[[399591]]

本文轉載自微信公眾號「虞大膽的嘰嘰喳喳」，作者虞大膽 。轉載本文請聯系虞大膽的嘰嘰喳喳公眾號。

搭建數倉，hadoop雖然有點落伍，但還是不可或缺的。本文描述下單機版的hadoop運作機制。

HDFS是Google GFS的開源實現，是一個分布式文件系統，是大數據技術的基石，直接上架構圖：

主要包含Namenode和Datanodes，MapReduce主要就是在Datanodes進行并行計算。

core-site.xml：

<property> 
    <name>fs.defaultFS</name> 
    <value>hdfs://localhost:8001</value> 
</property> 
<property> 
    <name>hadoop.tmp.dir</name> 
    <value>/root/hadoop-3.2.2/tmp</value> 
</property> 

其中8001端口就代表hdfs的根路徑，另外hdfs-site.xml配置參數也非常多。

比如dfs.replication表示hdfs副本集，單機版就設置1;dfs.namenode.http-address是NameNode web管理地址，可以查看hdfs的一些情況;dfs.datanode.address是DataNode的端口;dfs.namenode.name.dir和dfs.namenode.data.dir表示Namenode和Datanodes的存儲目錄，默認繼承于hadoop.tmp.dir值。

如果修改目錄相關的參數，需要格式化hdfs：

$ bin/hdfs namenode -format 

經驗就是建議刪除dfs.namenode.data.dir下的文件，再格式化。

一旦hdfs可用，操作它們就像操作本地文件一樣：

#創建登陸用戶的根目錄，有了根目錄，則不需要指定hdfs://前綴 
$ ./bin/hdfs dfs -mkdir  -p  "hdfs://localhost:8001/user/root" 
$ ./bin/hdfs dfs -mkdir  -p  test2 
 
$ ./bin/hdfs dfs -put ~/test.log hdfs://localhost:8001/test 
$ ./bin/hdfs dfs -put ~/test.log test2 
 
$ ./bin/hdfs dfs -ls test2 
$ ./bin/hdfs dfs -cat  test2/test.log 

接下去說說MapReduce，主要包含map和reduce過程，另外不能忘記shuffle，map相對于從hdfs dataNodes處理數據，然后shuffle將相關聯的數據交給reduce進行處理。

運行MapReduce過程很簡單：

$ bin/hdfs dfs -mkdir input 
$ bin/hdfs dfs -put etc/hadoop/*.xml input 
# 將mapreduce任務執行的結果放入 hdfs output 目錄中 
$ bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.2.jar grep input output 'dfs[a-z.]+'  
bin/hdfs dfs -cat output/* 

早期的MapReduce即包含計算框架，又包含調度框架，比較臃腫，比如想在當前集群運行另外一種計算任務，就不方便了，所以后來從MapReduce中將調度框架抽取出來，命名為Yarn，這樣不管是MapReduce還是Spark只要符合Yarn接口定義，就能被Yarn調度，MR和Spark專做做分布式運算，相當于解耦了。

Yarn的架構圖如下：

主要包括ResourceManager和NodeManager，另外為了分布式運算NodeManager一般和HDFS的DataNodes運行在一起。

ResourceManager主要包含Scheduler和ApplicationsManager。

修改yarn-site.xml：

<property> 
    <name>yarn.nodemanager.aux-services</name> 
    <value>mapreduce_shuffle</value> 
</property> 
 
<property> 
    <name>yarn.resourcemanager.webapp.address</name> 
    <value>0.0.0.0:7088</value> 
</property> 

其中，mapreduce_shuffle表示調度MapReduce任務，7088 是Yarn的Web管理地址;當然Yarn還有很多的參數。

修改 mapred-site.xml：

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

mapreduce.framework.name的值yarn表示MapReduce使用Yarn調度。

然后執行yarn調度：

$ bin/yarn jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.2.jar grep input output 'dfs[a-z.]+' 

只是將上面的hadoop修改為yarn，不過結果測試，不管怎么寫，yarn都是生效的，通過yarn Web UI能看出來。

另外我是以root運行的，所以sbin下的一些sh文件要修改：

HDFS_DATANODE_USER=root 
HDFS_DATANODE_SECURE_USER=root 
HDFS_NAMENODE_USER=root 
HDFS_SECONDARYNAMENODE_USER=root 

最后的啟動命令：

$ ./sbin/start-all.sh 
$ ./sbin/stop-all.sh 

參考鏈接：

https://kontext.tech/column/hadoop/265/default-ports-used-by-hadoop-services-hdfs-mapreduce-yarn

https://hadoop.apache.org/docs/r3.2.2/hadoop-project-dist/hadoop-common/SingleCluster.html