[[170917]]

機器學(xué)習(xí)、數(shù)據(jù)挖掘等各種大數(shù)據(jù)處理都離不開各種開源分布式系統(tǒng)，hadoop用戶分布式存儲和map-reduce計算，spark用于分布式機器學(xué)習(xí)，hive是分布式數(shù)據(jù)庫，hbase是分布式kv系統(tǒng)，看似互不相關(guān)的他們卻都是基于相同的hdfs存儲和yarn資源管理，本文通過全套部署方法來讓大家深入系統(tǒng)內(nèi)部以充分理解分布式系統(tǒng)架構(gòu)和他們之間的關(guān)系

本文結(jié)構(gòu)

首先，我們來分別部署一套hadoop、hbase、hive、spark，在講解部署方法過程中會特殊說明一些重要配置，以及一些架構(gòu)圖以幫我們理解，目的是為后面講解系統(tǒng)架構(gòu)和關(guān)系打基礎(chǔ)。

之后，我們會通過運行一些程序來分析一下這些系統(tǒng)的功能

最后，我們會總結(jié)這些系統(tǒng)之間的關(guān)系

分布式hadoop部署

首先，在 http://hadoop.apache.org/releases.html 找到最新穩(wěn)定版tar包，我選擇的是

http://apache.fayea.com/hadoop/common/hadoop-2.7.2/hadoop-2.7.2.tar.gz

下載到 /data/apache 并解壓

在真正部署之前，我們先了解一下 hadoop 的架構(gòu)

hadoop分為幾大部分：yarn負責(zé)資源和任務(wù)管理、hdfs負責(zé)分布式存儲、map-reduce負責(zé)分布式計算

先來了解一下yarn的架構(gòu)：

yarn的兩個部分：資源管理、任務(wù)調(diào)度。

資源管理需要一個全局的ResourceManager(RM)和分布在每臺機器上的NodeManager協(xié)同工作，RM負責(zé)資源的仲裁，NodeManager負責(zé)每個節(jié)點的資源監(jiān)控、狀態(tài)匯報和Container的管理

任務(wù)調(diào)度也需要ResourceManager負責(zé)任務(wù)的接受和調(diào)度，在任務(wù)調(diào)度中，在Container中啟動的ApplicationMaster(AM)負責(zé)這個任務(wù)的管理，當(dāng)任務(wù)需要資源時，會向RM申請，分配到的Container用來起任務(wù)，然后AM和這些Container做通信，AM和具體執(zhí)行的任務(wù)都是在Container中執(zhí)行的

yarn區(qū)別于第一代hadoop的部署(namenode、jobtracker、tasktracker)

然后再看一下hdfs的架構(gòu)：hdfs部分由NameNode、SecondaryNameNode和DataNode組成。DataNode是真正的在每個存儲節(jié)點上管理數(shù)據(jù)的模塊，NameNode是對全局數(shù)據(jù)的名字信息做管理的模塊，SecondaryNameNode是它的從節(jié)點，以防掛掉。

最后再說map-reduce：Map-reduce依賴于yarn和hdfs，另外還有一個JobHistoryServer用來看任務(wù)運行歷史

hadoop雖然有多個模塊分別部署，但是所需要的程序都在同一個tar包中，所以不同模塊用到的配置文件都在一起，讓我們來看幾個最重要的配置文件：

各種默認配置：core-default.xml, hdfs-default.xml, yarn-default.xml, mapred-default.xml

各種web頁面配置：core-site.xml, hdfs-site.xml, yarn-site.xml, mapred-site.xml

從這些配置文件也可以看出hadoop的幾大部分是分開配置的。

除上面這些之外還有一些重要的配置：hadoop-env.sh、mapred-env.sh、yarn-env.sh，他們用來配置程序運行時的java虛擬機參數(shù)以及一些二進制、配置、日志等的目錄配置

下面我們真正的來修改必須修改的配置文件。

修改etc/hadoop/core-site.xml，把配置改成：

<configuration> 
    <property> 
        <name>fs.defaultFS</name> 
        <value>hdfs://127.0.0.1:8000</value> 
    </property> 
    <property> 
        <name>io.file.buffer.size</name> 
        <value>131072</value> 
    </property> 
</configuration> 

這里面配置的是hdfs的文件系統(tǒng)地址：本機的9001端口

修改etc/hadoop/hdfs-site.xml，把配置改成：

<configuration> 
    <property> 
        <name>dfs.namenode.name.dir</name> 
        <value>file:/data/apache/dfs/name</value> 
    </property> 
    <property> 
        <name>dfs.datanode.data.dir</name> 
        <value>file:/data/apache/dfs/data</value> 
    </property> 
    <property> 
        <name>dfs.datanode.fsdataset.volume.choosing.policy</name> 
        <value>org.apache.hadoop.hdfs.server.datanode.fsdataset.AvailableSpaceVolumeChoosingPolicy</value> 
    </property> 
    <property> 
        <name>dfs.namenode.http-address</name> 
        <value>127.0.0.1:50070</value> 
    </property> 
    <property> 
        <name>dfs.namenode.secondary.http-address</name> 
        <value>127.0.0.1:8001</value> 
    </property> 
</configuration> 

這里面配置的是hdfs文件存儲在本地的哪里以及secondary namenode的地址

修改etc/hadoop/yarn-site.xml，把配置改成：

<configuration> 
    <property> 
        <name>yarn.resourcemanager.hostname</name> 
        <value>127.0.0.1</value> 
    </property> 
    <property> 
        <name>yarn.resourcemanager.webapp.address</name> 
        <value>127.0.0.1:8088</value> 
    </property> 
    <property> 
        <name>yarn.nodemanager.aux-services</name> 
        <value>mapreduce_shuffle</value> 
    </property> 
    <property> 
        <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name> 
        <value>org.apache.hadoop.mapred.ShuffleHandler</value> 
    </property> 
    <property> 
        <name>yarn.log-aggregation-enable</name> 
        <value>true</value> 
    </property> 
    <property> 
        <name>yarn.log-aggregation.retain-seconds</name> 
        <value>864000</value> 
    </property> 
    <property> 
        <name>yarn.log-aggregation.retain-check-interval-seconds</name> 
        <value>86400</value> 
    </property> 
    <property> 
        <name>yarn.nodemanager.remote-app-log-dir</name> 
        <value>/YarnApp/Logs</value> 
    </property> 
    <property> 
        <name>yarn.log.server.url</name> 
        <value>http://127.0.0.1:19888/jobhistory/logs/</value> 
    </property> 
    <property> 
        <name>yarn.nodemanager.local-dirs</name> 
        <value>/data/apache/tmp/</value> 
    </property> 
    <property> 
        <name>yarn.scheduler.maximum-allocation-mb</name> 
        <value>5000</value> 
    </property> 
    <property> 
        <name>yarn.scheduler.minimum-allocation-mb</name> 
        <value>1024</value> 
    </property> 
    <property> 
        <name>yarn.nodemanager.vmem-pmem-ratio</name> 
        <value>4.1</value> 
    </property> 
    <property> 
        <name>yarn.nodemanager.vmem-check-enabled</name> 
        <value>false</value> 
    </property> 
</configuration> 

這里面配置的是yarn的日志地址以及一些參數(shù)配置

通過cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml創(chuàng)建etc/hadoop/mapred-site.xml，內(nèi)容改為如下：

<configuration> 
    <property> 
        <name>mapreduce.framework.name</name> 
        <value>yarn</value> 
        <description>Execution framework set to Hadoop YARN.</description> 
    </property> 
    <property> 
        <name>yarn.app.mapreduce.am.staging-dir</name> 
        <value>/tmp/hadoop-yarn/staging</value> 
    </property> 
    <property> 
        <name>mapreduce.jobhistory.address</name> 
        <value>127.0.0.1:10020</value> 
    </property> 
    <property> 
        <name>mapreduce.jobhistory.webapp.address</name> 
        <value>127.0.0.1:19888</value> 
    </property> 
    <property> 
        <name>mapreduce.jobhistory.done-dir</name> 
        <value>${yarn.app.mapreduce.am.staging-dir}/history/done</value> 
    </property> 
 
    <property> 
        <name>mapreduce.jobhistory.intermediate-done-dir</name> 
        <value>${yarn.app.mapreduce.am.staging-dir}/history/done_intermediate</value> 
    </property> 
    <property> 
        <name>mapreduce.jobhistory.joblist.cache.size</name> 
        <value>1000</value> 
    </property> 
 
    <property> 
        <name>mapreduce.tasktracker.map.tasks.maximum</name> 
        <value>8</value> 
    </property> 
    <property> 
        <name>mapreduce.tasktracker.reduce.tasks.maximum</name> 
        <value>8</value> 
    </property> 
    <property> 
        <name>mapreduce.jobtracker.maxtasks.perjob</name> 
        <value>5</value> 
        <description>The maximum number of tasks for a single job. 
            A value of -1 indicates that there is no maximum. 
        </description> 
    </property> 
</configuration> 

這里面配置的是mapred的任務(wù)歷史相關(guān)配置

如果你的hadoop部署在多臺機器，那么需要修改etc/hadoop/slaves，把其他slave機器ip加到里面，如果只部署在這一臺，那么就留一個localhost即可

下面我們啟動hadoop，啟動之前我們配置好必要的環(huán)境變量：

export JAVA_HOME="你的java安裝地址" 

先啟動hdfs，在此之前要格式化分布式文件系統(tǒng)，執(zhí)行：

./bin/hdfs namenode -format myclustername 

如果格式化正?？梢钥吹?data/apache/dfs下生成了name目錄

然后啟動namenode，執(zhí)行：

./sbin/hadoop-daemon.sh --script hdfs start namenode 

如果正常啟動，可以看到啟動了相應(yīng)的進程，并且logs目錄下生成了相應(yīng)的日志

然后啟動datanode，執(zhí)行：

./sbin/hadoop-daemon.sh --script hdfs start datanode 

如果考慮啟動secondary namenode，可以用同樣的方法啟動

下面我們啟動yarn，先啟動resourcemanager，執(zhí)行：

./sbin/yarn-daemon.sh start resourcemanager 

如果正常啟動，可以看到啟動了相應(yīng)的進程，并且logs目錄下生成了相應(yīng)的日志

然后啟動nodemanager，執(zhí)行：

./sbin/yarn-daemon.sh start nodemanager 

如果正常啟動，可以看到啟動了相應(yīng)的進程，并且logs目錄下生成了相應(yīng)的日志

然后啟動MapReduce JobHistory Server，執(zhí)行：

./sbin/mr-jobhistory-daemon.sh start historyserver 

如果正常啟動，可以看到啟動了相應(yīng)的進程，并且logs目錄下生成了相應(yīng)的日志

下面我們看下web界面

打開 http://127.0.0.1:8088/cluster 看下yarn管理的集群資源情況(因為在yarn-site.xml中我們配置了yarn.resourcemanager.webapp.address是127.0.0.1:8088)

打開 http://127.0.0.1:19888/jobhistory 看下map-reduce任務(wù)的執(zhí)行歷史情況(因為在mapred-site.xml中我們配置了mapreduce.jobhistory.webapp.address是127.0.0.1:19888)

打開 http://127.0.0.1:50070/dfshealth.html 看下namenode的存儲系統(tǒng)情況(因為在hdfs-site.xml中我們配置了dfs.namenode.http-address是127.0.0.1:50070)

到此為止我們對hadoop的部署完成。下面試驗一下hadoop的功能

先驗證一下hdfs分布式文件系統(tǒng)，執(zhí)行以下命令看是否有輸出：

[root@MYAY hadoop]# ./bin/hadoop fs -mkdir /input 
[root@MYAY hadoop]# cat data 
1 
2 
3 
4 
[root@MYAY hadoop]# ./bin/hadoop fs -put input /input 
[root@MYAY hadoop]# ./bin/hadoop fs -ls /input 
Found 1 items 
-rw-r--r--   3 root supergroup          8 2016-08-07 15:04 /input/data 

這時通過 http://127.0.0.1:50070/dfshealth.html 可以看到存儲系統(tǒng)的一些變化

下面我們以input為輸入啟動一個mapreduce任務(wù)

[root@MYAY hadoop]# ./bin/hadoop jar ./share/hadoop/tools/lib/hadoop-streaming-2.7.2.jar -input /input -output /output -mapper cat -reducer wc 

之后看是否產(chǎn)生了/output的輸出：

[root@MYAY hadoop]# ./bin/hadoop fs -ls /output 
Found 2 items 
-rw-r--r--   3 root supergroup          0 2016-08-07 15:11 /output/_SUCCESS 
-rw-r--r--   3 root supergroup         25 2016-08-07 15:11 /output/part-00000 
[root@MYAY hadoop]# ./bin/hadoop fs -cat /output/part-00000 
      4       4      12 

這時通過 http://127.0.0.1:19888/jobhistory 可以看到mapreduce任務(wù)歷史：

也可以通過 http://127.0.0.1:8088/cluster 看到任務(wù)歷史

為什么兩處都有歷史呢?他們的區(qū)別是什么呢?

我們看到cluster顯示的其實是每一個application的歷史信息，他是yarn(ResourceManager)的管理頁面，也就是不管是mapreduce還是其他類似mapreduce這樣的任務(wù)，都會在這里顯示，mapreduce任務(wù)的Application Type是MAPREDUCE，其他任務(wù)的類型就是其他了，但是jobhistory是專門顯示mapreduce任務(wù)的

hbase的部署

首先從 http://www.apache.org/dyn/closer.cgi/hbase/ 下載穩(wěn)定版安裝包，我下的是https://mirrors.tuna.tsinghua.edu.cn/apache/hbase/stable/hbase-1.2.2-bin.tar.gz

解壓后修改conf/hbase-site.xml，改成：

<configuration> 
    <property> 
        <name>hbase.cluster.distributed</name> 
        <value>true</value> 
    </property> 
    <property> 
        <name>hbase.rootdir</name> 
        <value>hdfs://127.0.0.1:8001/hbase</value> 
    </property> 
    <property> 
        <name>hbase.zookeeper.quorum</name> 
        <value>127.0.0.1</value> 
    </property> 
</configuration> 

其中hbase.rootdir配置的是hdfs地址，ip:port要和hadoop/core-site.xml中的fs.defaultFS保持一致

其中hbase.zookeeper.quorum是zookeeper的地址，可以配多個，我們試驗用就先配一個

啟動hbase，執(zhí)行：

./bin/start-hbase.sh 

這時有可能會讓你輸入本地機器的密碼

啟動成功后可以看到幾個進程起來，包括zookeeper的HQuorumPeer和hbase的HMaster、HRegionServer

下面我們試驗一下hbase的使用，執(zhí)行：

hbase(main):001:0> status 
1 active master, 0 backup masters, 1 servers, 0 dead, 3.0000 average load 

創(chuàng)建一張表

hbase(main):004:0> create 'table1','field1' 
0 row(s) in 1.3430 seconds 
 
=> Hbase::Table - table1 

獲取一張表

hbase(main):005:0> t1 = get_table('table1') 
0 row(s) in 0.0010 seconds 
 
=> Hbase::Table - table1 

添加一行

hbase(main):008:0> t1.put 'row1', 'field1:qualifier1', 'value1' 
0 row(s) in 0.4160 seconds 

讀取全部

hbase(main):009:0> t1.scan 
ROW                                                                 COLUMN+CELL 
 row1                                                               column=field1:qualifier1, timestamp=1470621285068, value=value1 
1 row(s) in 0.1000 seconds 

我們同時也看到hdfs中多出了hbase存儲的目錄：

[root@MYAY hbase]# ./hadoop/bin/hadoop fs -ls /hbase 
Found 7 items 
drwxr-xr-x   - root supergroup          0 2016-08-08 09:05 /hbase/.tmp 
drwxr-xr-x   - root supergroup          0 2016-08-08 09:58 /hbase/MasterProcWALs 
drwxr-xr-x   - root supergroup          0 2016-08-08 09:05 /hbase/WALs 
drwxr-xr-x   - root supergroup          0 2016-08-08 09:05 /hbase/data 
-rw-r--r--   3 root supergroup         42 2016-08-08 09:05 /hbase/hbase.id 
-rw-r--r--   3 root supergroup          7 2016-08-08 09:05 /hbase/hbase.version 
drwxr-xr-x   - root supergroup          0 2016-08-08 09:24 /hbase/oldWALs 

這說明hbase是以hdfs為存儲介質(zhì)的，因此它具有分布式存儲擁有的所有優(yōu)點

hbase的架構(gòu)如下：

其中HMaster負責(zé)管理HRegionServer以實現(xiàn)負載均衡，負責(zé)管理和分配HRegion(數(shù)據(jù)分片)，還負責(zé)管理命名空間和table元數(shù)據(jù)，以及權(quán)限控制

HRegionServer負責(zé)管理本地的HRegion、管理數(shù)據(jù)以及和hdfs交互。

Zookeeper負責(zé)集群的協(xié)調(diào)(如HMaster主從的failover)以及集群狀態(tài)信息的存儲

客戶端傳輸數(shù)據(jù)直接和HRegionServer通信

hive的部署

從 http://mirrors.hust.edu.cn/apache/hive 下載安裝包，我下的是http://mirrors.hust.edu.cn/apache/hive/stable-2/apache-hive-2.1.0-bin.tar.gz

解壓后，我們先準備hdfs，執(zhí)行：

[root@MYAY hadoop]# ./hadoop/bin/hadoop fs -mkdir /tmp 
[root@MYAY hadoop]# ./hadoop/bin/hadoop fs -mkdir /user 
[root@MYAY hadoop]# ./hadoop/bin/hadoop fs -mkdir /user/hive 
[root@MYAY hadoop]# ./hadoop/bin/hadoop fs -mkdir /user/hive/warehourse 
[root@MYAY hadoop]# ./hadoop/bin/hadoop fs -chmod g+w /tmp 
[root@MYAY hadoop]# ./hadoop/bin/hadoop fs -chmod g+w /user/hive/warehourse 

使用hive必須提前設(shè)置好HADOOP_HOME環(huán)境變量，這樣它可以自動找到我們的hdfs作為存儲，不妨我們把各種HOME和各種PATH都配置好，如：

HADOOP_HOME=/data/apache/hadoop 
export HADOOP_HOME 
HBASE_HOME=/data/apache/hbase 
export HBASE_HOME 
HIVE_HOME=/data/apache/hive 
export HIVE_HOME 
PATH=$PATH:$HOME/bin 
PATH=$PATH:$HBASE_HOME/bin 
PATH=$PATH:$HIVE_HOME/bin 
PATH=$PATH:$HADOOP_HOME/bin 
export PATH 

拷貝創(chuàng)建hive-site.xml、hive-log4j2.properties、hive-exec-log4j2.properties，執(zhí)行

[root@MYAY hive]# cp conf/hive-default.xml.template conf/hive-site.xml 
[root@MYAY hive]# cp conf/hive-log4j2.properties.template conf/hive-log4j2.properties 
[root@MYAY hive]# cp conf/hive-exec-log4j2.properties.template conf/hive-exec-log4j2.properties 

修改hive-site.xml，把其中的${system:java.io.tmpdir}都修改成/data/apache/tmp，你也可以自己設(shè)置成自己的tmp目錄，把${system:user.name}都換成用戶名

:%s/${system:java.io.tmpdir}/\/data\/apache\/tmp/g 
:%s/${system:user.name}/myself/g 

初始化元數(shù)據(jù)數(shù)據(jù)庫(默認保存在本地的derby數(shù)據(jù)庫，也可以配置成mysql)，注意，不要先執(zhí)行hive命令，否則這一步會出錯，具體見 http://stackoverflow.com/questions/35655306/hive-installation-issues-hive-metastore-database-is-not-initialized ，下面執(zhí)行：

[root@MYAY hive]# schematool -dbType derby -initSchema 

成功之后我們可以以客戶端形式直接啟動hive，如：

[root@MYAY hive]# hive 
hive> show databases; 
OK 
default 
Time taken: 1.886 seconds, Fetched: 1 row(s) 
hive> 

試著創(chuàng)建個數(shù)據(jù)庫是否可以：

hive> create database mydatabase; 
OK 
Time taken: 0.721 seconds 
hive> show databases; 
OK 
default 
mydatabase 
Time taken: 0.051 seconds, Fetched: 2 row(s) 
hive> 

這樣我們還是單機的hive，不能在其他機器登陸，所以我們要以server形式啟動：

nohup hiveserver2 &> hive.log & 

默認會監(jiān)聽10000端口，這時可以通過jdbc客戶端連接這個服務(wù)訪問hive

hive的具體使用在這里不贅述

spark部署

首先在 http://spark.apache.org/downloads.html 下載指定hadoop版本的安裝包，我下載的是http://d3kbcqa49mib13.cloudfront.net/spark-2.0.0-bin-hadoop2.7.tgz

spark有多種部署方式，首先支持單機直接跑，如執(zhí)行樣例程序：

./bin/spark-submit examples/src/main/python/pi.py 10 

它可以直接運行得出結(jié)果

下面我們說下spark集群部署方法：

解壓安裝包后直接執(zhí)行：

[root@MYAY spark-2.0.0-bin-hadoop2.7]# sbin/start-master.sh 

這時可以打開 http://127.0.0.1:8080/ 看到web界面如下：

根據(jù)上面的url：spark://MYAY:7077，我們再啟動slave：

[root@MYAY spark-2.0.0-bin-hadoop2.7]# ./sbin/start-slave.sh spark://MYAY:7077 

刷新web界面如下：

出現(xiàn)了一個worker，我們可以根據(jù)需要啟動多個worker

下面我們把上面執(zhí)行過的任務(wù)部署到spark集群上執(zhí)行：

./bin/spark-submit --master spark://MYAY:7077 examples/src/main/python/pi.py 10 

web界面如下：

spark程序也可以部署到y(tǒng)arn集群上執(zhí)行，也就是我們部署hadoop時啟動的yarn

我們需要提前配置好HADOOP_CONF_DIR，如下：

HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop/ 
export HADOOP_CONF_DIR 

下面我們把任務(wù)部署到y(tǒng)arn集群上去：

./bin/spark-submit --master yarn --deploy-mode cluster examples/src/main/python/pi.py 10 

看 http://127.0.0.1:8088/cluster 效果如下：

總結(jié)一下

hdfs是所有hadoop生態(tài)的底層存儲架構(gòu)，它主要完成了分布式存儲系統(tǒng)的邏輯，凡是需要存儲的都基于其上構(gòu)建

yarn是負責(zé)集群資源管理的部分，這個資源包括計算資源和存儲資源，因此它也支撐了hdfs和各種計算模塊

map-reduce組件主要完成了map-reduce任務(wù)的調(diào)度邏輯，它依賴于hdfs作為輸入輸出及中間過程的存儲，因此在hdfs之上，它也依賴yarn為它分配資源，因此也在yarn之上

hbase基于hdfs存儲，通過獨立的服務(wù)管理起來，因此僅在hdfs之上

hive基于hdfs存儲，通過獨立的服務(wù)管理起來，因此僅在hdfs之上

spark基于hdfs存儲，即可以依賴yarn做資源分配計算資源也可以通過獨立的服務(wù)管理，因此在hdfs之上也在yarn之上，從結(jié)構(gòu)上看它和mapreduce一層比較像

總之，每一個系統(tǒng)負責(zé)了自己擅長的一部分，同時相互依托，形成了整個hadoop生態(tài)。