicationMater和RM保持通讯并申请盘算资源
4.申请成功,RM返回资源富足的NM信息,App通知对应的NM创建container资源空间
5.在对应的资源空间上运行MapTask,读取block数据转为kv(mr盘算时有一个combine机制在map端进行聚合盘算)
6.map通过shuffle将数据传递给reduce盘算
7.盘算完成后释放所有盘算资源
  4.3、Yarn资源调度方案

   当有多个盘算任务提交时,资源分配给哪个盘算任务使用?
此时必要指定资源调度策略
1-先进先出(FIFO) 谁先申请先给谁分配
2-容量调度(Capacity) 将资源划分多份,交给多个任务分开使用 默认采用
3-公平调度 (Fair) 盘算任务部分完成后,释放资源给其他任务使用 map盘算完成后就可以释放资源不必等所有盘算完成再释放
在yarn-site.xml文件下可以设置调度侧率

1. # 容量调度  默认
2. yarn.resourcemanager.scheduler.class=        org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler
4. # 公平调度
5. yarn.resourcemanager.scheduler.class=org.apache.hadoop.yarn.server.resourcemanager.reservation.FairSchedulerPlanFollower

复制代码

  当采用容量调度时必要单独对分配的容量进行指定
在hadoop的设置文件目次下指定capacity-scheduler.xml文件

1. <configuration>
2.    
3. <property>
4.     <name>yarn.scheduler.capacity.root.queues</name>
5.     <value>prod,dev</value>   # 将资源分成两份一个叫prod一个dev
6.   </property>
7.    
8. <property>
9.     <name>yarn.scheduler.capacity.root.dev.queues</name>
10.     <value>mapreduce,spark</value>  # 将dev分成两份 一个叫mapreduce一个spark
11.   </property>
12.    
13.   <property>
14.     <name>yarn.scheduler.capacity.root.prod.capacity</name>
15.     <value>40</value>  # 分配prod资源空间占比为40%
16.   </property>
17.    
18.   <property>
19.     <name>yarn.scheduler.capacity.root.dev.capacity</name>
20.     <value>60</value>  # 分配dev资源空间占比为60%
21.   </property>
22.    
23.   <property>
24.     <name>yarn.scheduler.capacity.root.dev.maximum-capacity</name>
25.     <value>75</value> # 动态调整dev的大小  最大为75%
26.   </property>
27.    
28.   <property>
29.     <name>yarn.scheduler.capacity.root.dev.mapreduce.capacity</name>
30.     <value>50</value>  # 指定dev下的mapreduce 占用dev的空间的50%
31.   </property>
32.    
33.    
34.    <property>
35.     <name>yarn.scheduler.capacity.root.dev.spark.capacity</name>
36.     <value>50</value>  # 指定dev下的spark 占用dev的空间的50%
37.   </property>
38.    
39. </configuration>

复制代码

  在使用时可以在代码中指定采用哪个资源,指定资源名称
root.dev.mapreduce
  五、Hadoop集群搭建

   Hadoop摆设方式分三种：
Standalone mode（独立模式）、
Pseudo-Distributed mode（伪分布式模式）、
Cluster mode（集群模式）
其中前两种都是在单机摆设。
独立模式又称为单机模式，仅1个呆板运行1个java进程，重要用于调试。
伪分布模式也是在1个呆板上运行HDFS的NameNode和DataNode、YARN的 ResourceManger和NodeManager，但分别启动单独的java进程，重要用于调试。
集群模式重要用于生产环境摆设。会使用N台主机组成一个Hadoop集群。这种摆设模式下，主节点和从节点会分开摆设在差别的呆板上。
  

5.1、搭建步骤

1.上传hadoop压缩包(hadoop-3.3.0-Centos7-64-with-snappy.tar.gz)解压，注意：上传文件位置为 /export/server目次

1. cd /export/server
2. tar  zxvf /export/server/hadoop-3.3.0-Centos7-64-with-snappy.tar.gz

复制代码

2.设置环境变量

1. echo 'export HADOOP_HOME=/export/server/hadoop-3.3.0' >> /etc/profile
2. echo 'export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin' >> /etc/profile
3. source /etc/profile

复制代码

3.手动修改设置文件（3和4二选一）
   进入/export/server/hadoop-3.3.0/etc/hadoop目次下进行修改
  ① hadoop-env.sh文件

1. export JAVA_HOME=/export/server/jdk
2. #文件最后添加
3. export HDFS_NAMENODE_USER=root
4. export HDFS_DATANODE_USER=root
5. export HDFS_SECONDARYNAMENODE_USER=root
6. export YARN_RESOURCEMANAGER_USER=root
7. export YARN_NODEMANAGER_USER=root

复制代码

② core-site.xml文件

1. <!-- 设置默认使用的文件系统 Hadoop支持file、HDFS、GFS、ali|Amazon云等文件系统 -->
2. <property>
3.     <name>fs.defaultFS</name>
4.     <value>hdfs://node1:8020</value>
5. </property>
7. <!-- 设置Hadoop本地保存数据路径 -->
8. <property>
9.     <name>hadoop.tmp.dir</name>
10.     <value>/export/data/hadoop-3.3.0</value>
11. </property>
13. <!-- 设置HDFS web UI用户身份 -->
14. <property>
15.     <name>hadoop.http.staticuser.user</name>
16.     <value>root</value>
17. </property>
19. <!-- 整合hive 用户代理设置 -->
20. <property>
21.     <name>hadoop.proxyuser.root.hosts</name>
22.     <value>*</value>
23. </property>
25. <property>
26.     <name>hadoop.proxyuser.root.groups</name>
27.     <value>*</value>
28. </property>

复制代码

③ hdfs-site.xml文件

1. <!-- 设置SNN进程运行机器位置信息 -->
2. <property>
3.     <name>dfs.namenode.secondary.http-address</name>
4.     <value>node2:9868</value>
5. </property>

复制代码

④ mapred-site.xml文件

1. <!-- 设置MR程序默认运行模式： yarn集群模式 local本地模式 -->
2. <property>
3.   <name>mapreduce.framework.name</name>
4.   <value>yarn</value>
5. </property>
7. <!-- MR程序历史服务器端地址 -->
8. <property>
9.   <name>mapreduce.jobhistory.address</name>
10.   <value>node1:10020</value>
11. </property>
13. <!-- 历史服务器web端地址 -->
14. <property>
15.   <name>mapreduce.jobhistory.webapp.address</name>
16.   <value>node1:19888</value>
17. </property>
19. <property>
20.   <name>yarn.app.mapreduce.am.env</name>
21.   <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
22. </property>
24. <property>
25.   <name>mapreduce.map.env</name>
26.   <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
27. </property>
29. <property>
30.   <name>mapreduce.reduce.env</name>
31.   <value>HADOOP_MAPRED_HOME=${HADOOP_HOME}</value>
32. </property>

复制代码

⑤ yarn-site.xml文件

1. <!-- 设置YARN集群主角色运行机器位置 -->
2. <property>
3.         <name>yarn.resourcemanager.hostname</name>
4.         <value>node1</value>
5. </property>
7. <property>
8.     <name>yarn.nodemanager.aux-services</name>
9.     <value>mapreduce_shuffle</value>
10. </property>
12. <!-- 是否将对容器实施物理内存限制 -->
13. <property>
14.     <name>yarn.nodemanager.pmem-check-enabled</name>
15.     <value>false</value>
16. </property>
18. <!-- 是否将对容器实施虚拟内存限制。 -->
19. <property>
20.     <name>yarn.nodemanager.vmem-check-enabled</name>
21.     <value>false</value>
22. </property>
24. <!-- 开启日志聚集 -->
25. <property>
26.   <name>yarn.log-aggregation-enable</name>
27.   <value>true</value>
28. </property>
30. <!-- 设置yarn历史服务器地址 -->
31. <property>
32.     <name>yarn.log.server.url</name>
33.     <value>http://node1:19888/jobhistory/logs</value>
34. </property>
36. <!-- 保存的时间7天 -->
37. <property>
38.   <name>yarn.log-aggregation.retain-seconds</name>
39.   <value>604800</value>
40. </property>

复制代码

⑥ workers文件

1. node1
2. node2
3. node3

复制代码

4.使用设置文件替换（3和4二选一）
   上传设置文件压缩包（hadoop-config.tar）解压，注意：上传文件位置为 /export/server目次

1. tar  xvf /export/server/hadoop-config.tar
2. mv -f /export/server/hadoop-config/* /export/server/hadoop-3.3.0/etc/hadoop/
3. rm  /export/server/hadoop-config*  -rf

复制代码

5.集群搭建说明
   必要将node1中的Hadoop文件复制到node2和node3的对应位置

1. scp可以进行主机的文件复制拷贝
2. scp -r /export/server/hadoop-3.3.0  root@node2:/export/server/

复制代码

6.hadoop集群启动
① 数据初始化
   注意： 初始化使用必须在node1中实行

1. hdfs namenode -format

复制代码

② 脚本启动和关闭

1. start-all.sh
2. stop-all.sh

复制代码

  http://192.168.88.100:9870
题目：
无法在HDFS上传文件，原因是当地windows下没有进行IP地址的域名解析
解决：windows下进入C:\Windows\System32\drivers\etc
192.168.88.100 node1.jinking.cn node1
192.168.88.101 node2.jinking.cn node2
192.168.88.102 node3.jinking.cn node3
  5.2、高可用搭建步骤

   重要解决服务的单点故障题目,进步服务的使用效率
使用zk实现多服务状态管理,选举产生主备
  

• 安装软件
  

三台服务器都要安装

1. yum install psmisc -y  # 实现多个服务的通讯 zkfc和nn及zk的通讯
2. rpm -ivh   psmisc-22.20-17.el7.x86_64.rpm

复制代码

• 备份hadoop安装信息
  

1. tar cvf hadoop.tar /export/server/hadoop-3.3.0

复制代码

• 删除原有数据文件
  三台服务器都使用
  

1. rm -rf /export/data/hadoop-3.3.0

复制代码

• 修改设置文件
  以下设置现在node1上实行
  

• 修改hadoop-env.sh
  

1. # 在文件最后添加下面两行
2. export HDFS_JOURNALNODE_USER=root
3. export HDFS_ZKFC_USER=root                        

复制代码

• 修改core-site.xml
  

1. <configuration>
2.         <!-- HA集群名称，该值要和hdfs-site.xml中的配置保持一致 -->
3.         <property>
4.                 <name>fs.defaultFS</name>
5.                 <value>hdfs://cluster1</value>
6.         </property>
8.         <!-- hadoop本地磁盘存放数据的公共目录 -->
9.         <property>
10.                 <name>hadoop.tmp.dir</name>
11.                 <value>/export/data/ha-hadoop</value>
12.         </property>
14.         <!-- ZooKeeper集群的地址和端口-->
15.         <property>
16.                 <name>ha.zookeeper.quorum</name>
17.                 <value>node1:2181,node2:2181,node3:2181</value>
18.         </property>
19. </configuration>

复制代码

• 修改hdfs-site.xml
  

1. <configuration>
2.         <!--指定hdfs的nameservice为cluster1，需要和core-site.xml中的保持一致 -->
3.         <property>
4.                 <name>dfs.nameservices</name>
5.                 <value>cluster1</value>
6.         </property>
7.        
8.         <!-- cluster1下面有两个NameNode，分别是nn1，nn2 -->
9.         <property>
10.                 <name>dfs.ha.namenodes.cluster1</name>
11.                 <value>nn1,nn2</value>
12.         </property>
14.         <!-- nn1的RPC通信地址 -->
15.         <property>
16.                 <name>dfs.namenode.rpc-address.cluster1.nn1</name>
17.                 <value>node1:8020</value>
18.         </property>
20.         <!-- nn1的http通信地址 -->
21.         <property>
22.                 <name>dfs.namenode.http-address.cluster1.nn1</name>
23.                 <value>node1:50070</value>
24.         </property>
26.         <!-- nn2的RPC通信地址 -->
27.         <property>
28.                 <name>dfs.namenode.rpc-address.cluster1.nn2</name>
29.                 <value>node2:8020</value>
30.         </property>
31.        
32.         <!-- nn2的http通信地址 -->
33.         <property>
34.                 <name>dfs.namenode.http-address.cluster1.nn2</name>
35.                 <value>node2:50070</value>
36.         </property>
38.         <!-- 指定NameNode的edits元数据在JournalNode上的存放位置 -->
39.         <property>
40.                 <name>dfs.namenode.shared.edits.dir</name>
41.                 <value>qjournal://node1:8485;node2:8485;node3:8485/cluster1</value>
42.         </property>
43.        
44.         <!-- 指定JournalNode在本地磁盘存放数据的位置 -->
45.         <property>
46.                 <name>dfs.journalnode.edits.dir</name>
47.                 <value>/export/data/journaldata</value>
48.         </property>
50.         <!-- 开启NameNode失败自动切换 -->
51.         <property>
52.                 <name>dfs.ha.automatic-failover.enabled</name>
53.                 <value>true</value>
54.         </property>
56.         <!-- 指定该集群出故障时，哪个实现类负责执行故障切换 -->
57.         <property>
58.                 <name>dfs.client.failover.proxy.provider.cluster1</name>
59.                 <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
60.         </property>
62.         <!-- 配置隔离机制方法-->
63.         <property>
64.                 <name>dfs.ha.fencing.methods</name>
65.                 <value>sshfence</value>
66.         </property>
67.        
68.         <!-- 使用sshfence隔离机制时需要ssh免登陆 -->
69.         <property>
70.                 <name>dfs.ha.fencing.ssh.private-key-files</name>
71.                 <value>/root/.ssh/id_rsa</value>
72.         </property>
73.        
74.         <!-- 配置sshfence隔离机制超时时间 -->
75.         <property>
76.                 <name>dfs.ha.fencing.ssh.connect-timeout</name>
77.                 <value>30000</value>
78.         </property>
79. </configuration>

复制代码

• 修改yarn-site.xml
  

1. <configuration>
2.     <!-- 开启RM高可用 -->
3.     <property>
4.         <name>yarn.resourcemanager.ha.enabled</name>
5.         <value>true</value>
6.     </property>
7.     <!-- 指定RM的cluster id -->
8.     <property>
9.         <name>yarn.resourcemanager.cluster-id</name>
10.         <value>yrc</value>
11.     </property>
12.     <!-- 指定RM的名字 -->
13.     <property>
14.         <name>yarn.resourcemanager.ha.rm-ids</name>
15.         <value>rm1,rm2</value>
16.     </property>
17.     <!-- 分别指定RM的地址 -->
18.     <property>
19.         <name>yarn.resourcemanager.hostname.rm1</name>
20.         <value>node1</value>
21.     </property>
22.     <property>
23.         <name>yarn.resourcemanager.hostname.rm2</name>
24.         <value>node2</value>
25.     </property>
26.     <!-- 指定zk集群地址 -->
27.     <property>
28.         <name>yarn.resourcemanager.zk-address</name>
29.         <value>node1:2181,node2:2181,node3:2181</value>
30.     </property>
31.     <property>
32.         <name>yarn.nodemanager.aux-services</name>
33.         <value>mapreduce_shuffle</value>
34.     </property>
35. </configuration>

复制代码

  注意: 将hadoop设置信息拷贝到node2和node3
注意: 将hadoop设置信息拷贝到node2和node3
注意: 将hadoop设置信息拷贝到node2和node3
  

5.启动

• 启动zk
  
  
  
  • zkServer.sh start
    
  
  
• 启动journalnode 三台服务器都启动
  
  
  
  • hadoop-daemon.sh start journalnode
    
  
  
• 初始化namenode 注意:node1上实行
  
  
  
  • hdfs namenode -format
    
    
  • 将数据文件拷贝到node2相同目次
    
    
    
    • scp -r ha-hadoop/ node2:/export/data/
      
    
    
  
  
• 初始化zkfc 注意在node1上实行
  
  
  
  • hdfs zkfc -formatZK
    
  
  
• 启动服务
  
  
  
  • start-all.sh
    
  
  

注意
   搭建高可用后，之前的SNN会被QJM代替
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。