1. IT分享知识网首页
  2. 开发数据
  3. Hadoop

Hadoop集群搭建及Python操作

老牧童 • • Hadoop, python • 阅读 308

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

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

Hadoop集群搭建及Python操作

环境

IP

hostname

角色

192.168.143.130

master

NameNode、ResourceManager

192.168.143.131

slave1

DataNode、NodeManager

192.168.143.132

slave2

DataNode、NodeManager

192.168.143.133

slave3

DataNode、NodeManager

192.168.143.134

slave4

DataNode、NodeManager

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。

免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://yundeesoft.com/5474.html

赞 (0)
老牧童老牧童
0
上一篇 2022-12-13 23:26
下一篇 2022-12-13 23:26

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信