Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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:

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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)

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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)

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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)

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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:

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

也可以通过http://127.0.0.1:8088/cluster看到任务历史

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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:

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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

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:

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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:

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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:

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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:

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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

Hadoop、Hbase、Hive、Spark分布式系统架构详解大数据

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

(0)
上一篇 2021年7月19日
下一篇 2021年7月19日

相关推荐

发表回复

登录后才能评论