欲善其事必先利其器,在深入学习大数据相关技术之前,先手动从0到1搭建一个属于自己的本地Hadoop和Spark运行环境,对于继续研究大数据生态圈各类技术具有重要意义。本文旨在站在研发的角度上通过手动实践搭建运行环境,文中不拖泥带水过多讲述基础知识,结合Hadoop和Spark最新版本,帮助大家跟着步骤一步步实践环境搭建。
(1) 软件包及使用工具版本介绍表:
(2)环境部署与分布介绍表:
(3)进程介绍:(1表示进程存在,0表示不存在)
2. 系统基础环境准备
步骤1: 虚拟机中linux系统安装(略)
VirtualBox中安装centos7操作系统
步骤2: CentOS7基础配置
(1) 配置主机的hostname
命令: vim/etc/hostname
(2) 配置hosts, 命令vim /etc/hosts
(3) 安装JDK
命令:
rpm -qa | grep JAVA 查看是否有通过rpm方式安装的java
java -version 查看当前环境变量下的java 版本
1) filezilla上传安装包,tar -zxvf
jdk-8u212-linux-x64.tar.gz 解压
2) bin目录的完整路径:
/usr/local/jdk/jdk1.8.0_212/bin
3) vim /etc/profile 配置jdk环境变量
(4) 复制主机:
1)利用VirtualBox复制功能复制两台主机
2)命令:vi
/etc/sysconfig.NETwork-scripts/ifcfg-eth0,设置相应的网络信息
3)三台主机IP分别为: 192.168.0.20/21/22
(5) 配置三台主机ssh无密码登录(略)
(6) 安装zookeeper
1) filezilla上传安装包,zookeeper-3.4.10.tar.gz 解压
2) bin目录的完整路径:
/usr/local/zookeeper/zookeeper-3.4.10/bin
3) vim /etc/profile 配置jdk环境变量
4) zookeeper的配置文件修改,zookeeper-3.4.10/conf/
5) 执行命令从master节点复制配置到其他两个节点
6) 每台机器zookeeper目录下新建一个data目录, data目录下新建一个myid文件,master主机存放标识值1;slave1主机标识值为2;slave3主机标识值为3
7) 每台机器上命令:zkServer.sh start ,启动ZK,进程名:QuorumPeerMAIn
3. Hadoop安装与部署 3.1安装Hadoop
1)filezilla上传安装包,hadoop-3.3.4.tar.gz 解压
2)bin目录的完整路径: /usr/local/hadoop/hadoop-3.3.4/bin
3)vim /etc/profile 配置jdk环境变量
4) 修改配置文件共6个: hadoop-env.sh、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml和workers
文件1: hadoop-env.sh; 增加jdk环境变量
文件2: core-site.xml; 配置临时目录及zookeeper信息
文件3: hdfs-site.xml; 配置hdfs信息
文件4: mapred-site.xml; 配置mapreduce和dfs权限信息
文件5: yarn-site.xml; 配置yarn资源调度信息
文件6: worker文件存放当前的worker节点名,复制到每一个虚拟机中
3.2启动Hadoop
1) 使用命令: hadoop-daemon.sh start journalnode 启动journalnode 进程(每个节点执行)
2) 使用命令: hadoop-daemon.sh start namenode 启动namenode 进程(master、slave1节点上执行)
3) 使用命令:hadoop-daemon.sh start datanode 在所有节点上启动datanode 进程
4) 使用命令:start-yarn.sh 在master上启动yarn
5) 使用命令: hdfs zkfc -formatZK 在ZK上生成ha节点
6) 使用命令: hadoop-daemon.sh start zkfc 启动 DFSZKFailoverController进程,在master节点执行
a. 访问HDFS的管理页面
http://192.168.0.20:50070 此处192.168.0.20为namenode节点的Active节点
http://192.168.0.21:50070 此处192.168.0.20为namenode节点的standby节点
3.3 验证HDFS使用
使用命令:hdfs dfs -ls / 查看HDFS中文件
使用命令:hdfs dfs -mkdir /input 在HDFS上创建目录
使用命令:hdfs dfs -put ./test.txt /input 将本地文件上传到HDFS指定目录
使用命令:hdfs dfs -get /input/test.txt ./tmp 将HDFS文件复制到本地目录
使用命令:hdfs dfs -text /input/test.txt 查看HDFS上的文本文件
web端浏览HDFS目录
3.4 验证MapReduce的wordcount案例
(1)先通过命令将带有文本内容的test2.txt文件上传到HDFS
(2)对HDFS上test2.txt文件执行wordcount统计,结果放回HDFS新目录,命令:
hadoop jar /usr/local/hadoop/hadoop-3.3.4/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar wordcount /input/test2.txt /out
4. Spark安装与部署 3.1安装Scala
(1)安装scala
上传scala压缩包解压,使用命令:
scala -version 查看当前环境变量下的scala 版本
(2)拷贝scala目录和环境变量到其他两台机器
使用命令:
scp -r /usr/local/scala root@slave1:/usr/local/
scp /etc/profile root@slave1:/etc/profile
3.2安装Spark
(1)上传spark压缩包解压,修改配置文件
命令: vim
/usr/local/spark/spark-3.3.1/conf/spark-env.sh
(2) 新建worker目录,写入master机器名称
3.3启动Spark(1)在master的spark安装目录下启动spark
命令:
cd /usr/local/spark/spark-3.3.1/sbin
./start-all.sh
(2)在slave1同样目录启动master进程
命令:./start-master.sh
(3)访问spark管理页面ui
3.3 验证Spark的wordcount案例
(1)执行命令:
cd /usr/local/spark/spark-3.3.1/bin
./spark-shell --master spark://master:7077
(3)从HDFS读取数据执行自定义wordcount代码,结果写入HDFS,命令:
sc.textFile("hdfs://master:9000/input/test2.txt").flatMap(_.split(" ")).map(word=>(word,1)).reduceByKey(_+_).map(pair=>(pair._2,pair._1)).sortByKey(false).map(pair=>(pair._2,pair._1)).saveAsTextFile("hdfs://master:9000/spark_out")
(4)输出结果:
5. 后记
大数据技术日新月异,得益于互联网技术加持下的商业和工业模式变革。人们日益增长的对生活生产便捷性、数字化、智能化的需求,催生了数据爆炸式的增长,推动了大数据技术推陈出新。作为新时代的程序开发者,必须掌握一定的大数据基础知识才能适应时代的要求,本文只是一个引子,从自身实践的角度帮助初学者认识大数据,并基于此搭建自己属于自己的开发环境,希望大家能够在此基础上继续钻研有所建树。
作者:京东物流 秦彪