Docker搭建大数据平台之Hadoop, Spark,Hive初探

云计算 云原生
本文基于云原生docker,搭建单机版的大数据平台,初探大数据相关技术的搭建使用,抛砖引玉。

​想了解更多关于开源的内容,请访问:​

​51CTO 开源基础软件社区​

​https://ost.51cto.com​

一、 文章前序

1、序言

  • 网络的发达,使得世界上有网络的每个地方,无时无刻都在产生数据。这些累积的数据,就像无形的巨大资源,等待着人们去挖掘。于是,大数据处理的理论以及实践随之产生的技术越来越成熟。作为一名开发者,学习理解并使用,或许可以用来解决身边的某些问题。
  • 本文基于云原生docker,搭建单机版的大数据平台,初探大数据相关技术的搭建使用,抛砖引玉。

2、相关技术

  • Zookeeper
    分布式集群管理、master选举、消息发布订阅、数据存储、分布式锁等等。分布式协调服务,用于维护集群配置的一致性、任务提交的事物性、集群中服务的地址管理、集群管理等。
  • HDFS
    分布式文件系统,适合一次写入,多次读出的场景。一个文件经过创建、写入和关闭 之后就不需要改变。
  • Yarn
    分布式资源管理系统,用于同一管理集群中的资源(内存等)
  • MapReduce
    Hadoop的编程框架,用map和reduce方式实现分布式程序设计,类似于Spring。
  • Hive
    数仓工具,Hive进行数据离线批量处理时,需将查询语言先转换成MR任务,由MR批量处理返回结果,所以Hive没法满足数据实时查询分析的需求。
  • Hbase
    Hadoop下的分布式数据库,类似于NoSQL。
  • Sqoop
    用于在Hadoop(Hive)与传统的数据库(mysql、postgresql…)间进行数据的传递。
  • Hadoop
    Hadoop 是一种分析和处理大数据的软件平台,是一个用Java 语言实现的 Apache 的开源软件框架,在大量计算机组成的集群中实现了对海量数据的分布式计算。
    Hadoop=HDFS+Yarn+MapReduce+Hbase+Hive+Zookeeper+Hbase+Hive+Sqoop (生态圈)

3、用户画像

  • 用户画像:
    用户信息标签化。
  • 数据是通过收集用户的社会属性、消费习惯、偏好特征等产生。
  • 通过对数据的分析,对用户或者产品特征进行刻画,统计,从而挖掘潜在的价值信息。
  • 标签分类
  • 统计类标签,例如:近30天类的活跃天数,活跃时长等。
  • 规则类标签,例如:当用户在30天内的活跃天数大于15天时会被打上 活跃用户 的标签。
  • 机器学习挖掘类标签,例如:用户购买商品偏好,用户流失意向等。

二、Docker搭建大数据平台

1、硬件

  • 宿主机:WIN10 笔记本 16G ,VMWare虚拟机。
  • 虚拟机:CentOS8,64位,桥接模式,分配内存8G内存,存储80G。
  • 本文搭建后,使用free -h 查看,使用了4.6G内存。

2、技术框架版本以及下载链接

框架包

描述

下载路径

hadoop-2.7.7

http://archive.apache.org/dist/hadoop/core/hadoop-2.7.7/

hbase-2.1.1

http://archive.apache.org/dist/hbase/1.2.1/

hive-2.3.4

http://archive.apache.org/dist/hive/hive-2.3.4/

jdk1.8.0_144

scala-2.11.12

https://www.scala-lang.org/download/2.11.12.html

spark-2.4.8-bin-hadoop2.7

http://archive.apache.org/dist/spark/spark-2.4.8/

zookeeper-3.4.8

http://archive.apache.org/dist/zookeeper/zookeeper-3.4.8/

3、依赖包已上传到天翼云盘(不限速)

https://cloud.189.cn/t/RF3YrmYb6RZv (访问码:0iz2)。

4、安装Docker

​Docker入门-在线安装、离线安装以及卸载​​。

5、docker创建独立网段

docker network create --subnet=172.18.0.0/16 spark-net

6、容器规划

域名

IP

cloud1

172.18.0.2

cloud2

172.18.0.3

cloud3

172.18.0.4

7、创建基础容器并安装ssh以及免密配置

参数

说明

–name

容器名称

-h

域名

–add-host

/etc/hosts文件中的域名与IP的映射

–net

指定网段

# 拉取基础镜像
docker pull ubuntu
#创建基础容器并设置当前容器IP
docker run --name cloud1 \
--net spark-net --ip 172.18.0.2 \
-h cloud1 \
--add-host cloud1:172.18.0.2 \
--add-host cloud2:172.18.0.3 \
--add-host cloud3:172.18.0.4 \
-it ubuntu
#清空/etc/apt/sources.list文件
echo > /etc/apt/sources.list
#向/etc/apt/sources.list文件写入阿里云镜像地址
cat >> /etc/apt/sources.list <<EOF
deb http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-proposed main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ bionic-backports main restricted universe multiverse
EOF
#安装vim
apt-get update
apt-get install -y vim
apt-get install net-tools
#在容器cloud1中通过apt工具来安装ssh
apt-get install -y ssh
#往~/.bashrc中加入ssh服务启动命令
vim ~/.bashrc
export LC_ALL="C.UTF-8"
/usr/sbin/sshd
#需要创建个目录
mkdir -p /run/sshd
#直接回车
ssh-keygen -t rsa -P ""
#私钥(~/.ssh/id_rsa)由客户端持有
#公钥(~/.ssh/id_rsa.pub)交给服务端
#已认证的公钥(~/.ssh/authorized_keys)由服务端持有,只有已认证公钥的客户端才能连接至服务端
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
#测试是否能连接成功
ssh root@cloud1

8、大数据环境安装

  • 各软件版本

软件

版本

Java

1.8.0_144

Scala

2.11.12

Zookeeper

3.4.10

Hadoop

2.7.7

Spark

2.4.8

Hive

2.3.4

  • 安装目录
mkdir -p /usr/local/spark
  • 将环境所需依赖包拷贝到容器内
# 在容器内创建目录 
mkdir -p /opt/spark_tar
# 如果依赖包放在/opt下 则进入到/opt目录下然后执行如下命令
docker cp apache-hive-2.3.4-bin.tar.gz cloud1:/opt/spark_tar
docker cp hadoop-2.7.7.tar.gz cloud1:/opt/spark_tar
docker cp jdk-8u191-linux-x64.tar.gz cloud1:/opt/spark_tar
docker cp scala-2.11.12.tgz cloud1:/opt/spark_tar
docker cp spark-2.4.8-bin-hadoop2.7.tgz cloud1:/opt/spark_tar
docker cp zookeeper-3.4.10.tar.gz cloud1:/opt/spark_tar
docker cp mysql-connector-java.jar cloud1:/opt/spark_tar
docker cp hive-site.xml cloud1:/opt/spark_tar
#或执行我放在云盘中的脚本 sh cpAllToCloud1.sh
#在容器目录/opt/spark_tar下执行解压
tar -zxvf apache-hive-2.3.4-bin.tar.gz -C /usr/local/spark/
tar -zxvf hadoop-2.7.7.tar.gz -C /usr/local/spark/
tar -zxvf jdk-8u191-linux-x64.tar.gz -C /usr/local/spark/
tar -zxvf scala-2.11.12.tgz -C /usr/local/spark/
tar -zxvf spark-2.4.8-bin-hadoop2.7.tgz -C /usr/local/spark/
tar -zxvf zookeeper-3.4.10.tar.gz -C /usr/local/spark/
mv /usr/local/spark/apache-hive-2.3.4-bin /usr/local/spark/hive-2.3.4
#或执行我的脚本 sh tarAllToUsrLocal.sh (也就是把上面的命令放在一个文件内一次执行)
cd /usr/local/spark/
drwxr-xr-x 9 1000 staff 149 Jul 19 2018 hadoop-2.7.7/
drwxr-xr-x 10 root root 184 Jul 14 17:55 hive-2.3.4/
drwxr-xr-x 7 uucp 143 245 Oct 6 2018 jdk1.8.0_191/
drwxrwxr-x 6 1001 1001 50 Nov 10 2017 scala-2.11.12/
drwxr-xr-x 13 501 1000 211 May 8 2021 spark-2.4.8-bin-hadoop2.7/
drwxr-xr-x 10 1001 1001 4096 Mar 23 2017 zookeeper-3.4.10/
  • 配置环境变量
vim ~/.bashrc
export JAVA_HOME=/usr/local/spark/jdk1.8.0_191
export PATH=$PATH:$JAVA_HOME/bin
export SCALA_HOME=/usr/local/spark/scala-2.11.12
export PATH=$PATH:$SCALA_HOME/bin
export ZOOKEEPER_HOME=/usr/local/spark/zookeeper-3.4.10
export PATH=$PATH:$ZOOKEEPER_HOME/bin
export HADOOP_HOME=/usr/local/spark/hadoop-2.7.7
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
export JAVA_LIBRARY_PATH=$HADOOP_HOME/lib/native
export SPARK_HOME=/usr/local/spark/spark-2.4.8-bin-hadoop2.7
export PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH
export HIVE_HOME=/usr/local/spark/hive-2.3.4
export PATH=$HIVE_HOME/bin:$PATH
source ~/.bashrc

9、Zookeeper安装及配置

#生成配置文件
cp /usr/local/spark/zookeeper-3.4.10/conf/zoo_sample.cfg /usr/local/spark/zookeeper-3.4.10/conf/zoo.cfg
#创建zookeeper数据目录
mkdir -p /root/zookeeper/tmp
#修改配置文件
vim /usr/local/spark/zookeeper-3.4.10/conf/zoo.cfg
#修改配置项
dataDir=/root/zookeeper/tmp
#文件末尾添加
server.1=cloud1:2888:3888
server.2=cloud2:2888:3888
server.3=cloud3:2888:3888
#保存退出
#设置当前Zkserver信息
#~/zookeeper/tmp/myid文件中保存的数字代表本机的Zkserver编号
#在此设置cloud1为编号为1的Zkserver,之后生成cloud2和cloud3之后还需要分别修改此文件
echo 1 > ~/zookeeper/tmp/myid

10、Hadoop安装及配置

  • 修改Hadoop启动配置文件
#修改Hadoop启动配置文件
vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/hadoop-env.sh
#文件末尾添加
export JAVA_HOME=/usr/local/spark/jdk1.8.0_191
export HADOOP_COMMON_LIB_NATIVE_DIR=${HADOOP_HOME}/lib/native
export HADOOP_OPTS="$HADOOP_OPTS -Djava.library.path=${HADOOP_HOME}/lib/native"
export LD_LIBRARY_PATH=$JAVA_LIBRARY_PATH

#保存退出
  • 修改核心配置文件

参数

说明

fs.defaultFS

默认的文件系统

hadoop.tmp.dir

临时文件目录

ha.zookeeper.quorum

Zkserver信息

#修改核心配置文件
vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/core-site.xml
#在<configuration>节点内添加如下配置
<property>
<name>fs.defaultFS</name>
<value>hdfs://ns1</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/root/hadoop/tmp</value>
</property>
<property>
<name>ha.zookeeper.quorum</name>
<value>cloud1:2181,cloud2:2181,cloud3:2181</value>
</property>
  • 修改HDFS配置文件

参数

说明

dfs.nameservices

名称服务,在基于HA的HDFS中,用名称服务来表示当前活动的NameNode

dfs.ha.namenodes.<nameservie>

配置名称服务下有哪些NameNode

dfs.namenode.rpc-address.<nameservice>.<namenode>

配置NameNode远程调用地址

dfs.namenode.http-address.<nameservice>.<namenode>

配置NameNode浏览器访问地址

dfs.namenode.shared.edits.dir

配置名称服务对应的JournalNode

dfs.journalnode.edits.dir JournalNode

存储数据的路径<br />

#修改配置文件
vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/hdfs-site.xml
#在<configuration>节点内添加如下配置
<property>
<name>dfs.nameservices</name>
<value>ns1</value>
</property>
<property>
<name>dfs.ha.namenodes.ns1</name>
<value>nn1,nn2</value>
</property>
<property>
<name>dfs.namenode.rpc-address.ns1.nn1</name>
<value>cloud1:9000</value>
</property>
<property>
<name>dfs.namenode.http-address.ns1.nn1</name>
<value>cloud1:50070</value>
</property>
<property>
<name>dfs.namenode.rpc-address.ns1.nn2</name>
<value>cloud2:9000</value>
</property>
<property>
<name>dfs.namenode.http-address.ns1.nn2</name>
<value>cloud2:50070</value>
</property>
<property>
<name>dfs.namenode.shared.edits.dir</name>
<value>qjournal://cloud1:8485;cloud2:8485;cloud3:8485/ns1</value>
</property>
<property>
<name>dfs.journalnode.edits.dir</name>
<value>/root/hadoop/journal</value>
</property>
<property>
<name>dfs.ha.automatic-failover.enabled</name>
<value>true</value>
</property>
<property>
<name>dfs.client.failover.proxy.provider.ns1</name>
<value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
</property>
<property>
<name>dfs.ha.fencing.methods</name>
<value>
sshfence
shell(/bin/true)
</value>
</property>
<property>
<name>dfs.ha.fencing.ssh.private-key-files</name>
<value>/root/.ssh/id_rsa</value>
</property>
<property>
<name>dfs.ha.fencing.ssh.connect-timeout</name>
<value>30000</value>
</property>
  • 修改Yarn的配置文件

参数

说明

yarn.resourcemanager.hostname

RescourceManager的地址,NodeManager的地址在slaves文件中定义

#修改配置文件
vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/yarn-site.xml
#在<configuration>节点内添加如下配置
<property>
<name>yarn.resourcemanager.hostname</name>
<value>cloud1</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
  • 修改指定DataNode和NodeManager的配置文件
vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/slaves
#改为如下内容
cloud1
cloud2
cloud3

11、Spark安装及配置

  • Spark启动配置文件
#生成启动配置文件
cp /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh.template /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh
#编辑启动配置文件
vim /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh
#文末添加如下配置
export SPARK_MASTER_IP=cloud1
export SPARK_WORKER_MEMORY=1024m
export JAVA_HOME=/usr/local/spark/jdk1.8.0_191
export SCALA_HOME=/usr/local/spark/scala-2.11.12
export SPARK_HOME=/usr/local/spark/spark-2.4.8-bin-hadoop2.7
export HADOOP_CONF_DIR=/usr/local/spark/hadoop-2.7.7/etc/hadoop
export SPARK_LIBRARY_PATH=$SPARK_HOME/lib
export SCALA_LIBRARY_PATH=$SPARK_LIBRARY_PATH
export SPARK_WORKER_CORES=1
export SPARK_WORKER_INSTANCES=1
export SPARK_MASTER_PORT=7077

export LD_LIBRARY_PATH=$JAVA_LIBRARY_PATH
  • 修改指定Worker的配置文件
vim /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/slaves
#改为如下内容
cloud1
cloud2
cloud3
  • 修改文件汇总
root@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/hadoop-env.sh
root@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/core-site.xml
root@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/hdfs-site.xml
root@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/yarn-site.xml
root@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/slaves
root@cloud1:/# cp /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh.template /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh
root@cloud1:/# vim /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh
root@cloud1:/# vim /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/slaves

12、集群部署

  • 提交容器为新镜像
#提交cloud1容器,命令返回新镜像的编号
#为新镜像打标签为Spark
docker commit cloud1 spark:v4
#删除原来的cloud1容器,重新创建
docker stop cloud1
docker rm cloud1
#如果docker网段没创建的话,创建下
docker network create --subnet=172.18.0.0/16 spark-net
  • 用新镜像创建容器
    创建3个ssh的Tab页,分别执行如下命令。
# 50070 端口
# 8088 端口
# 7077 端口 spark
# 9000 端口 hdfs
# 16010 端口 hbase
# 2181 端口 zookeeper
# 10000 端口 hive server
docker run --name cloud1 \
-p 50070:50070 \
-p 8088:8088 \
-p 8080:8080 \
-p 7077:7077 \
-p 9000:9000 \
-p 16010:16010 \
-p 2181:2181 \
-p 10000:10000 \
--net spark-net --ip 172.18.0.2 \
-h cloud1 \
--add-host cloud1:172.18.0.2 \
--add-host cloud2:172.18.0.3 \
--add-host cloud3:172.18.0.4 \
-it spark:v4
docker run --name cloud2  \
--net spark-net --ip 172.18.0.3 \
-h cloud2 \
--add-host cloud1:172.18.0.2 \
--add-host cloud2:172.18.0.3 \
--add-host cloud3:172.18.0.4 \
-it spark:v4
docker run --name cloud3 \
--net spark-net --ip 172.18.0.4 \
-h cloud3 \
--add-host cloud1:172.18.0.2 \
--add-host cloud2:172.18.0.3 \
--add-host cloud3:172.18.0.4 \
-it spark:v4
  • 分别在cloud2和cloud3容器中修改Zookeeper配置
#在cloud2执行
echo 2 > ~/zookeeper/tmp/myid
#在cloud3执行
echo 3 > ~/zookeeper/tmp/myid
  • 在所有节点启动Zkserver
#在所有节点查看Zkserver运行状态:
#显示连接不到Zkserver的错误,可稍后查看
#Master表示主Zkserver,Follower表示从Zkserver
zkServer.sh status

#3个节点分别启动Zkserver
zkServer.sh start
  • hdfs的namenode的HA模式的同步
  • 启动JournalNode

第一次格式化HDFS的过程中,HA会journalnode通讯,所以需要先把三个节点的journalnode启动。

  • 在cloud1节点上执行
# daemons 会启动3个节点的journalnode ,此处执行全启动
hadoop-daemons.sh start journalnode
# daemon 只会启动当前的journalnode
hadoop-daemon.sh start journalnode
  • 格式化NameNode

其中一个namenode(任选1个)上格式化,比如此处选择在cloud1节点上格式化namenode。

hdfs namenode -format
# namenode格式化结果中出现has been successfully formatted.说明格式化成功了
# 然后执行在cloud1节点hadoop-daemon.sh start namenode命令,启动namenode
hadoop-daemon.sh start namenode
  • NameNode同步

另一个namenode位于cloud2,所以需要在cloud2节点上进行namenode同步操作。

hdfs namenode -bootstrapStandby
#成功会提示common.Storage: Storage directory /hadoop/dfs/name has been successfully formatted.
#启动cloud2节点的namenode
hadoop-daemon.sh start namenode
  • 初始化 NameNode ZKFC

在其中一个namenode上初始化zkfc。

hdfs zkfc -formatZK
#Successfully created /hadoop-ha/hdfs1 in ZK.说明ZK格式化成功!
  • 全面启动HDFS
#cloud1节点上执行 停止已启动的HDFS
stop-dfs.sh
#1)停止2个namenode
#2)停止所有datanode
#3)停止所有 journalnode
#4)停止2个zkfc

#全面启动HDFS
start-dfs.sh
  • 在cloud1启动HDFS,Yarn,Spark

启动NameNode,DataNode,zkfc,JournalNode。

#上面启动了,这里就不用执行了
start-dfs.sh
  • 启动ResouceManager,NodeManager
start-yarn.sh
  • 启动Master,Worker
start-all.sh
  • 查看启动进程
root@cloud1:/# jps
2080 NodeManager
305 NameNode
18 QuorumPeerMain
2295 Worker
1816 ResourceManager
971 DataNode
2365 Jps
1167 JournalNode
2207 Master

13、外部web访问地址

服务

地址

HDFS

cloud1:50070

Yarn

cloud1:8088

Spark

cloud1:8080

#查看开放端口
firewall-cmd --zone=public --list-ports
#依次开放端口
firewall-cmd --zone=public --add-port=50070/tcp --permanent
#重新加载配置
firewall-cmd --reload
#重启docker
systemctl daemon-reload
systemctl restart docker

#或者关闭防火墙
#停止firewall
systemctl stop firewalld.service
#禁止firewall开机启动
systemctl disable firewalld.service

14、访问截图

http://192.168.0.135:50070/dfshealth.html#tab-datanode

#夏日挑战赛#,Docker搭建大数据平台之Hadoop,Spark,Hive初探-开源基础软件社区

http://192.168.0.135:8088/cluster。

#夏日挑战赛#,Docker搭建大数据平台之Hadoop,Spark,Hive初探-开源基础软件社区

http://192.168.0.135:8080/。

#夏日挑战赛#,Docker搭建大数据平台之Hadoop,Spark,Hive初探-开源基础软件社区

15、测试提交Spark统计任务

准备待统计文本:

#容器内创建文本
vim /opt/put.txt
#添加如下内容
shao nai yi
nai nai yi yi
shao nai nai

将文本上传到hdfs上:

#hdfs上创建目录
hdfs dfs -mkdir /opt
#上传文本到hdfs上
hdfs dfs -put /opt/put.txt /opt
#查看文件内容
hadoop fs -cat /opt/put.txt

执行Spark统计任务:

spark-submit \
--master spark://cloud1:7077 \
--class com.gtstar.WordCountLocal \
/opt/my_scala-1.0-SNAPSHOT.jar \
hdfs://cloud1:9000/opt/put.txt \
hdfs://cloud1:9000/wc
#注意:my_scala-1.0-SNAPSHOT.jar 在我上传的网盘中,scala编写的简单统计
#核心类 com.gtstar.WordCountLocal
import org.apache.spark.{SparkConf, SparkContext}
object WordCountLocal {
def main(args: Array[String]): Unit = {
var conf = new SparkConf()
conf.setAppName("WordCountLocal")
val sparkContext = new SparkContext(conf)
//读取参数1 (待计算的文本内容,/opt/put.txt)
val textFileRDD = sparkContext.textFile(args(0))
//空格分词
val wordRDD = textFileRDD.flatMap(line => line.split(" "))
//相同的词进行累加
val pairWordRDD = wordRDD.map(word => (word, 1))
val wordCountRDD = pairWordRDD.reduceByKey((a, b) => a + b)
//将结构输出到参数2
wordCountRDD.saveAsTextFile(args(1))
}
}
#源码放在gitee上 https://gitee.com/hxmeng/my_scalam.git

查看统计结果:

#查看输出到hdfs的统计结果
hadoop fs -cat /wc/*
root@cloud1:/opt# hadoop fs -cat /wc/*
(nai,5)
(yi,3)
(shao,2)

16、Hive安装

连接mysql(准备个mysql数据库)。

mysql中执行
# 创建数据库 hive_metadata 并授权限
create database if not exists hive_metadata;
#创建hive用户,并赋予权限
grant all privileges on hive_metadata.* to 'hive'@'%' identified by 'hive';
grant all privileges on hive_metadata.* to 'hive'@'localhost' identified by 'hive';
grant all privileges on hive_metadata.* to 'hive'@'master' identified by 'hive';
flush privileges;

检查环境配置。

#如果已配置,则无需执行
vim ~/.bashrc
export HIVE_HOME=/usr/local/spark/hive-2.3.4
export PATH=$HIVE_HOME/bin:$PATH
source ~/.bashrc

配置hive-site.xml。

cp /usr/local/spark/hive-2.3.4/conf/hive-default.xml.template   /usr/local/spark/hive-2.3.4/conf/hive-site.xml
vim /usr/local/spark/hive-2.3.4/conf/hive-site.xml
# 由于hive-site.xml配置项过多,所以提前配置好
# 从外部拷贝到容器中 docker cp /opt/hive-site.xml cloud1:/opt/
cp /opt/hive-site.xml /usr/local/spark/hive-2.3.4/conf
#注意数据库相关配置,cloud1可替换为外部可连通的IP
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://cloud1:3306/hive_metadata?createDatabaseIfNotExist=true</value>

配置hive-env.sh。

cp /usr/local/spark/hive-2.3.4/conf/hive-env.sh.template   /usr/local/spark/hive-2.3.4/conf/hive-env.sh
vim /usr/local/spark/hive-2.3.4/conf/hive-env.sh
export HADOOP_HOME=/usr/local/spark/hadoop-2.7.7
export HIVE_CONF_DIR=/usr/local/spark/hive-2.3.4/conf
export JAVA_HOME=/usr/local/spark/jdk1.8.0_144
export HIVE_HOME=/usr/local/spark/hive-2.3.4

初始化Hvie元数据到mysql数据库中。

schematool -dbType mysql -initSchema

准备测试导入数据。

vim /opt/users.txt
1,浙江工商大学
2,杭州
3,I love
4,ZJGSU
5,加油哦

执行导入:

保持后执行
hive
进入到命令行模式
创建存储user的Hvie表
hive> create table users(id int, name string) row format delimited fields terminated by ',';
导入数据
hive> load data local inpath '/opt/users.txt' into table users;
验证导入数据
hive> select * from users;

如果执行 hive 时报错:

#检查HDFS主备状态
#查看nn的状态
hdfs haadmin -getServiceState nn1
hdfs haadmin -getServiceState nn2
#强制性把nn1状态置为active:
hdfs haadmin -transitionToActive --forcemanual nn1
#多次格式化的话
# 删除文件夹
rm -rf /root/hadoop/tmp/dfs/data/current
# 重新格式化
hdfs namenode -format

三、基于Docker镜像快速创建

cloud1,cloud2,cloud3三个节点的镜像都放到了天翼云盘上,环境信息均已配置完成,只需要挨个启动就行。

cloud1:​​https://cloud.189.cn/t/Qj6ZBvvANFj2​​ (访问码:hhl5)。

cloud2: ​​https://cloud.189.cn/t/2q6fMnAjUjIj​​ (访问码:5km2)。

cloud3: ​​https://cloud.189.cn/t/Afa6bme6NFza​​ (访问码:j6ik)。

#3个节点分别启动Zkserver
zkServer.sh start
##cloud1全面启动HDFS
start-dfs.sh
#cloud1 启动ResouceManager,NodeManager
start-yarn.sh
#cloud1 启动Master,Worker
start-all.sh

四、常见问题

1、 zookeeper集群启动失败

rm -rf  /root/zookeeper/tmp/version-2/  /root/zookeeper/tmp/zookeeper_server.pid  
zkServer.sh start
docker 关闭集群容器后,再重启,再每个容器启动zk,就一直报连接拒绝
原因分析:容器IP不固定,会随机变动
解决:自定义docker网络
docker network create --subnet=172.18.0.0/16 spark-net
启动容器时固定IP
--net spark-net --ip 172.18.0.2
--net spark-net --ip 172.18.0.3
--net spark-net --ip 172.18.0.4

2、hdfs的HA启动失败

原因分析:操作步骤错误导致节点不能正常格式化  
解决:操作步骤
  • cloud1节点启动三个节点的journalnode,因为第一次格式化HDFS的过程中,HA会journalnode通讯。
  • 格式化cloud1节点namenode。
  • NameNode同步。
  • 格式化 NameNode ZKFC。

3、hdfs的HA都是standby

# 查看nn的状态
hdfs haadmin -getServiceState nn1
hdfs haadmin -getServiceState nn2
# 强制性把nn1状态置为active
hdfs haadmin -transitionToActive --forcemanual nn1
#删除文件夹
rm -rf /root/hadoop/tmp/dfs/data/current
#重新格式化
hdfs namenode -format

4、hive启动失败

1. tail -f /tmp/root/hive.log 查看日志信息
2. 是否有mysql驱动jar cp /opt/my_tar/mysql-connector-java.jar /usr/local/hive-2.3.4/lib/
3. 检查HDFS状态 hdfs haadmin -getServiceState nn1
4. /usr/local/hive-2.3.4/conf/hive-site.xml 配置中路径以及msyql地址是否正确

5、 hadoop报错: Operation category READ is not supported in state standby

同 3 解决方式

​想了解更多关于开源的内容,请访问:​

​51CTO 开源基础软件社区​

​https://ost.51cto.com​​。

责任编辑:jianghua 来源: 鸿蒙社区
相关推荐

2015-03-04 11:19:59

2016-01-07 09:36:20

Docker容器

2019-03-12 11:12:50

大数据HadoopSpark

2017-10-19 08:28:15

大数据HadoopSpark

2021-12-14 09:56:51

HadoopSparkKafka

2019-04-24 13:07:16

HadoopSpark分布式架构

2022-10-14 15:44:03

大数据Hadoop

2019-07-22 10:45:31

2015-02-03 03:18:56

SparkSpark内核

2020-12-04 08:34:08

数据分析 数据处理 效率

2015-07-23 14:29:28

大数据sparkhadoop

2016-10-12 09:41:45

Hadoop+Spar大数据开发

2023-02-26 00:12:10

Hadoop数据湖存储

2012-09-26 22:18:19

IBM大数据Hadoop

2018-01-31 21:26:48

HadoopSparkStream大数据

2019-03-14 15:11:18

Hadoop大数据分布式

2010-06-03 12:57:06

Hadoop

2022-10-17 10:48:50

Hudi大数据Hadoop

2018-07-11 13:33:43

大数据人工智能Hadoop

2015-08-20 09:21:12

大数据云平台
点赞
收藏

51CTO技术栈公众号