古时候，人们用牛来拉重物，当一头牛拉不动一根圆木得时候，他们不曾想过培育个头更大的牛。同样，我们也不需要尝试更大的计算机，而是应该开发更多的计算系统。--格雷斯·霍珀

一、hadoop简介

Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。Hadoop的框架最核心的设计就是：HDFS和MapReduce。
其中HDFS就是一个分鱼展的大硬盘：

• 分：数据分块存储
• 鱼：数据冗余
• 展：动态扩展

二、Hadoop的优势

• 方便：Hadoop可以运行在一般商业机器构成的大型集群上
• 高可靠性：Hadoop按位存储和处理数据的能力值得信赖
• 高扩展性：Hadoop通过增加集群节点，可以线性地扩展以处理更大的数据集
• 高效性：Hadoop能够在节点间动态地移动数据，并保证各个节点的动态平衡
• 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

三、Hadoop的核心系统

Hadoop的核心系统

1、Hadoop Common
Common 为Hadoop的其他项目提供了一些常用工具，主要包括系统配置工具Configuration、远程过程调用RPC、序列化机制和Hadoop 抽象文件系统FileSystem等。
2、Avro
Avro，是一个数据序列化系统，可以将数据结构或者对象转换何成便于存储和传输的格式。
3、Zookeeper
Zookeeper作为一个分布式的服务框架，解决了分布式计算中的一致性问题，可用于处理分布式应用中经常遇到的数据管理问题：统一命名服务、状态同步服务、集群管理、分布式应用配置项管理
4、HDFS
HDFS（Hadoop Distributed File System），Hadoop分布式文件系统
5、MapReduce
MapReduce是一种计算模型，用以进行大数据量的计算。MapReduce 将应用划分为Map和Reduce两个步骤，其中Map对数据集上的独立元素进行指定的操作，生成键-值对形势的中间结果；Reduce则对中间结果中相同“键‘的所有”值“进行规约，以得到最终结果。
6、HBase
HBase是一个针对数据化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。它采用了增强的稀疏排序映射表(Key/Vlaue)
7、Pig
Pig运行在hadoop上，是对大型数据集进行分析和评估的平台。
8、Mahout
Mahout的主要目标是创建一些可扩展的机器学习领域经典算法的实现。

四、hadoop分布式环境搭建

Hadoop集群架构

1、虚拟机中安装一台master服务器

(1) 修改主机名

[root@localhost ~]# vim /etc/sysconfig/network
NETWORKING=yes
HOSTNAME=master

(2) 配置网卡IP

[root@localhost ~]# vim /etc/sysconfig/network-scripts/ifcfg-eth0
DEVICE=eth0
HWADDR=00:0C:29:A8:49:61
TYPE=Ethernet
UUID=8e0bff9b-d7b2-4429-8408-f2f122e323bf
ONBOOT=yes  ## 修改为yes
NM_CONTROLLED=yes
BOOTPROTO=static  ## 修改为static
IPADDR=192.168.137.100  ##本机IP
GATEWAY=192.168.137.1  ## 网关信息
NETMASK=255.255.255.0  ## 广播
DNS1=1.1.1.1   ## 配置DNS

(3) 创建数据目录

[root@localhost ~]# mkdir -p /var/data/hadoop

(4) 配置hosts，允许集群间通过主机名访问

[root@localhost ~]# vim /etc/hosts
127.0.0.1   localhost localhost.localdomain localhost4 localhost4.localdomain4
::1         localhost localhost.localdomain localhost6 localhost6.localdomain6
192.168.137.100 master
192.168.137.101 slave1
192.168.137.102 slave2
192.168.137.103 slave3

(5) 关闭防火墙

service iptables stop
chkconfig iptables off

2、配置Java环境

1）下载Java，jdk-8u171-linux-x64.rpm
2）利用指令 rpm -i jdk-8u171-linux-x64.rpm,安装Java环境，默认的路径为/usr/java/jdk1.8.0_171
3）配置java环境变量，在/etc/profile下配置如下信息：

JAVA_HOME=/usr/java/jdk1.8.0_171
PATH=$JAVA_HOME/bin:$PATH
export JAVA_HOME PATH

退出vim后，敲入命令source /etc/profile，继续输入 java -version，查看Java环境是否配置成功：

[root@localhost ~]# java -version
java version "1.8.0_171"
Java(TM) SE Runtime Environment (build 1.8.0_171-b11)
Java HotSpot(TM) 64-Bit Server VM (build 25.171-b11, mixed mode)

3、安装hadoop

1）软件安装，下载相应的版本，这里以hadoop-2.7.6.tar.gz为例;
2）解压Hadoop文件，tar -xzvf hadoop-2.7.6.tar.gz -C /usr/local/
3）配置hadoop运行环境，hadoop-env.sh:

[root@localhost ~]# cd /usr/local/hadoop/etc/hadoop/
[root@localhost hadoop]# vim hadoop-env.sh

修改JAVA_HOME的变量值：
# The java implementation to use.
export JAVA_HOME=/usr/java/jdk1.8.0_171

4）配置hadoop核心文件，core-site.xml,在<configuration></configuration>配置相关属性：

[root@localhost hadoop]# vim core-site.xml
# 配置namenode
<property>
        <name>fs.defaultFS</name>
        <value>hdfs://master:9000</value>
</property>
#修改hdfs默认文件路径
<property>
        <name>hadoop.tmp.dir</name>
        <value>/var/data/hadoop</value>
</property>

5）配置Hadoop的hdfs属性，hdfs-site.xml

[root@localhost hadoop]# vim hdfs-site.xml
<!--指定hdfs保存数据的副本数量-->
<property>
        <name>dfs.replication</name>
        <value>3</value>
</property>

6） 配置Hadoop的yarn属性：yarn-site.xml

[root@localhost hadoop]# vim yarn-site.xml
<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>master</value>
</property>
<property>  
    <name>yarn.nodemanager.aux-services</name>  
    <value>mapreduce_shuffle</value>  
</property>  
<property>
    <name>yarn.nodemanager.auxservices.mapreduce.shuffle.class</name>
    <value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>

7）配置hadoop的MapReduce属性， mapred-site.xml

[root@localhost hadoop]# cp mapred-site.xml.template mapred-site.xml
[root@localhost hadoop]# vim mapred-site.xml
<property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
</property>

8）配置datanode节点

[root@localhost hadoop]# vim slaves
slave1
slave2
slave3

注意：如在此文件中配置了localhost，则会在master中也创建一个datanode

9）配置环境变量

[root@master hadoop]# vim /etc/profile
JAVA_HOME=/usr/java/jdk1.8.0_171
HADOOP_INSTALL=/usr/local/hadoop
PATH=$JAVA_HOME/bin:$HADOOP_INSTALL/bin:$HADOOP_INSTALL/sbin:$PATH
export JAVA_HOME HADOOP_INSTALL PATH

3、克隆master机器三份，分别是slave1,slave2,slave3

1） 修改对应的IP地址和对应的主机名

[root@localhost ~]# vim /etc/sysconfig/network
NETWORKING=yes
HOSTNAME=slave1

2）clone后的机器无法使用网卡eth0，解决办法：
首先：打开/etc/udev/rules.d/70-persistent-net.rules

# This file was automatically generated by the /lib/udev/write_net_rules
# program, run by the persistent-net-generator.rules rules file.
#
# You can modify it, as long as you keep each rule on a single
# line, and change only the value of the NAME= key.

# PCI device 0x8086:0x100f (e1000)
SUBSYSTEM=="net", ACTION=="add", DRIVERS=="?*", ATTR{address}=="00:0c:29:a8:49:61",ATTR{type}=="1", KERNEL=="eth*", NAME="eth0"

# PCI device 0x8086:0x100f (e1000)
## 注释这一行
#SUBSYSTEM=="net", ACTION=="add", DRIVERS=="?*", ATTR{address}=="00:0c:29:71:ec:e2", ATTR{type}=="1", KERNEL=="eth*", NAME="eth1" 

将这一行注释掉，并记录下00:0c:29:71:ec:e2

3） 配置网卡信息

DEVICE=eth1 ## 将原有的eth0，修改成eth1
HWADDR=00:0C:29:71:ec:e2 ## 修改为上一步中记录的号串
TYPE=Ethernet
UUID=8e0bff9b-d7b2-4429-8408-f2f122e323bf
ONBOOT=yes
NM_CONTROLLED=yes
BOOTPROTO=static
IPADDR=192.168.137.101 ## 修改IP地址
GATEWAY=192.168.137.2
NETMASK=255.255.255.0
DNS1=1.1.1.1

4、免密登陆

Hadoop 启动 / 停止脚本需要通过 SSH 发送命令启动相关守护进程，为了避免每次启动 / 停止 Hadoop 都要输入密码进行验证，需设置免密码登录。切记：重启一下三台slave机器

1）在master服务器端生成ssh key: ssh-keygen -t rsa

[root@master .ssh]# ssh-keygen -t rsa
Generating public/private rsa key pair.
Enter file in which to save the key (/root/.ssh/id_rsa):   ## 回车
Enter passphrase (empty for no passphrase):  ## 回车
Enter same passphrase again:  ## 回车
Your identification has been saved in /root/.ssh/id_rsa.
Your public key has been saved in /root/.ssh/id_rsa.pub.
The key fingerprint is:
fd:d8:c4:6c:51:8a:77:35:12:e2:00:54:34:02:09:e3 root@master
The key's randomart image is:
+--[ RSA 2048]----+
|   o..+++= . oo..|
|  . ..  . +..o...|
|   E      ..+ .  |
|         . + o   |
|        S . =    |
|           *     |
|          . o    |
|                 |
|                 |
+-----------------+

2）将生成的公钥复制到三台服务器上以及master上：

[root@master .ssh]# ssh-copy-id slave1

5、master机器上namenode格式化

1）执行命令：hadoop namenode -format
2）验证是否格式化成功：

[root@master ~]# cd /var/data/hadoop/
[root@master hadoop]# ll
total 4
drwxr-xr-x. 3 root root 4096 May  6 20:43 dfs

6、启动Hadoop集群

1）执行启动命令，包括hdfs和yarn

[root@master ~]# start-all.sh 
This script is Deprecated. Instead use start-dfs.sh and start-yarn.sh
Starting namenodes on [master]
master: starting namenode, logging to /usr/local/hadoop-2.7.6/logs/hadoop-root-namenode-master.out
slave2: starting datanode, logging to /usr/local/hadoop-2.7.6/logs/hadoop-root-datanode-slave2.out
slave3: starting datanode, logging to /usr/local/hadoop-2.7.6/logs/hadoop-root-datanode-slave3.out
slave1: starting datanode, logging to /usr/local/hadoop-2.7.6/logs/hadoop-root-datanode-slave1.out
Starting secondary namenodes [0.0.0.0]
0.0.0.0: starting secondarynamenode, logging to /usr/local/hadoop-2.7.6/logs/hadoop-root-secondarynamenode-master.out
starting yarn daemons
starting resourcemanager, logging to /usr/local/hadoop-2.7.6/logs/yarn-root-resourcemanager-master.out
slave2: starting nodemanager, logging to /usr/local/hadoop-2.7.6/logs/yarn-root-nodemanager-slave2.out
slave3: starting nodemanager, logging to /usr/local/hadoop-2.7.6/logs/yarn-root-nodemanager-slave3.out
slave1: starting nodemanager, logging to /usr/local/hadoop-2.7.6/logs/yarn-root-nodemanager-slave1.out

2）分别在集群中执行jps指令，查看节点是否启动成功

[root@master ~]# jps
4197 Jps
3783 SecondaryNameNode
3592 NameNode
3934 ResourceManager

[root@slave1 ~]# jps
2033 DataNode
2124 NodeManager
2223 Jps

3）访问Hadoop提供的网页管理

192.168.137.100:50070
192.168.137.100:8088