Hadoop，大数据离不开它

 [[399591]]

本文转载自微信公众号「虞大胆的叽叽喳喳」，作者虞大胆 。转载本文请联系虞大胆的叽叽喳喳公众号。

搭建数仓，hadoop虽然有点落伍，但还是不可或缺的。本文描述下单机版的hadoop运作机制。

HDFS是Google GFS的开源实现，是一个分布式文件系统，是大数据技术的基石，直接上架构图：

主要包含Namenode和Datanodes，MapReduce主要就是在Datanodes进行并行计算。

core-site.xml：

<property> 
    <name>fs.defaultFS</name> 
    <value>hdfs://localhost:8001</value> 
</property> 
<property> 
    <name>hadoop.tmp.dir</name> 
    <value>/root/hadoop-3.2.2/tmp</value> 
</property> 

其中8001端口就代表hdfs的根路径，另外hdfs-site.xml配置参数也非常多。

比如dfs.replication表示hdfs副本集，单机版就设置1;dfs.namenode.http-address是NameNode web管理地址，可以查看hdfs的一些情况;dfs.datanode.address是DataNode的端口;dfs.namenode.name.dir和dfs.namenode.data.dir表示Namenode和Datanodes的存储目录，默认继承于hadoop.tmp.dir值。

如果修改目录相关的参数，需要格式化hdfs：

$ bin/hdfs namenode -format 

经验就是建议删除dfs.namenode.data.dir下的文件，再格式化。

一旦hdfs可用，操作它们就像操作本地文件一样：

#创建登陆用户的根目录，有了根目录，则不需要指定hdfs://前缀 
$ ./bin/hdfs dfs -mkdir  -p  "hdfs://localhost:8001/user/root" 
$ ./bin/hdfs dfs -mkdir  -p  test2 
 
$ ./bin/hdfs dfs -put ~/test.log hdfs://localhost:8001/test 
$ ./bin/hdfs dfs -put ~/test.log test2 
 
$ ./bin/hdfs dfs -ls test2 
$ ./bin/hdfs dfs -cat  test2/test.log 

接下去说说MapReduce，主要包含map和reduce过程，另外不能忘记shuffle，map相对于从hdfs dataNodes处理数据，然后shuffle将相关联的数据交给reduce进行处理。

运行MapReduce过程很简单：

$ bin/hdfs dfs -mkdir input 
$ bin/hdfs dfs -put etc/hadoop/*.xml input 
# 将mapreduce任务执行的结果放入 hdfs output 目录中 
$ bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.2.jar grep input output 'dfs[a-z.]+'  
bin/hdfs dfs -cat output/* 

早期的MapReduce即包含计算框架，又包含调度框架，比较臃肿，比如想在当前集群运行另外一种计算任务，就不方便了，所以后来从MapReduce中将调度框架抽取出来，命名为Yarn，这样不管是MapReduce还是Spark只要符合Yarn接口定义，就能被Yarn调度，MR和Spark专做做分布式运算，相当于解耦了。

Yarn的架构图如下：

主要包括ResourceManager和NodeManager，另外为了分布式运算NodeManager一般和HDFS的DataNodes运行在一起。

ResourceManager主要包含Scheduler和ApplicationsManager。

修改yarn-site.xml：

<property> 
    <name>yarn.nodemanager.aux-services</name> 
    <value>mapreduce_shuffle</value> 
</property> 
 
<property> 
    <name>yarn.resourcemanager.webapp.address</name> 
    <value>0.0.0.0:7088</value> 
</property> 

其中，mapreduce_shuffle表示调度MapReduce任务，7088 是Yarn的Web管理地址;当然Yarn还有很多的参数。

修改 mapred-site.xml：

<property> 
    <name>mapreduce.framework.name</name> 
    <value>yarn</value> 
</property> 

mapreduce.framework.name的值yarn表示MapReduce使用Yarn调度。

然后执行yarn调度：

$ bin/yarn jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.2.jar grep input output 'dfs[a-z.]+' 

只是将上面的hadoop修改为yarn，不过结果测试，不管怎么写，yarn都是生效的，通过yarn Web UI能看出来。

另外我是以root运行的，所以sbin下的一些sh文件要修改：

HDFS_DATANODE_USER=root 
HDFS_DATANODE_SECURE_USER=root 
HDFS_NAMENODE_USER=root 
HDFS_SECONDARYNAMENODE_USER=root 

最后的启动命令：

$ ./sbin/start-all.sh 
$ ./sbin/stop-all.sh 

参考链接：

https://kontext.tech/column/hadoop/265/default-ports-used-by-hadoop-services-hdfs-mapreduce-yarn

https://hadoop.apache.org/docs/r3.2.2/hadoop-project-dist/hadoop-common/SingleCluster.html