大数据与云计算——部署Hadoop集群并运行MapReduce集群案例(超级详细！)

大数据与云计算——部署Hadoop集群并运行MapReduce集群案例(超级详细！)

Linux搭建Hadoop集群(CentOS7+hadoop3.2.0+JDK1.8+Mapreduce完全分布式集群)

本文所用到的版本号： CentOS7 Hadoop3.2.0 JDK1.8

基本概念及重要性

很多小伙伴部署集群用hadoop用mapreduce，却不知道到底部署了什么，有什么用。在部署集群之前先给大家讲一下Hadoop和MapReduce的基本概念，以及它们在大数据处理中的重要性：

-Hadoop 是一个由Apache基金会开发的开源软件框架，用于在大规模数据集上进行分布式处理和存储。Hadoop的核心组件包括Hadoop Distributed File System (HDFS)和MapReduce。

• HDFS 是一个分布式文件系统，可以在普通的硬件上存储大量的数据。HDFS将数据分割成多个块，然后在集群中的多个节点上进行分布式存储，从而提供了高容错性和高吞吐量。

• MapReduce 是一种编程模型，用于处理和生成大数据集。MapReduce任务包括两个阶段：Map阶段和Reduce阶段。在Map阶段，输入数据被分割成多个独立的块，然后并行处理。在Reduce阶段，处理结果被合并成一个最终的输出。

Hadoop和MapReduce在大数据处理中的重要性主要体现在以下几点：

1. 可扩展性：Hadoop可以在数百或数千台机器上运行，处理PB级别的数据。

2. 容错性：Hadoop可以自动处理节点故障，保证数据的可靠性和完整性。

3. 成本效益：Hadoop可以在普通的硬件上运行，降低了大数据处理的成本。

4. 灵活性：MapReduce编程模型可以处理结构化和非结构化的数据，适应各种类型的数据处理任务。

下面正式进入正题话!

一、直接选择root用户登录并关闭防火墙

直接选择root用户登录，避免了普通用户授权和切换用户导致的一些环境问题，简单来说就是高效、方便。

然后关闭防火墙：

systemctl stop firewalld  //关闭防火墙
1

systemctl disable firewalld  //关闭开机自启
1

systemctl status firewalld  //查看防火墙状态
1

让防火墙处于关闭状态。

二、实现ssh免密码登录

配置ssh的无密码访问

ssh-keygen -t rsa
1

连续按回车

cd ~/.ssh
cat id_rsa.pub >> authorized_keys
1
2

设置ssh服务器自动启动

vi ~/.bashrc 
1

在文件的最末尾按O进入编辑模式，加上：

/etc/init.d/ssh start
1

按ESC返回命令模式，输入:wq保存并退出。
让修改即刻生效

source ~/.bashrc
1

查看ssh服务状态。

systemctl status sshd
1

三、CentOS7 安装jdk1.8

1、yum安装

1. 安装之前先查看一下有无系统自带jdk,有的话先卸载。
   
   卸载自带的jdk：
   rpm -e --nodeps 上步查询出的所有jdk
   例如：

[root@master ~]# rpm -e --nodeps copy-jdk-configs-3.3-10.el7_5.noarch
1

验证是否已经卸载干净：

java -version
1

卸载完之后开始安装jdk1.8：

查看可安装的版本

yum list java*
1

安装1.8.0版本openjdk

yum -y install java-1.8.0-openjdk*
1

安装位置查看：

rpm -qa | grep java
rpm -ql java-1.8.0-openjdk-1.8.0.352.b08-2.el7_9.x86_64
1
2

添加用户环境变量
添加：

export JAVA_HOME=/usr/lib/jvm/java-openjdk
export CLASSPATH=.:$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
export PATH=$PATH:$JAVA_HOME/bin
1
2
3

然后执行

source ~/.bashrc
1

验证安装：

which java
1

查看java版本信息

java -version
1

说明JDK配置完成。

四、下载hadoop

这个链接也有更多3.2.0版本其它的hadoop文件：
https://archive.apache.org/dist/hadoop/common/hadoop-3.2.0/
这里有下载好的hadoop-3.2.0.tar.gz网盘文件链接：
链接：https://pan.baidu.com/s/1a3GJH_fNhUkfaDbckrD8Gg?pwd=2023

下载hadoop文件：

然后上传文件并解压缩
1.在opt目录下新建一个名为hadoop的目录，并将下载得到的hadoop-3.2.0.tar上传到该目录下
mkdir /opt/hadoop

解压安装:

tar -zxvf hadoop-3.2.0.tar.gz
1

配置Hadoop环境变量:

vim ~/.bashrc
1

添加hadoop环境变量：

export JAVA_HOME=/usr/lib/jvm/java-openjdk
export CLASSPATH=.:$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar
export PATH=$PATH:$JAVA_HOME/bin:/opt/hadoop/hadoop-3.2.0/bin:/opt/hadoop/hadoop-3.2.0/sbin
export HADOOP_HOME=/opt/hadoop/hadoop-3.2.0
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
1
2
3
4
5

然后我们执行

source  ~/.bashrc
1

使修改的配置文件生效。

五、Hadoop配置文件修改

新建几个目录:

mkdir /root/hadoop
mkdir /root/hadoop/tmp
mkdir /root/hadoop/var
mkdir /root/hadoop/dfs
mkdir /root/hadoop/dfs/name
mkdir /root/hadoop/dfs/data
1
2
3
4
5
6

修改etc/hadoop中的一系列配置文件
vi /opt/hadoop/hadoop-3.2.0/etc/hadoop/core-site.xml
在节点内加入配置:

<configuration>
 <property>
        <name>hadoop.tmp.dir</name>
        <value>/root/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
   </property>
   <property>
        <name>fs.default.name</name>
        <value>hdfs://master:9000</value>
   </property>
   </configuration>
1
2
3
4
5
6
7
8
9
10
11

修改hadoop-env.sh

vi /opt/hadoop/hadoop-3.2.0/etc/hadoop/hadoop-env.sh
1

将 export JAVA_HOME=${JAVA_HOME}
修改为： export JAVA_HOME=/usr/lib/jvm/java-openjdk
说明：修改为自己的JDK路径

修改hdfs-site.xml
vi /opt/hadoop/hadoop-3.2.0/etc/hadoop/hdfs-site.xml
在节点内加入配置：

<configuration>
<property>
   <name>dfs.name.dir</name>
   <value>/root/hadoop/dfs/name</value>
   <description>Path on the local filesystem where theNameNode stores the namespace and transactions logs persistently.
   </description>
</property>

<property>
   <name>dfs.data.dir</name>
   <value>/root/hadoop/dfs/data</value>
   <description>Comma separated list of paths on the localfilesystem of a DataNode where it should store its blocks.
   </description>
</property>

<property>
   <name>dfs.replication</name>
   <value>2</value>
</property>

<property>
   <name>dfs.permissions</name>
   <value>false</value>
   <description>need not permissions</description>
</property>
</configuration>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

新建并且修改mapred-site.xml：
vi /opt/hadoop/hadoop-3.2.0/etc/hadoop/mapred-site.xml
在节点内加入配置:

<configuration>
<!-- 配置mapReduce在Yarn上运行(默认本地运行) -->
<property>
   <name>mapreduce.framework.name</name>
   <value>yarn</value>
</property>
</configuration>
1
2
3
4
5
6
7

修改workers文件：

vi /opt/hadoop/hadoop-3.2.0/etc/hadoop/workers
1

将里面的localhost删除，添加以下内容（master和node1节点都要修改）：

master
node1
1
2

注意：上面修改后不能有多余空格，文件中不允许有空行。

也可以修改好master节点的/opt/hadoop/hadoop-3.2.0/etc/hadoop/workers文件，然后一条命令直接分发给集群，这样就不用再修改其它节点的workers文件：

xsync  /opt/hadoop/hadoop-3.2.0/etc
1

修改yarn-site.xml文件：

HADOOP_CLASSPATH 是设置要运行的类的路径。否则当你用hadoop classname [args]方式运行程序时会报错，说找不到要运行的类。用hadoop jar jar_name.jar classname [args]方式运行程序时没问题

这边需要设置hadoop classpath否则后面mapreduce会报错找不到主类：

hadoop classpath
1

记下返回的结果

vi /opt/hadoop/hadoop-3.2.0/etc/hadoop/yarn-site.xml 
1

添加一个配置

<property>
        <name>yarn.application.classpath</name>
        <value>hadoop classpath返回信息</value>
</property>
1
2
3
4

这是我的yarn-site.xml配置:

<configuration>
        <property>
            <name>yarn.nodemanager.aux-services</name>
            <value>mapreduce_shuffle</value>
        </property>
        <property>
            <name>yarn.resourcemanager.hostname</name>
            <value>master</value>
        </property>
        <property>
            <name>yarn.application.classpath</name>
            <value>/opt/hadoop/hadoop-3.2.0/etc/hadoop:/opt/hadoop/hadoop-3.2.0/share/hadoop/common/lib/*:/opt/hadoop/hadoop-3.2.0/share/hadoop/common/*:/opt/hadoop/hadoop-3.2.0/share/hadoop/hdfs:/opt/hadoop/hadoop-3.2.0/share/hadoop/hdfs/lib/*:/opt/hadoop/hadoop-3.2.0/share/hadoop/hdfs/*:/opt/hadoop/hadoop-3.2.0/share/hadoop/mapreduce/lib/*:/opt/hadoop/hadoop-3.2.0/share/hadoop/mapreduce/*:/opt/hadoop/hadoop-3.2.0/share/hadoop/yarn:/opt/hadoop/hadoop-3.2.0/share/hadoop/yarn/lib/*:/opt/hadoop/hadoop-3.2.0/share/hadoop/yarn/*</value>
        </property>
</configuration>
1
2
3
4
5
6
7
8
9
10
11
12
13
14

配置hadoop-3.2.0/sbin/目录下start-dfs.sh、start-yarn.sh、stop-dfs.sh、stop-yarn.sh文件
服务启动权限配置

cd /opt/hadoop/hadoop-3.2.0
1

配置start-dfs.sh与stop-dfs.sh文件

```bash
vi sbin/start-dfs.sh
vi sbin/stop-dfs.sh
1
2
3
4

都在里面加入下面内容

HDFS_DATANODE_USER=root
HADOOP_SECURE_DN_USER=hdfs
HDFS_NAMENODE_USER=root
HDFS_SECONDARYNAMENODE_USER=root
1
2
3
4

配置start-yarn.sh与stop-yarn.sh文件

vi sbin/start-yarn.sh
vi sbin/stop-yarn.sh
1
2

加入下面内容

YARN_RESOURCEMANAGER_USER=root
HADOOP_SECURE_DN_USER=yarn
YARN_NODEMANAGER_USER=root
1
2
3

配置好基础设置（SSH、JDK、Hadooop、环境变量、Hadoop和MapReduce配置信息）后，克隆虚拟机，获得从机node1节点。

克隆master主机后，获得从机node1节点。
然后开始修改网卡信息：

vim /etc/sysconfig/network-scripts/ifcfg-ens33
1

修改node1节点ip信息：

修改node1节点主机名：

vi /etc/hostname
1

修改node1节点对应的ip 和主机名（主从节点保持一致）

vim /etc/hosts  
1

主从节点互连ssh试试：
先试试在master节点连接node1节点

ssh node1
1

再试试node1节点连接master节点：

ssh master
1

OK，互连成功。（按exit可以退出

六、启动Hadoop

因为master是namenode，node1是datanode，所以只需要对master进行初始化操作，也就是对hdfs进行格式化。
进入到master这台机器/opt/hadoop/hadoop-3.2.0/bin目录：

  cd /opt/hadoop/hadoop-3.2.0/bin
1

执行初始化脚本

  ./hadoop namenode -format
1

然后执行启动进程：

./sbin/start-all.sh
1

查看启动进程情况。

jps
1

master是我们的namenode，该机器的IP是192.168.95.20，在本地电脑访问如下地址:

http://192.168.95.20:9870/
1

在本地浏览器里访问如下地址：

http://192.168.95.20:8088/cluster
1

自动跳转到cluster页面

在hdfs上建立一个目录存放文件

./bin/hdfs dfs -mkdir -p /home/hadoop/myx/wordcount/input
1

查看分发复制是否正常

./bin/hdfs dfs -ls /home/hadoop/myx/wordcount/input
1

七、运行MapReduce集群

Mapreduce运行案例：
在hdfs上建立一个目录存放文件
例如

./bin/hdfs dfs -mkdir -p /home/hadoop/myx/wordcount/input
1

可以先简单地写两个小文件分别为text1和text2，如下所示。
file:text1.txt

hadoop is  very good 
mapreduce is very good
1
2

vim text1
1

然后可以把这两个文件存入HDFS并用WordCount进行处理.

./bin/hdfs dfs -put text1 /home/hadoop/myx/wordcount/input
1

查看分发情况

运行MapReduce用WordCount进行处理

./bin/hadoop jar ![在这里插入图片描述](https://img-blog.csdnimg.cn/81fe96bc9823429d8263e450ba417363.png)
/opt/hadoop/hadoop-3.2.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.0.jar  wordcount /home/hadoop/myx/wordcount/input /home/hadoop/myx/wordcount/output
1
2

最终结果会存储在指定的输出目录中，查看输出目录里面可以看到以下内容。

./bin/hdfs dfs -cat /home/hadoop/myx/wordcount/output/part-r-00000*
1

运行输出结果也可以在web端查看，里面有详细信息：

http://192.168.95.20:9870/explorer.html#/home/hadoop/myx/wordcount/output
1

以上输出结果为每个单词出现的次数。

再来试试第二个案例：
file:text2.txt

vim text2
1

hadoop is  easy to learn 
mapreduce is  easy to learn
1
2

在浏览器端查看新建的input2目录：

运行MapReduce进行处理，设置输出的目录为output2(输出结果目录不用提前创建，Mapreduce运行过程中会自动生成output2输出目录)。

./bin/hadoop jar /opt/hadoop/hadoop-3.2.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.0.jar  wordcount /home/hadoop/myx/wordcount/input2 /home/hadoop/myx/wordcount/output2
1

运行结束后，查看text2的输出结果

./bin/hdfs dfs -cat /home/hadoop/myx/wordcount/output2/part-r-00000*
1

运行输出结果也可以在web端查看，里面有详细信息：

http://192.168.95.20:9870/explorer.html#/home/hadoop/myx/wordcount/output2
1

以上输出结果为每个单词出现的次数。

我们再自己试试运行测试程序WordCount
先在hadoop当前用户目录下新建文件夹WordCount,在其中建立两个测试文件分别为file1.txt,file2.txt。自行在两个文件中填写内容。
新建文件夹WordCount。

mkdir WordCount
ls
1
2

cd WordCount
vim file1.txt
1
2

file1.txt文件内容为:

This is the first hadoop test program!
1

vim file2.txt
1

file2.txt文件内容为:

This  program is not very difficult,but this program is a common hadoop program!
1

然后在Hadoop文件系统HDFS中/home目录下新建文件夹input,并查看其中的内容。具体命令如下。

cd /opt/hadoop/hadoop-3.2.0
./bin/hadoop fs -mkdir /input
./bin/hadoop fs -ls /
1
2
3

在浏览器端查看：

http://192.168.95.20:9870/explorer.html#/input
1

将WordCount文件夹中file1.txt\file2.txt文件上传到刚刚创建的“input”文件夹。具体命令如下。

./bin/hadoop fs -put /opt/hadoop/hadoop-3.2.0/WordCount/*.txt  /input
1

运行Hadoop的示例程序,设置输出的目录为/output(输出结果目录不用提前创建，Mapreduce运行过程中会自动生成/output输出目录)。

./bin/hadoop jar /opt/had![在这里插入图片描述](https://img-blog.csdnimg.cn/abf75678cb6943698c1a26d250317caf.png)
oop/hadoop-3.2.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.0.jar  wordcount  /input /output
1
2

查看输出结果的文件目录信息和WordCount结果。
使用如下命令查看输出结果的文件目录信息。

./bin/hadoop fs -ls /output
1

使用如下命令查看WordCount的结果。

./bin/hdfs dfs -cat /output/part-r-00000*
1

输出结果如下所示

运行输出结果也可以在web端查看，里面有详细信息：

http://192.168.95.20:9870/explorer.html#/output
1

以上输出结果为每个单词出现的次数。
至此Centos搭建hadoop集群和运行3个MapReduce集群案例完成！

在这里给大家扩展一下优化Hadoop集群性能和MapReduce任务效率的一些技巧和建议：

1. 硬件优化：选择适合的硬件配置是提高Hadoop集群性能的关键。例如，使用更快的CPU，更大的内存，更快的硬盘（如SSD），以及高速的网络连接。

2. 配置优化：Hadoop和MapReduce的配置参数可以根据具体的工作负载进行调整。例如，可以增加HDFS的块大小以提高大文件的处理速度，或者调整MapReduce的内存设置以适应更大的任务。

3. 数据本地化：尽可能在数据所在的节点上运行MapReduce任务，以减少网络传输的开销。

4. 并行处理：通过增加MapReduce任务的并行度，可以更充分地利用集群的资源。

5. 编程优化：在编写MapReduce程序时，应尽可能减少数据的传输和排序。例如，可以使用Combiner函数来减少Map和Reduce阶段之间的数据传输。

6. 使用高级工具：一些高级的数据处理工具，如Apache Hive和Apache Pig，可以自动优化MapReduce任务，使其更高效。

7. 监控和调试：使用Hadoop自带的监控工具，如Hadoop Web UI和Hadoop Metrics，可以帮助你发现和解决性能问题。

以上只是一些基本的优化技巧和建议，具体的优化策略需要根据具体需求和环境进行调整。祝各位部署一切顺利！