Hadoop集群搭建及Python操作

 最近项目中在做千亿大数据存储检索需求，要把10T的文本数据进行解析处理存入数据库进行实时检索，文件的存储成为一个首要处理的问题，使用了多种存储方式，都不是很满足要求，最后使用 HDFS 分布式文件存储系统发现效率、管理等各方面都挺不错，就研究了一下搭建使用方式，特此记录文档

环境

修改主机名

# 按照上面环境配置修改每个机器的hostname 
vi /etc/hostname 
 
# 使用hostname命令使其生效，就不用重启了 
hostname xxxx 

修改hosts文件

vi /etc/hosts 
 
192.168.143.130 master 
192.168.143.131 slave1 
192.168.143.132 slave2 
192.168.143.133 slave3 
192.168.143.134 slave4 

配置免密登录

ssh-keygen -t rsa 
 
ssh-copy-id -i ~/.ssh/id_rsa.pub master 
ssh-copy-id -i ~/.ssh/id_rsa.pub slave1 
ssh-copy-id -i ~/.ssh/id_rsa.pub slave2 
ssh-copy-id -i ~/.ssh/id_rsa.pub slave3 
ssh-copy-id -i ~/.ssh/id_rsa.pub slave4 

安装JDK(每台机器)

apt-get install -y openjdk-8-jre-headless openjdk-8-jdk 

配置环境变量

在/etc/profile文件最后添加如下内容：

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64 
export CLASSPATH=.:$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools/jar 
export HADOOP_HOME=/usr/hadoop-3.3.0/ 
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin 
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop 
export HADOOP_COMMON_HOME=$HADOOP_HOME 
export HADOOP_HDFS_HOME=$HADOOP_HOME 
export HADOOP_MAPRED_HOME=$HADOOP_HOME 
export HADOOP_YARN_HOME=$HADOOP_HOME 
export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib/native" 
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native 

使环境变量生效

source /etc/profile 

创建目录(每天机器)

创建目录的时候要注意，先通过df -h命令查看本机上的磁盘空间，确定好数据存储的磁盘，然后创建以下三个目录，在下面的配置文件hdfs-site.xml中修改对应的目录配置即可

mkdir -p /home/hadoop/dfs/name 
mkdir -p /home/hadoop/dfs/data 
mkdir -p /home/hadoop/temp 

安装配置Hadoop

下载Hadoop安装包

http://archive.apache.org/dist/hadoop/core/stable/hadoop-3.3.0.tar.gz

# 解压后拷贝到/usr目录下 
tar -xzvf hadoop-3.3.0.tar.gz 
mv hadoop-3.3.0 /usr 

配置Hadoop

配置文件在

/usr/hadoop-3.3.0/etc/hadoop目录下

hadoop-env.sh

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64 
export HDFS_NAMENODE_USER=root 
export HDFS_DATANODE_USER=root 
export HDFS_SECONDARYNAMENODE_USER=root 
export YARN_RESOURCEMANAGER_USER=root 
export YARN_NODEMANAGER_USER=root 

core-site.xml

<configuration> 
  <property> 
    <name>fs.defaultFS</name> 
    <value>hdfs://master:9000</value> 
  </property> 
  <property> 
    <name>hadoop.http.staticuser.user</name> 
    <value>root</value> 
  </property> 
  <property> 
    <name>dfs.permissions.enabled</name> 
    <value>false</value> 
  </property> 
</configuration> 

hdfs-site.xml配置多个文件存储目录，使用逗号隔开即可

<configuration> 
  <property> 
    <name>dfs.namenode.name.dir</name> 
    <value>/home/hadoop/dfs/name</value> 
  </property> 
  <property> 
    <name>dfs.dataname.data.dir</name> 
    <value>/home/hadoop/dfs/data,/usr1/hadoop/dfs/data</value> 
  </property> 
  <property> 
    <name>dfs.replication</name> 
    <value>2</value> 
  </property> 
</configuration> 

mapred-site.xml

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

yarn-site.xml

<configuration> 
  <property> 
    <name>yarn.resourcemanager.hostname</name> 
    <value>master</value> 
  </property> 
  <property> 
    <name>yarn.resourcemanager.webapp.address</name> 
    <value>master:8088</value> 
  </property> 
  <property> 
    <name>yarn.nodemanager.aux-services</name> 
    <value>mapreduce_shuffle</value> 
  </property> 
</configuration> 

 workers

这里配置的就是DataNode的存储机器，不建议用master作为存储，如果存满了集群就不能用了

slave1 
slave2 
slave3 
slave4 

将master上的/usr/hadoop-3.3.9拷贝到其他机器即可

scp /usr/hadoop-3.3.0 slave1:/usr 
scp /usr/hadoop-3.3.0 slave2:/usr 
scp /usr/hadoop-3.3.0 slave3:/usr 
scp /usr/hadoop-3.3.0 slave4:/usr 

格式化HDFS目录（在master机器）

hdfs namenode-format 

启动Hadoop

在master机器上执行就可以了，执行完以后可以使用jps命令在所有机器上查看进程状态

cd /usr/hadoop-3.3.0/sbin 
./start-all.sh 

查看进程状态

在master和slave上分别执行jps命令

查看是否成功

在浏览器上打开下面的网页，看能否正常访问

# Hadoop集群信息 
http://192.168.143.130:8088/cluster 
 
# HDFS地址 
http://192.168.143.130:9870/dfshealth.html 
 
# DataNode地址 
http://192.168.143.130:9864/datanode.html 
 
# NodeManager地址 
http://192.168.143.130:8042/node 
 
# SecondaryNameNode 
http://192.168.143.130:9868/status.html 

测试文件上传（master）

hdfs dfs -mkdir /test 
hdfs dfs -put start-dfs.sh /test 

HDFS操作命令

创建文件夹

hdfs dfs -mkdir /myTask 

创建多层文件

hdfs dfs -mkdir -p /myTask/input 

上传文件

hdfs dfs -put /opt/wordcount.txt /myTask 

查看总目录下的文件和文件夹

hdfs dfs -ls / 

查看myTask目录下的wordcount.txt文件内容

hdfs dfs -cat /myTask/wordcount.txt 

删除文件或文件夹

hdfs dfs -rm -r /myTask/wordcount.txt 

下载文件到本地

hdfs dfs -get /myTask/wordcount.txt /opt 

Python操作hdfs

python操作hdfs时，如果要进行上传下载文件，必须在执行代码的机器上配置hosts文件，原因是hdfs的namenode和datanode注册后是以hostname进行记录的，如果不配置直接进行上传下载操作，那么将会采用hostname进行操作，因此需要在本机上配置hdfs集群机器IP和hostname的对应配置。例如我在本机上进行操作，必须配置如下：

C:\Windows\System32\drivers\etc\hosts 
 
192.168.143.130 master 
192.168.143.131 slave1 
192.168.143.132 slave2 
192.168.143.133 slave3 
192.168.143.134 slave4 

安装库

pip install hdfs 

操作

连接

from hdfs.client import Client 
client = Client("http://192.168.143.130:9870") 

创建目录

client.makedirs(hdfs_path) 

删除文件

client.delete(hdfs_path) 

上传文件

client.download(hdfs_path, local_path) 

获取目录下文件列表

client.list(hdfs_path) 

总结

HDFS 文件存储集群的优点是：配置要求低、易于扩展、效率比较高、非常适合大批量文件存储，而且可以提供 web 管理页面，提供非常好的第三方库。在进行 web 开发时，作为文件和图片存储库也是非常好的选择。