首先，我们来分别部署一套hadoop、hbase、hive、spark，在讲解部署方法过程中会特殊说明一些重要配置，以及一些架构图以帮我们理解，目的是为后面讲解系统架构和关系打基础。
之后，我们会通过运行一些程序来分析一下这些系统的功能
最后，我们会总结这些系统之间的关系。
分布式hadoop部署
首先，在http://hadoop.apache.org/releases.html找到最新稳定版tar包，我选择的是
http://apache.fayea.com/hadoop/common/hadoop-2.7.2/hadoop-2.7.2.tar.gz
下载到/data/apache并解压
在真正部署之前，我们先了解一下hadoop的架构
hadoop分为几大部分：yarn负责资源和任务管理、hdfs负责分布式存储、map-reduce负责分布式计算
先来了解一下yarn的架构：
yarn的两个部分：资源管理、任务调度。
资源管理需要一个全局的ResourceManager(RM)和分布在每台机器上的NodeManager协同工作，RM负责资源的仲裁，NodeManager负责每个节点的资源监控、状态汇报和Container的管理
任务调度也需要ResourceManager负责任务的接受和调度，在任务调度中，在Container中启动的ApplicationMaster(AM)负责这个任务的管理，当任务需要资源时，会向RM申请，分配到的Container用来起任务，然后AM和这些Container做通信，AM和具体执行的任务都是在Container中执行的
yarn区别于第一代hadoop的部署(namenode、jobtracker、tasktracker)
然后再看一下hdfs的架构：hdfs部分由NameNode、SecondaryNameNode和DataNode组成。DataNode是真正的在每个存储节点上管理数据的模块，NameNode是对全局数据的名字信息做管理的模块，SecondaryNameNode是它的从节点，以防挂掉。
最后再说map-reduce：Map-reduce依赖于yarn和hdfs，另外还有一个JobHistoryServer用来看任务运行历史
hadoop虽然有多个模块分别部署，但是所需要的程序都在同一个tar包中，所以不同模块用到的配置文件都在一起，让我们来看几个最重要的配置文件：
各种默认配置：core-default.xml, hdfs-default.xml, yarn-default.xml, mapred-default.xml
各种web页面配置：core-site.xml, hdfs-site.xml, yarn-site.xml, mapred-site.xml
从这些配置文件也可以看出hadoop的几大部分是分开配置的。
除上面这些之外还有一些重要的配置：hadoop-env.sh、mapred-env.sh、yarn-env.sh，他们用来配置程序运行时的java虚拟机参数以及一些二进制、配置、日志等的目录配置
下面我们真正的来修改必须修改的配置文件。
修改etc/hadoop/core-site.xml，把配置改成：
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://127.0.0.1:8000</value>
</property>
<property>
<name>io.file.buffer.size</name>
<value>131072</value>
</property>
</configuration>
这里面配置的是hdfs的文件系统地址：本机的9001端口
修改etc/hadoop/hdfs-site.xml，把配置改成：
<configuration>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/data/apache/dfs/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/data/apache/dfs/data</value>
</property>
<property>
<name>dfs.datanode.fsdataset.volume.choosing.policy</name>
<value>org.apache.hadoop.hdfs.server.datanode.fsdataset.AvailableSpaceVolumeChoosingPolicy</value>
</property>
<property>
<name>dfs.namenode.http-address</name>
<value>127.0.0.1:50070</value>
</property>
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>127.0.0.1:8001</value>
</property>
</configuration>
这里面配置的是hdfs文件存储在本地的哪里以及secondary namenode的地址
修改etc/hadoop/yarn-site.xml，把配置改成：
<configuration>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>127.0.0.1</value>
</property>
<property>
<name>yarn.resourcemanager.webapp.address</name>
<value>127.0.0.1:8088</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>864000</value>
</property>
<property>
<name>yarn.log-aggregation.retain-check-interval-seconds</name>
<value>86400</value>
</property>
<property>
<name>yarn.nodemanager.remote-app-log-dir</name>
<value>/YarnApp/Logs</value>
</property>
<property>
<name>yarn.log.server.url</name>
<value>http://127.0.0.1:19888/jobhistory/logs/</value>
</property>
<property>
<name>yarn.nodemanager.local-dirs</name>
<value>/data/apache/tmp/</value>
</property>
<property>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>5000</value>
</property>
<property>
<name>yarn.scheduler.minimum-allocation-mb</name>
<value>1024</value>
</property>
<property>
<name>yarn.nodemanager.vmem-pmem-ratio</name>
<value>4.1</value>
</property>
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
</configuration>
这里面配置的是yarn的日志地址以及一些参数配置
通过cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml创建etc/hadoop/mapred-site.xml，内容改为如下：
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
<deｓｃｒｉｐｔion>Execution framework set to Hadoop YARN.</deｓｃｒｉｐｔion>
</property>
<property>
<name>yarn.app.mapreduce.am.staging-dir</name>
<value>/tmp/hadoop-yarn/staging</value>
</property>
<property>
<name>mapreduce.jobhistory.address</name>
<value>127.0.0.1:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>127.0.0.1:19888</value>
</property>
<property>
<name>mapreduce.jobhistory.done-dir</name>
<value>${yarn.app.mapreduce.am.staging-dir}/history/done</value>
</property>
<property>
<name>mapreduce.jobhistory.intermediate-done-dir</name>
<value>${yarn.app.mapreduce.am.staging-dir}/history/done_intermediate</value>
</property>
<property>
<name>mapreduce.jobhistory.joblist.cache.size</name>
<value>1000</value>
</property>
<property>
<name>mapreduce.tasktracker.map.tasks.maximum</name>
<value>8</value>
</property>
<property>
<name>mapreduce.tasktracker.reduce.tasks.maximum</name>
<value>8</value>
</property>
<property>
<name>mapreduce.jobtracker.maxtasks.perjob</name>
<value>5</value>
<deｓｃｒｉｐｔion>The maximum number of tasks for a single job. A value of -1 indicates that there is no maximum. </deｓｃｒｉｐｔion>
</property>
</configuration>
这里面配置的是mapred的任务历史相关配置
如果你的hadoop部署在多台机器，那么需要修改etc/hadoop/slaves，把其他slave机器ip加到里面，如果只部署在这一台，那么就留一个localhost即可
下面我们启动hadoop，启动之前我们配置好必要的环境变量：
export JAVA_HOME="你的java安装地址"
先启动hdfs，在此之前要格式化分布式文件系统，执行：
./bin/hdfs namenode -format myclustername
如果格式化正常可以看到/data/apache/dfs下生成了name目录
然后启动namenode，执行：
./bin/hdfs namenode -format myclustername
如果正常启动，可以看到启动了相应的进程，并且logs目录下生成了相应的日志
然后启动datanode，执行：
./sbin/hadoop-daemon.sh --ｓｃｒｉｐｔ hdfs start datanode
如果考虑启动secondary namenode，可以用同样的方法启动
下面我们启动yarn，先启动resourcemanager，执行：
./sbin/yarn-daemon.sh start resourcemanager
如果正常启动，可以看到启动了相应的进程，并且logs目录下生成了相应的日志
然后启动nodemanager，执行：
./sbin/yarn-daemon.sh start nodemanager
如果正常启动，可以看到启动了相应的进程，并且logs目录下生成了相应的日志
然后启动MapReduce JobHistory Server，执行：
./sbin/mr-jobhistory-daemon.sh start historyserver
如果正常启动，可以看到启动了相应的进程，并且logs目录下生成了相应的日志
下面我们看下web界面
打开http://127.0.0.1:8088/cluster看下yarn管理的集群资源情况(因为在yarn-site.xml中我们配置了yarn.resourcemanager.webapp.address是127.0.0.1:8088)
打开http://127.0.0.1:19888/jobhistory看下map-reduce任务的执行历史情况(因为在mapred-site.xml中我们配置了mapreduce.jobhistory.webapp.address是127.0.0.1:19888)
打开http://127.0.0.1:50070/dfshealth.html看下namenode的存储系统情况(因为在hdfs-site.xml中我们配置了dfs.namenode.http-address是127.0.0.1:50070)
到此为止我们对hadoop的部署完成。下面试验一下hadoop的功能
先验证一下hdfs分布式文件系统，执行以下命令看是否有输出：
[[email protected] hadoop]# ./bin/hadoop fs -mkdir /input
[[email protected] hadoop]# cat data 1 2 3 4
[[email protected] hadoop]# ./bin/hadoop fs -put input /input
[[email protected] hadoop]# ./bin/hadoop fs -ls /input
Found 1 items -rw-r--r-- 3 root supergroup 8 2016-08-07 15:04 /input/data
这时通过http://127.0.0.1:50070/dfshealth.html可以看到存储系统的一些变化
下面我们以input为输入启动一个mapreduce任务
[[email protected] hadoop]# ./bin/hadoop jar ./share/hadoop/tools/lib/hadoop-streaming-2.7.2.jar -input /input -output /output -mapper cat -reducer wc
之后看是否产生了/output的输出：
[[email protected] hadoop]# ./bin/hadoop fs -ls /output
Found 2 items -rw-r--r-- 3 root supergroup 0 2016-08-07 15:11 /output/_SUCCESS -rw-r--r-- 3 root supergroup 25 2016-08-07 15:11 /output/part-00000
[[email protected] hadoop]# ./bin/hadoop fs -cat /output/part-00000 4 4 12
这时通过http://127.0.0.1:19888/jobhistory可以看到mapreduce任务历史：
也可以通过http://127.0.0.1:8088/cluster看到任务历史
为什么两处都有历史呢？他们的区别是什么呢？
我们看到cluster显示的其实是每一个application的历史信息，他是yarn(ResourceManager)的管理页面，也就是不管是mapreduce还是其他类似mapreduce这样的任务，都会在这里显示，mapreduce任务的Application Type是MAPREDUCE，其他任务的类型就是其他了，但是jobhistory是专门显示mapreduce任务的
hbase的部署
首先从http://www.apache.org/dyn/closer.cgi/hbase/下载稳定版安装包，我下的是https://mirrors.tuna.tsinghua.edu.cn/apache/hbase/stable/hbase-1.2.2-bin.tar.gz
解压后修改conf/hbase-site.xml，改成：
<configuration>
<property>
<name>hbase.cluster.distributed</name>
<value>true</value>
</property>
<property>
<name>hbase.rootdir</name>
<value>hdfs://127.0.0.1:8001/hbase</value>
</property>
<property>
<name>hbase.zookeeper.quorum</name>
<value>127.0.0.1</value>
</property>
</configuration>
其中hbase.rootdir配置的是hdfs地址，ip:port要和hadoop/core-site.xml中的fs.defaultFS保持一致
其中hbase.zookeeper.quorum是zookeeper的地址，可以配多个，我们试验用就先配一个
启动hbase，执行：
./bin/start-hbase.sh
这时有可能会让你输入本地机器的密码
启动成功后可以看到几个进程起来，包括zookeeper的HQuorumPeer和hbase的HMaster、HRegionServer
下面我们试验一下hbase的使用，执行：
hbase(main):001:0> status 1 active master, 0 backup masters, 1 servers, 0 dead, 3.0000 average load
创建一张表
hbase(main):004:0> create 'table1','field1' 0 row(s) in 1.3430 seconds => Hbase::Table - table1
获取一张表
hbase(main):005:0> t1 = get_table('table1') 0 row(s) in 0.0010 seconds => Hbase::Table - table1
添加一行
hbase(main):008:0> t1.put 'row1', 'field1:qualifier1', 'value1' 0 row(s) in 0.4160 seconds
读取全部
hbase(main):009:0> t1.scan ROW COLUMN+CELL row1 column=field1:qualifier1, timestamp=1470621285068, value=value1
1 row(s) in 0.1000 seconds
我们同时也看到hdfs中多出了hbase存储的目录：
[[email protected] hbase]# ./hadoop/bin/hadoop fs -ls /hbase Found 7 items drwxr-xr-x - root supergroup 0 2016-08-08 09:05 /hbase/.tmp drwxr-xr-x - root supergroup 0 2016-08-08 09:58 /hbase/MasterProcWALs drwxr-xr-x - root supergroup 0 2016-08-08 09:05 /hbase/WALs drwxr-xr-x - root supergroup 0 2016-08-08 09:05 /hbase/data
-rw-r--r-- 3 root supergroup 42 2016-08-08 09:05 /hbase/hbase.id
-rw-r--r-- 3 root supergroup 7 2016-08-08 09:05 /hbase/hbase.version
drwxr-xr-x - root supergroup 0 2016-08-08 09:24 /hbase/oldWALs
这说明hbase是以hdfs为存储介质的，因此它具有分布式存储拥有的所有优点
hbase的架构如下：
其中HMaster负责管理HRegionServer以实现负载均衡，负责管理和分配HRegion(数据分片)，还负责管理命名空间和table元数据，以及权限控制
HRegionServer负责管理本地的HRegion、管理数据以及和hdfs交互。
Zookeeper负责集群的协调(如HMaster主从的failover)以及集群状态信息的存储
客户端传输数据直接和HRegionServer通信
hive的部署
从http://mirrors.hust.edu.cn/apache/hive下载安装包，我下的是http://mirrors.hust.edu.cn/apache/hive/stable-2/apache-hive-2.1.0-bin.tar.gz
解压后，我们先准备hdfs，执行：
[[email protected] hadoop]# ./hadoop/bin/hadoop fs -mkdir /tmp
[[email protected] hadoop]# ./hadoop/bin/hadoop fs -mkdir /user
[[email protected] hadoop]# ./hadoop/bin/hadoop fs -mkdir /user/hive
[[email protected] hadoop]# ./hadoop/bin/hadoop fs -mkdir /user/hive/warehourse
[[email protected] hadoop]# ./hadoop/bin/hadoop fs -chmod g+w /tmp
[[email protected] hadoop]# ./hadoop/bin/hadoop fs -chmod g+w /user/hive/warehourse
使用hive必须提前设置好HADOOP_HOME环境变量，这样它可以自动找到我们的hdfs作为存储，不妨我们把各种HOME和各种PATH都配置好，如：
HADOOP_HOME=/data/apache/hadoop
export HADOOP_HOME HBASE_HOME=/data/apache/hbase
export HBASE_HOME HIVE_HOME=/data/apache/hive
export HIVE_HOME PATH=$PATH:$HOME/bin PATH=$PATH:$HBASE_HOME/bin PATH=$PATH:$HIVE_HOME/bin PATH=$PATH:$HADOOP_HOME/bin export PATH
拷贝创建hive-site.xml、hive-log4j2.properties、hive-exec-log4j2.properties，执行
[[email protected] hive]# cp conf/hive-default.xml.template conf/hive-site.xml
[[email protected] hive]# cp conf/hive-log4j2.properties.template conf/hive-log4j2.properties
[[email protected] hive]# cp conf/hive-exec-log4j2.properties.template conf/hive-exec-log4j2.properties
修改hive-site.xml，把其中的${system:java.io.tmpdir}都修改成/data/apache/tmp，你也可以自己设置成自己的tmp目录，把${system:user.name}都换成用户名
:%s/${system:java.io.tmpdir}///data//apache//tmp/g :%s/${system:user.name}/myself/g
初始化元数据数据库(默认保存在本地的derby数据库，也可以配置成mysql)，注意，不要先执行hive命令，否则这一步会出错
下面执行：
[[email protected] hive]# schematool -dbType derby -initSchema
成功之后我们可以以客户端形式直接启动hive，如：
[[email protected] hive]# hive hive> show databases; OK default Time taken: 1.886 seconds, Fetched: 1 row(s) hive>
试着创建个数据库是否可以：
hive> create database mydatabase;
OK Time taken: 0.721 seconds
hive> show databases;
OK default mydatabase Time taken: 0.051 seconds, Fetched: 2 row(s)
hive>
这样我们还是单机的hive，不能在其他机器登陆，所以我们要以server形式启动：
nohup hiveserver2 &> hive.log &
默认会监听10000端口，这时可以通过jdbc客户端连接这个服务访问hive
hive的具体使用在这里不赘述
spark部署
首先在http://spark.apache.org/downloads.html下载指定hadoop版本的安装包，我下载的是http://D3kbcqa49mib13.cloudfront.net/spark-2.0.0-bin-hadoop2.7.tgz
spark有多种部署方式，首先支持单机直接跑，如执行样例程序：
./bin/spark-submit examples/src/main/python/pi.py 10
它可以直接运行得出结果
下面我们说下spark集群部署方法：
解压安装包后直接执行：
[[email protected] spark-2.0.0-bin-hadoop2.7]# sbin/start-master.sh
这时可以打开http://127.0.0.1:8080/看到web界面如下：
根据上面的url：spark://MYAY:7077，我们再启动slave：
[[email protected] spark-2.0.0-bin-hadoop2.7]# ./sbin/start-slave.sh spark://MYAY:7077
刷新web界面如下：
出现了一个worker，我们可以根据需要启动多个worker
下面我们把上面执行过的任务部署到spark集群上执行：
./bin/spark-submit --master spark://MYAY:7077 examples/src/main/python/pi.py 10
web界面如下：
spark程序也可以部署到yarn集群上执行，也就是我们部署hadoop时启动的yarn
我们需要提前配置好HADOOP_CONF_DIR，如下：
HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop/ export HADOOP_CONF_DIR
下面我们把任务部署到yarn集群上去：
./bin/spark-submit --master yarn --deploy-mode cluster examples/src/main/python/pi.py 10
看http://127.0.0.1:8088/cluster效果如下：
总结一下
hdfs是所有hadoop生态的底层存储架构，它主要完成了分布式存储系统的逻辑，凡是需要存储的都基于其上构建
yarn是负责集群资源管理的部分，这个资源主要指计算资源，因此它支撑了各种计算模块
map-reduce组件主要完成了map-reduce任务的调度逻辑，它依赖于hdfs作为输入输出及中间过程的存储，因此在hdfs之上，它也依赖yarn为它分配资源，因此也在yarn之上
hbase基于hdfs存储，通过独立的服务管理起来，因此仅在hdfs之上
hive基于hdfs存储，通过独立的服务管理起来，因此仅在hdfs之上
spark基于hdfs存储，即可以依赖yarn做资源分配计算资源也可以通过独立的服务管理，因此在hdfs之上也在yarn之上，从结构上看它和mapreduce一层比较像
总之，每一个系统负责了自己擅长的一部分，同时相互依托，形成了整个hadoop生态。
文档来源：http://www.codeceo.com/article/understand-hadoop-hbase-hive-spark-distributed-system-architecture.html
转载请注明来源网站:blog.ytso.com谢谢！
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/9713.html