[TOC]
# 1. 配置HDFS
**一:配置集群**
1. 在 {hadoop_home}/etc/hadoop/hadoop-env.sh 配置文件中指定jdk路径。
```sql
# 指定你安装的jdk路径
export JAVA_HOME=/usr/local/software/jdk1.8.0_171
```
2. 在 {hadoop_home}/etc/hadoop/core-site.xml 配置文件中指定NameNode地址。
```shell
<configuration>
<!-- 指定HDFS中NameNode的地址-->
<property>
<name>fs.defaultFS</name>
<value>hdfs://hadoop101:9000</value>
</property>
<!-- 指定hadoop运行时产生文件的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/install/hadoop/data/tmp</value>
</property>
</configuration>
```
3. 在 {hadoop_home}/etc/hadoop/hdfs-site.xml 配置文件中指定HDFS副本数量。
```shell
<configuration>
<!-- 指定HDFS副本的数量为1,默认为3 -->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
```
4. 配置ssh无密码登录,往后启动hdfs的时候就不需要输入本机密码了
```shell
[root@hadoop101 /]# yum install -y openssh openssh-server openssh-clients openssl openssl-devel
[root@hadoop101 /]# ssh-keygen -t rsa -f ~/.ssh/id_rsa -P ''
[root@hadoop101 /]# cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
[root@hadoop101 /]# systemctl start sshd
```
**二:启动hdfs集群**
启动hdfs集群需要在root用户下启动,执行`su`进入root用户。
1. 启动hdfs集群
```shell
-- 回到hadoop安装目录进行格式化和启动hdfs集群
-- 注意:首次启动时才需要格式化,以后都不能格式化,否则hadoop可能无法启动
# bin/hdfs namenode -format
-- 到hadoop安装目录下启动hdfs
# sbin/start-dfs.sh
-- 查看是否启动成功
# jps
4784 Jps
4497 DataNode
4664 SecondaryNameNode
4365 NameNode
```
如果只需要单独启动NameNode执行`sbin/hadoop-daemon.sh start namenode` ;
如果只需要单独启动DataNode执行`sbin/hadoop-daemon.sh start datanode` ;
2. 访问HDFS文件系统
浏览器访问:http://hadoop101:50070/ , 显示页面如下
![](https://img.kancloud.cn/95/dc/95dc383e74bf2e3f7c514d1fca260603_1081x561.png)<br/>
**三:操作集群**
操作要在hadoop的安装目录下执行。
```shell
-- 在hdfs文件系统上创建一个input目录
# bin/hdfs dfs -mkdir -p /user/hadoop/input
-- 将测试文件内容上传到文件系统上
# bin/hdfs dfs -put wcinput/wc.input /user/hadoop/input/
-- 查看上传的文件是否正确
# bin/hdfs dfs -ls /user/hadoop/input/
Found 1 items
-rw-r--r-- 1 root supergroup 61 2020-11-30 17:21 /user/hadoop/input/wc.input
# bin/hdfs dfs -cat /user/hadoop/input/wc.input
hadoop yarn spark
hadoop mapreduce
hadoop spark
hadoop spark
-- 运行mapreduce程序
-- /user/hadoop/output为运行时生成的文件的目录
# bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0-cdh5.14.2.jar
wordcount /user/hadoop/input/ /user/hadoop/output
-- 查看输出结果
# bin/hdfs dfs -cat /user/hadoop/output/*
hadoop 4
mapreduce 1
spark 3
yarn 1
```
或者在浏览器中查看
![](https://img.kancloud.cn/a0/f4/a0f48ace25e25bd1c0cf6410e7afccb6_1729x551.png)
```shell
-- 将测试文件内容下载到本地,即下载到 ./wcoutput/目录下
# bin/hdfs dfs -get /user/hadoop/output/part-r-00000 ./wcoutput/
-- 删除输出结果
# bin/hdfs dfs -rm -r /user/hadoop/output
```
<br/>
# 2. 配置Yarn
**一:配置集群**
1. 在 {hadoop_home}/etc/hadoop/yarn-env.sh 配置文件中指定jdk目录。
```shell
# 找到jdk的安装位置
# some Java parameters
export JAVA_HOME=/usr/local/software/jdk1.8.0_171/
```
2. 在 {hadoop_home}/etc/hadoop/yarn-site.xml 配置文件中指定ResourceMnanager地址。
```xml
<configuration>
<!-- reducer获取数据的方式 -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 指定YARN的ResourceManager的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hadoop101</value>
</property>
</configuration>
```
3. 在 {hadoop_home}/etc/hadoop/mapred-env.sh 配置文件指定jdk位置。
```xml
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# 找到jdk位置
export JAVA_HOME=/usr/local/software/jdk1.8.0_171/
```
4. 在 {hadoop_home}/etc/hadoop/mapred-site.xml 配置文件指定MapReduce运行在yarn上
```xml
-- 将mapred-site.xml.template重命名为mapred-site.xml
# mv mapred-site.xml.template mapred-site.xml
-- 在mapred-site.xml做如下配置
<configuration>
<!-- 指定MapReduce运行在yarn上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
```
**二:启动yarn集群**
1. 启动yarn集群
```xml
-- 启动前先确保namenode和datanode已经启动
-- 查看是否已经启动namenode和datanode
# jps
4194 DataNode
4855 Jps
4061 NameNode
4365 SecondaryNameNode
-- 出现上面信息则启动,如果没有启动到hadoop安装目录下执行启动
# sbin/start-dfs.sh
-- 到hadoop的安装目录下启动yarn
# sbin/start-yarn.sh
[root@hadoop101 hadoop]# jps
3505 NodeManager
3223 ResourceManager
3631 Jps
```
如果只需要单独启动resourcemanager请执行 `sbin/yarn-daemon.sh start resourcemanager` ;
如果只需要单独启动nodemanager请执行`sbin/yarn-daemon.sh start nodemanager` ;
2. 浏览器访问
浏览器访问 http://hadoop101:8088/cluster 出现如下页面启动成功
![](https://img.kancloud.cn/b1/2f/b12f2b3996693deb8557db46fafebe59_1336x565.png)<br/>
**三:集群操作**
下面的操作均在hadoop的安装目录下执行。
```xml
-- 在hdfs文件系统上创建一个input目录
# bin/hdfs dfs -mkdir -p /lean/hadoop/input
-- 将测试文件内容上传到文件系统上
# bin/hdfs dfs -put wcinput/wc.input /lean/hadoop/input/
-- 运行mapreduce程序
-- /lean/hadoop/output为运行时生成的文件的目录
# bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0-cdh5.14.2.jar
wordcount /lean/hadoop/input/ /lean/hadoop/output
-- 查看运行结果
# bin/hdfs dfs -cat /lean/hadoop/output/*
hadoop 4
mapreduce 1
spark 3
yarn 1
```
或者在HDFS页面查看
![](https://img.kancloud.cn/b7/8d/b78d80a6b281582e7946441d0d3522da_1723x559.png)
可在yarn页面上查看提交次数和完成次数等信息
![](https://img.kancloud.cn/59/4d/594d6cdbf9318301438a823879a22eeb_1463x459.png)
<br/>
# 3. 配置历史服务器
配置历史服务器可以查看MapReduce任务的详情信息,查看日志,定位错误等信息。
1. 在 {hadoop_home}/etc/hadoop/mapred-site.xml 配置文件中配置历史服务器访问地址。
```xml
<property>
<name>mapreduce.jobhistory.address</name>
<value>hadoop101:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop101:19888</value>
</property>
```
2. 启动历史服务器
```xml
-- 回到hadoop目下启动历史服务器
# sbin/mr-jobhistory-daemon.sh start historyserver
-- 查看历史服务器是否已经启动,输出JobHistoryServer表示启动
# jps
6329 JobHistoryServer
6398 Jps
```
3. 浏览器访问
访问 http://hadoop101:19888/jobhistory ,历史页面显示如下
![](https://img.kancloud.cn/33/4c/334c8228188d2167f553b9acf1e1f119_1354x484.png)
<br/>
# 4. 配置日志聚集
日志聚集概念:应用运行完成以后,将日志信息上传到HDFS系统上,方便查看。
1. 在{hadoop_home}/etc/hadoop/yarn-site.xml配置进行相关配置。
```xml
<!-- 日志聚集功能开启 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 日志保留时间设置7天 -->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
```
2. 关闭nodemanager 、resourcemanager(yarn)、historymanager(历史服务器)
```xml
-- 回到hadoop的安装目录下执行
# sbin/yarn-daemon.sh stop resourcemanage
# sbin/yarn-daemon.sh stop nodemanage
# sbin/mr-jobhistory-daemon.sh stop historyserver
```
3. 启动nodemanager 、resourcemanager(yarn)、historymanager(历史服务器)
```xml
# sbin/yarn-daemon.sh start resourcemanager
# sbin/yarn-daemon.sh start nodemanager
# sbin/mr-jobhistory-daemon.sh start historyserver
```
4. 测试:删除hdfs上已经存在的hdfs文件,然后重新生成
```xml
# bin/hdfs dfs -rm -R /lean/hadoop/output
# hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0-cdh5.14.2.jar
wordcount /lean/hadoop/input /lean/hadoop/outpu
```
5. 浏览器访问历史
访问 http://hadoop101:19888/jobhistory ,日志相关信息如下
![](https://img.kancloud.cn/14/a8/14a89381e937828ad77d0c37230f7157_1899x541.png)
- Hadoop
- hadoop是什么?
- Hadoop组成
- hadoop官网
- hadoop安装
- hadoop配置
- 本地运行模式配置
- 伪分布运行模式配置
- 完全分布运行模式配置
- HDFS分布式文件系统
- HDFS架构
- HDFS设计思想
- HDFS组成架构
- HDFS文件块大小
- HDFS优缺点
- HDFS Shell操作
- HDFS JavaAPI
- 基本使用
- HDFS的I/O 流操作
- 在SpringBoot项目中的API
- HDFS读写流程
- HDFS写流程
- HDFS读流程
- NN和SNN关系
- NN和SNN工作机制
- Fsimage和 Edits解析
- checkpoint时间设置
- NameNode故障处理
- 集群安全模式
- DataNode工作机制
- 支持的文件格式
- MapReduce分布式计算模型
- MapReduce是什么?
- MapReduce设计思想
- MapReduce优缺点
- MapReduce基本使用
- MapReduce编程规范
- WordCount案例
- MapReduce任务进程
- Hadoop序列化对象
- 为什么要序列化
- 常用数据序列化类型
- 自定义序列化对象
- MapReduce框架原理
- MapReduce工作流程
- MapReduce核心类
- MapTask工作机制
- Shuffle机制
- Partition分区
- Combiner合并
- ReduceTask工作机制
- OutputFormat
- 使用MapReduce实现SQL Join操作
- Reduce join
- Reduce join 代码实现
- Map join
- Map join 案例实操
- MapReduce 开发总结
- Hadoop 优化
- MapReduce 优化需要考虑的点
- MapReduce 优化方法
- 分布式资源调度框架 Yarn
- Yarn 基本架构
- ResourceManager(RM)
- NodeManager(NM)
- ApplicationMaster
- Container
- 作业提交全过程
- JobHistoryServer 使用
- 资源调度器
- 先进先出调度器(FIFO)
- 容量调度器(Capacity Scheduler)
- 公平调度器(Fair Scheduler)
- Yarn 常用命令
- Zookeeper
- zookeeper是什么?
- zookeeper完全分布式搭建
- Zookeeper特点
- Zookeeper数据结构
- Zookeeper 内部原理
- 选举机制
- stat 信息中字段解释
- 选择机制中的概念
- 选举消息内容
- 监听器原理
- Hadoop 高可用集群搭建
- Zookeeper 应用
- Zookeeper Shell操作
- Zookeeper Java应用
- Hive
- Hive是什么?
- Hive的优缺点
- Hive架构
- Hive元数据存储模式
- 内嵌模式
- 本地模式
- 远程模式
- Hive环境搭建
- 伪分布式环境搭建
- Hive命令工具
- 命令行模式
- 交互模式
- Hive数据类型
- Hive数据结构
- 参数配置方式
- Hive数据库
- 数据库存储位置
- 数据库操作
- 表的创建
- 建表基本语法
- 内部表
- 外部表
- 临时表
- 建表高阶语句
- 表的删除与修改
- 分区表
- 静态分区
- 动态分区
- 分桶表
- 创建分桶表
- 分桶抽样
- Hive视图
- 视图的创建
- 侧视图Lateral View
- Hive数据导入导出
- 导入数据
- 导出数据
- 查询表数据量
- Hive事务
- 事务是什么?
- Hive事务的局限性和特点
- Hive事务的开启和设置
- Hive PLSQL
- Hive高阶查询
- 查询基本语法
- 基本查询
- distinct去重
- where语句
- 列正则表达式
- 虚拟列
- CTE查询
- 嵌套查询
- join语句
- 内连接
- 左连接
- 右连接
- 全连接
- 多表连接
- 笛卡尔积
- left semi join
- group by分组
- having刷选
- union与union all
- 排序
- order by
- sort by
- distribute by
- cluster by
- 聚合运算
- 基本聚合
- 高级聚合
- 窗口函数
- 序列窗口函数
- 聚合窗口函数
- 分析窗口函数
- 窗口函数练习
- 窗口子句
- Hive函数
- Hive函数分类
- 字符串函数
- 类型转换函数
- 数学函数
- 日期函数
- 集合函数
- 条件函数
- 聚合函数
- 表生成函数
- 自定义Hive函数
- 自定义函数分类
- 自定义Hive函数流程
- 添加JAR包的方式
- 自定义临时函数
- 自定义永久函数
- Hive优化
- Hive性能调优工具
- EXPLAIN
- ANALYZE
- Fetch抓取
- 本地模式
- 表的优化
- 小表 join 大表
- 大表 join 大表
- 开启Map Join
- group by
- count(distinct)
- 笛卡尔积
- 行列过滤
- 动态分区调整
- 分区分桶表
- 数据倾斜
- 数据倾斜原因
- 调整Map数
- 调整Reduce数
- 产生数据倾斜的场景
- 并行执行
- 严格模式
- JVM重用
- 推测执行
- 启用CBO
- 启动矢量化
- 使用Tez引擎
- 压缩算法和文件格式
- 文件格式
- 压缩算法
- Zeppelin
- Zeppelin是什么?
- Zeppelin安装
- 配置Hive解释器
- Hbase
- Hbase是什么?
- Hbase环境搭建
- Hbase分布式环境搭建
- Hbase伪分布式环境搭建
- Hbase架构
- Hbase架构组件
- Hbase数据存储结构
- Hbase原理
- Hbase Shell
- 基本操作
- 表操作
- namespace
- Hbase Java Api
- Phoenix集成Hbase
- Phoenix是什么?
- 安装Phoenix
- Phoenix数据类型
- Phoenix Shell
- HBase与Hive集成
- HBase与Hive的对比
- HBase与Hive集成使用
- Hbase与Hive集成原理
- HBase优化
- RowKey设计
- 内存优化
- 基础优化
- Hbase管理
- 权限管理
- Region管理
- Region的自动拆分
- Region的预拆分
- 到底采用哪种拆分策略?
- Region的合并
- HFile的合并
- 为什么要有HFile的合并
- HFile合并方式
- Compaction执行时间
- Compaction相关控制参数
- 演示示例
- Sqoop
- Sqoop是什么?
- Sqoop环境搭建
- RDBMS导入到HDFS
- RDBMS导入到Hive
- RDBMS导入到Hbase
- HDFS导出到RDBMS
- 使用sqoop脚本
- Sqoop常用命令
- Hadoop数据模型
- TextFile
- SequenceFile
- Avro
- Parquet
- RC&ORC
- 文件存储格式比较
- Spark
- Spark是什么?
- Spark优势
- Spark与MapReduce比较
- Spark技术栈
- Spark安装
- Spark Shell
- Spark架构
- Spark编程入口
- 编程入口API
- SparkContext
- SparkSession
- Spark的maven依赖
- Spark RDD编程
- Spark核心数据结构-RDD
- RDD 概念
- RDD 特性
- RDD编程
- RDD编程流程
- pom依赖
- 创建算子
- 转换算子
- 动作算子
- 持久化算子
- RDD 与闭包
- csv/json数据源
- Spark分布式计算原理
- RDD依赖
- RDD转换
- RDD依赖
- DAG工作原理
- Spark Shuffle原理
- Shuffle的作用
- ShuffleManager组件
- Shuffle实践
- RDD持久化
- 缓存机制
- 检查点
- 检查点与缓存的区别
- RDD共享变量
- 广播变量
- 累计器
- RDD分区设计
- 数据倾斜
- 数据倾斜的根本原因
- 定位导致的数据倾斜
- 常见数据倾斜解决方案
- Spark SQL
- SQL on Hadoop
- Spark SQL是什么
- Spark SQL特点
- Spark SQL架构
- Spark SQL运行原理
- Spark SQL编程
- Spark SQL编程入口
- 创建Dataset
- Dataset是什么
- SparkSession创建Dataset
- 样例类创建Dataset
- 创建DataFrame
- DataFrame是什么
- 结构化数据文件创建DataFrame
- RDD创建DataFrame
- Hive表创建DataFrame
- JDBC创建DataFrame
- SparkSession创建
- RDD、DataFrame、Dataset
- 三者对比
- 三者相互转换
- RDD转换为DataFrame
- DataFrame转换为RDD
- DataFrame API
- DataFrame API分类
- Action 操作
- 基础 Dataset 函数
- 强类型转换
- 弱类型转换
- Spark SQL外部数据源
- Parquet文件
- Hive表
- RDBMS表
- JSON/CSV
- Spark SQL函数
- Spark SQL内置函数
- 自定SparkSQL函数
- Spark SQL CLI
- Spark SQL性能优化
- Spark GraphX图形数据分析
- 为什么需要图计算
- 图的概念
- 图的术语
- 图的经典表示法
- Spark Graphix简介
- Graphx核心抽象
- Graphx Scala API
- 核心组件
- 属性图应用示例1
- 属性图应用示例2
- 查看图信息
- 图的算子
- 连通分量
- PageRank算法
- Pregel分布式计算框架
- Flume日志收集
- Flume是什么?
- Flume官方文档
- Flume架构
- Flume安装
- Flume使用过程
- Flume组件
- Flume工作流程
- Flume事务
- Source、Channel、Sink文档
- Source文档
- Channel文档
- Sink文档
- Flume拦截器
- Flume拦截器概念
- 配置拦截器
- 自定义拦截器
- Flume可靠性保证
- 故障转移
- 负载均衡
- 多层代理
- 多路复用
- Kafka
- 消息中间件MQ
- Kafka是什么?
- Kafka安装
- Kafka本地单机部署
- Kafka基本命令使用
- Topic的生产与消费
- 基本命令
- 查看kafka目录
- Kafka架构
- Kafka Topic
- Kafka Producer
- Kafka Consumer
- Kafka Partition
- Kafka Message
- Kafka Broker
- 存储策略
- ZooKeeper在Kafka中的作用
- 副本同步
- 容灾
- 高吞吐
- Leader均衡机制
- Kafka Scala API
- Producer API
- Consumer API
- Kafka优化
- 消费者参数优化
- 生产者参数优化
- Spark Streaming
- 什么是流?
- 批处理和流处理
- Spark Streaming简介
- 流数据处理架构
- 内部工作流程
- StreamingContext组件
- SparkStreaming的编程入口
- WordCount案例
- DStream
- DStream是什么?
- Input DStream与Receivers接收器
- DStream API
- 转换操作
- 输出操作
- 数据源
- 数据源分类
- Socket数据源
- 统计HDFS文件的词频
- 处理状态数据
- SparkStreaming整合SparkSQL
- SparkStreaming整合Flume
- SparkStreaming整合Kafka
- 自定义数据源
- Spark Streaming优化策略
- 优化运行时间
- 优化内存使用
- 数据仓库
- 数据仓库是什么?
- 数据仓库的意义
- 数据仓库和数据库的区别
- OLTP和OLAP的区别
- OLTP的特点
- OLAP的特点
- OLTP与OLAP对比
- 数据仓库架构
- Inmon架构
- Kimball架构
- 混合型架构
- 数据仓库的解决方案
- 数据ETL
- 数据仓库建模流程
- 维度模型
- 星型模式
- 雪花模型
- 星座模型
- 数据ETL处理
- 数仓分层术语
- 数据抽取方式
- CDC抽取方案
- 数据转换
- 常见的ETL工具