機器學習、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用于分布式存儲和map-reduce計算，spark用于分布式機器學習，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)架構和他們之間的關系，本文較長，精華在最后。

本文結(jié)構

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，以及一些架構圖以幫我們理解，目的是為后面講解系統(tǒng)架構和關系打基礎。

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)之間的關系

分布式hadoop部署

• 首先，在http://hadoop.apache.org/releases.html找到穩(wěn)定版tar包
• 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

hadoop分為幾大部分：yarn負責資源和任務管理、hdfs負責分布式存儲、map-reduce負責分布式計算

先來了解一下yarn的架構： 

yarn的兩個部分：資源管理、任務調(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負責資源的仲裁，NodeManager負責每個節(jié)點的資源監(jiān)控、狀態(tài)匯報和Container的管理

任務調(diào)度也需要ResourceManager負責任務的接受和調(diào)度，在任務調(diào)度中，在Container中啟動的ApplicationMaster(AM)負責這個任務的管理，當任務需要資源時，會向RM申請，分配到的Container用來起任務，然后AM和這些Container做通信，AM和具體執(zhí)行的任務都是在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：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： 

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： 

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： 

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： 

這里面配置的是mapred的任務歷史相關配置

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： 

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

如果格式化正常可以看到/data/apache/dfs下生成了name目錄

然后啟動namenode，執(zhí)行： 

如果正常啟動，可以看到啟動了相應的進程，并且logs目錄下生成了相應的日志

然后啟動datanode，執(zhí)行： 

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： 

如果正常啟動，可以看到啟動了相應的進程，并且logs目錄下生成了相應的日志

然后啟動nodemanager，執(zhí)行： 

如果正常啟動，可以看到啟動了相應的進程，并且logs目錄下生成了相應的日志

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

如果正常啟動，可以看到啟動了相應的進程，并且logs目錄下生成了相應的日志

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： 

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 

之后看是否產(chǎn)生了/output的輸出： 

這時通過http://127.0.0.1:19888/jobhistory可以看到mapreduce任務歷史： 

也可以通過http://127.0.0.1:8088/cluster看到任務歷史 

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，都會在這里顯示，mapreduce任務的Application Type是MAPREDUCE，其他任務的類型就是其他了，但是jobhistory是專門顯示mapreduce任務的

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： 

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： 

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： 

創(chuàng)建一張表 

獲取一張表 

添加一行 

讀取全部 

我們同時也看到hdfs中多出了hbase存儲的目錄： 

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的架構如下： 

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

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

Zookeeper負責集群的協(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： 

使用hive必須提前設置好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： 

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

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

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： 

成功之后我們可以以客戶端形式直接啟動hive，如： 

試著創(chuàng)建個數(shù)據(jù)庫是否可以： 

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： 

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： 

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： 

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： 

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)行過的任務部署到spark集群上執(zhí)行： 

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： 

下面我們把任務部署到y(tǒng)arn集群上去： 

總結(jié)一下

• hdfs是所有hadoop生態(tài)的底層存儲架構，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建
• yarn是負責集群資源管理的部分，這個資源主要指計算資源，因此它支撐了各種計算模塊
• map-reduce組件主要完成了map-reduce任務的調(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，通過獨立的服務管理起來，因此僅在hdfs之上
• hive基于hdfs存儲，通過獨立的服務管理起來，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管理，因此在hdfs之上也在yarn之上，從結(jié)構上看它和mapreduce一層比較像

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