Hadoop 介绍
Hadoop-大数据开源世界的亚当夏娃。
核心是 HDFS 数据存储系统，和 MapReduce 分布式计算框架。
HDFS
原理是把大块数据切碎，
每个碎块复制三份，分开放在三个廉价机上，一直保持有三块可用的数据互为备份。使用的时候只从其中一个备份读出来，这个碎块数据就有了。
存数据的叫 datenode（格子间），管理 datenode 的叫 namenode（执伞人）。
MapReduce
原理是大任务先分堆处理-Map，再汇总处理结果-Reduce。分和汇是多台服务器并行进行，才能体现集群的威力。难度在于如何把任务拆解成符合 MapReduce 模型的分和汇，以及中间过程的输入输出<k,v> 都是什么。
单机版 Hadoop 介绍
对于学习 hadoop 原理和 hadoop 开发的人来说，搭建一套 hadoop 系统是必须的。但
配置该系统是非常头疼的，很多人配置过程就放弃了。
没有服务器供你使用
这里介绍一种免配置的单机版 hadoop 安装使用方法，可以简单快速的跑一跑 hadoop 例子辅助学习、开发和测试。
要求笔记本上装了 Linux 虚拟机，虚拟机上装了 docker。
安装
使用 docker 下载 sequenceiq/hadoop-docker:2.7.0 镜像并运行。
[root@bogon ~]# docker pull sequenceiq/hadoop-docker:2.7.0 2.7.0: Pulling from sequenceiq/hadoop-docker860d0823bcab: Pulling fs layer e592c61b2522: Pulling fs layer
复制代码
下载成功输出
Digest: sha256:a40761746eca036fee6aafdf9fdbd6878ac3dd9a7cd83c0f3f5d8a0e6350c76aStatus: Downloaded newer image for sequenceiq/hadoop-docker:2.7.0
复制代码
启动
[root@bogon ~]# docker run -it sequenceiq/hadoop-docker:2.7.0 /etc/bootstrap.sh -bash --privileged=trueStarting sshd: [ OK ]Starting namenodes on [b7a42f79339c]b7a42f79339c: starting namenode, logging to /usr/local/hadoop/logs/hadoop-root-namenode-b7a42f79339c.outlocalhost: starting datanode, logging to /usr/local/hadoop/logs/hadoop-root-datanode-b7a42f79339c.outStarting secondary namenodes [0.0.0.0]0.0.0.0: starting secondarynamenode, logging to /usr/local/hadoop/logs/hadoop-root-secondarynamenode-b7a42f79339c.outstarting yarn daemonsstarting resourcemanager, logging to /usr/local/hadoop/logs/yarn--resourcemanager-b7a42f79339c.outlocalhost: starting nodemanager, logging to /usr/local/hadoop/logs/yarn-root-nodemanager-b7a42f79339c.out
复制代码
启动成功后命令行 shell 会自动进入 Hadoop 的容器环境，不需要执行 docker exec。在容器环境进入/usr/local/hadoop/sbin，执行./start-all.sh 和./mr-jobhistory-daemon.sh start historyserver，如下
bash-4.1# cd /usr/local/hadoop/sbinbash-4.1# ./start-all.shThis script is Deprecated. Instead use start-dfs.sh and start-yarn.sh
Starting namenodes on [b7a42f79339c]b7a42f79339c: namenode running as process 128. Stop it first.
localhost: datanode running as process 219. Stop it first.Starting secondary namenodes [0.0.0.0]0.0.0.0: secondarynamenode running as process 402. Stop it first.
starting yarn daemonsresourcemanager running as process 547. Stop it first.localhost: nodemanager running as process 641. Stop it first.
bash-4.1# ./mr-jobhistory-daemon.sh start historyserverchown: missing operand after `/usr/local/hadoop/logs'Try `chown --help' for more information.starting historyserver, logging to /usr/local/hadoop/logs/mapred--historyserver-b7a42f79339c.out
复制代码
Hadoop 启动完成，如此简单。
要问分布式部署有多麻烦，数数光配置文件就有多少个吧！我亲眼见过一个 hadoop 老鸟，因为新换的服务器 hostname 主机名带横线“-”，配了一上午，环境硬是没起来。
运行自带的例子
回到 Hadoop 主目录,运行示例程序
bash-4.1# cd /usr/local/hadoopbash-4.1# bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.0.jar grep input output 'dfs[a-z.]+' 20/07/05 22:34:41 INFO client.RMProxy: Connecting to ResourceManager at /0.0.0.0:803220/07/05 22:34:43 INFO input.FileInputFormat: Total input paths to process : 3120/07/05 22:34:43 INFO mapreduce.JobSubmitter: number of splits:3120/07/05 22:34:44 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1594002714328_000120/07/05 22:34:44 INFO impl.YarnClientImpl: Submitted application application_1594002714328_000120/07/05 22:34:45 INFO mapreduce.Job: The url to track the job: http://b7a42f79339c:8088/proxy/application_1594002714328_0001/20/07/05 22:34:45 INFO mapreduce.Job: Running job: job_1594002714328_000120/07/05 22:35:04 INFO mapreduce.Job: Job job_1594002714328_0001 running in uber mode : false20/07/05 22:35:04 INFO mapreduce.Job: map 0% reduce 0%20/07/05 22:37:59 INFO mapreduce.Job: map 11% reduce 0%20/07/05 22:38:05 INFO mapreduce.Job: map 12% reduce 0%
复制代码
mapreduce 计算完成，有如下输出
20/07/05 22:55:26 INFO mapreduce.Job: Counters: 49 File System Counters FILE: Number of bytes read=291 FILE: Number of bytes written=230541 FILE: Number of read operations=0 FILE: Number of large read operations=0 FILE: Number of write operations=0 HDFS: Number of bytes read=569 HDFS: Number of bytes written=197 HDFS: Number of read operations=7 HDFS: Number of large read operations=0 HDFS: Number of write operations=2 Job Counters Launched map tasks=1 Launched reduce tasks=1 Data-local map tasks=1 Total time spent by all maps in occupied slots (ms)=5929 Total time spent by all reduces in occupied slots (ms)=8545 Total time spent by all map tasks (ms)=5929 Total time spent by all reduce tasks (ms)=8545 Total vcore-seconds taken by all map tasks=5929 Total vcore-seconds taken by all reduce tasks=8545 Total megabyte-seconds taken by all map tasks=6071296 Total megabyte-seconds taken by all reduce tasks=8750080 Map-Reduce Framework Map input records=11 Map output records=11 Map output bytes=263 Map output materialized bytes=291 Input split bytes=132 Combine input records=0 Combine output records=0 Reduce input groups=5 Reduce shuffle bytes=291 Reduce input records=11 Reduce output records=11 Spilled Records=22 Shuffled Maps =1 Failed Shuffles=0 Merged Map outputs=1 GC time elapsed (ms)=159 CPU time spent (ms)=1280 Physical memory (bytes) snapshot=303452160 Virtual memory (bytes) snapshot=1291390976 Total committed heap usage (bytes)=136450048 Shuffle Errors BAD_ID=0 CONNECTION=0 IO_ERROR=0 WRONG_LENGTH=0 WRONG_MAP=0 WRONG_REDUCE=0 File Input Format Counters Bytes Read=437 File Output Format Counters Bytes Written=197
复制代码
hdfs 命令查看输出结果
bash-4.1# bin/hdfs dfs -cat output/*6 dfs.audit.logger4 dfs.class3 dfs.server.namenode.2 dfs.period2 dfs.audit.log.maxfilesize2 dfs.audit.log.maxbackupindex1 dfsmetrics.log1 dfsadmin1 dfs.servers1 dfs.replication1 dfs.file
复制代码
例子讲解
grep 是一个在输入中计算正则表达式匹配的 mapreduce 程序，筛选出符合正则的字符串以及出现次数。
shell 的 grep 结果会显示完整的一行，这个命令只显示行中匹配的那个字符串
grep input output 'dfs[a-z.]+'
复制代码
正则表达式 dfs[a-z.]+，表示字符串要以 dfs 开头，后面是小写字母或者换行符\n 之外的任意单个字符都可以，数量一个或者多个。
输入是 input 里的所有文件，
bash-4.1# ls -lrttotal 48-rw-r--r--. 1 root root 690 May 16 2015 yarn-site.xml-rw-r--r--. 1 root root 5511 May 16 2015 kms-site.xml-rw-r--r--. 1 root root 3518 May 16 2015 kms-acls.xml-rw-r--r--. 1 root root 620 May 16 2015 httpfs-site.xml-rw-r--r--. 1 root root 775 May 16 2015 hdfs-site.xml-rw-r--r--. 1 root root 9683 May 16 2015 hadoop-policy.xml-rw-r--r--. 1 root root 774 May 16 2015 core-site.xml-rw-r--r--. 1 root root 4436 May 16 2015 capacity-scheduler.xml
复制代码
结果输出到 output。
计算流程如下
稍有不同的是这里有两次 reduce，第二次 reduce 就是把结果按照出现次数排个序。map 和 reduce 流程开发者自己随意组合，只要各流程的输入输出能衔接上就行。
管理系统介绍
Hadoop 提供了 web 界面的管理系统，
加命令参数
docker run 命令要加入参数，才能访问 UI 管理页面
docker run -it -p 50070:50070 -p 8088:8088 -p 50075:50075 sequenceiq/hadoop-docker:2.7.0 /etc/bootstrap.sh -bash --privileged=true
复制代码
执行这条命令后在宿主机浏览器就可以查看系统了，当然如果 Linux 有浏览器也可以查看。我的 Linux 没有图形界面，所以在宿主机查看。
50070 Hadoop Namenode UI 端口
50075 Hadoop Datanode UI 端口
8088 Yarn 任务监控端口
已完成和正在运行的 mapreduce 任务都可以在 8088 里查看，上图有 gerp 和 wordcount 两个任务。
一些问题
一、./sbin/mr-jobhistory-daemon.sh start historyserver 必须执行，否则运行任务过程中会报
20/06/29 21:18:49 INFO ipc.Client: Retrying connect to server: 0.0.0.0/0.0.0.0:10020. Already tried 9 time(s); retry policy is RetryUpToMaximumCountWithFixedSleep(maxRetries=10, sleepTime=1000 MILLISECONDS)java.io.IOException: java.net.ConnectException: Call From 87a4217b9f8a/172.17.0.1 to 0.0.0.0:10020 failed on connection exception: java.net.ConnectException: Connection refused; For more details see: http://wiki.apache.org/hadoop/ConnectionRefused
复制代码
二、./start-all.sh 必须执行否则报形如
Unknown Job job15929601647480001 错误
三、docker run 命令后面必须加--privileged=true，否则运行任务过程中会报 java.io.IOException: Job status not available
四、注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。或者换成 output01 试试？
总结
本文方法可以低成本的完成 Hadoop 的安装配置，对于学习理解和开发测试都有帮助的。如果开发自己的 Hadoop 程序，需要将程序打 jar 包上传到 share/hadoop/mapreduce/目录，执行
bin/hadoop jar share/hadoop/mapreduce/yourtest.jar
复制代码
来运行程序观察效果。
评论