linux cpu占用率如何看
229
2022-10-18
#夏日挑战赛#，Docker搭建大数据平台之Hadoop,Spark,Hive初探
#夏日挑战赛#，Docker搭建大数据平台之Hadoop,Spark,Hive初探
「本文正在参加星光计划3.0–夏日挑战赛」
一、 文章前序
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。
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）MapReduceHadoop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。HbaseHadoop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。HadoopHadoop 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）
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
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。
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 | hbase-2.1.1 | hive-2.3.4 | jdk1.8.0_144 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
scala-2.11.12 | spark-2.4.8-bin-hadoop2.7 | zookeeper-3.4.8 | network create --subnet=172.18.0.0/16 spark-net 容器规划
创建基础容器并安装ssh以及免密配置
# 拉取基础镜像docker pull ubuntu#创建基础容器并设置当前容器IPdocker 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 < 大数据环境安装 各软件版本
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_tardocker cp hadoop-2.7.7.tar.gz cloud1:/opt/spark_tardocker cp jdk-8u191-linux-x64.tar.gz cloud1:/opt/spark_tardocker cp scala-2.11.12.tgz cloud1:/opt/spark_tardocker cp spark-2.4.8-bin-hadoop2.7.tgz cloud1:/opt/spark_tardocker cp zookeeper-3.4.10.tar.gz cloud1:/opt/spark_tardocker cp mysql-connector-java.jar cloud1:/opt/spark_tardocker 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 ~/.bashrcexport JAVA_HOME=/usr/local/spark/jdk1.8.0_191export PATH=$PATH:$JAVA_HOME/binexport SCALA_HOME=/usr/local/spark/scala-2.11.12export PATH=$PATH:$SCALA_HOME/binexport ZOOKEEPER_HOME=/usr/local/spark/zookeeper-3.4.10export PATH=$PATH:$ZOOKEEPER_HOME/binexport HADOOP_HOME=/usr/local/spark/hadoop-2.7.7export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbinexport JAVA_LIBRARY_PATH=$HADOOP_HOME/lib/nativeexport SPARK_HOME=/usr/local/spark/spark-2.4.8-bin-hadoop2.7export PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATHexport HIVE_HOME=/usr/local/spark/hive-2.3.4export PATH=$HIVE_HOME/bin:$PATHsource ~/.bashrc Zookeeper安装及配置 #生成配置文件cp /usr/local/spark/zookeeper-3.4.10/conf/zoo_sample.cfg /usr/local/spark/zookeeper-3.4.10/conf/zoo.cfg#创建zookeeper数据目录mkdir -p /root/zookeeper/tmp#修改配置文件vim /usr/local/spark/zookeeper-3.4.10/conf/zoo.cfg#修改配置项dataDir=/root/zookeeper/tmp#文件末尾添加server.1=cloud1:2888:3888server.2=cloud2:2888:3888server.3=cloud3:2888:3888#保存退出#设置当前Zkserver信息#~/zookeeper/tmp/myid文件中保存的数字代表本机的Zkserver编号#在此设置cloud1为编号为1的Zkserver，之后生成cloud2和cloud3之后还需要分别修改此文件echo 1 > ~/zookeeper/tmp/myid Hadoop安装及配置 修改Hadoop启动配置文件 #修改Hadoop启动配置文件vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/hadoop-env.sh#文件末尾添加export JAVA_HOME=/usr/local/spark/jdk1.8.0_191export HADOOP_COMMON_LIB_NATIVE_DIR=${HADOOP_HOME}/lib/nativeexport HADOOP_OPTS="$HADOOP_OPTS -Djava.library.path=${HADOOP_HOME}/lib/native"export LD_LIBRARY_PATH=$JAVA_LIBRARY_PATH#保存退出 修改核心配置文件
#修改核心配置文件vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/core-site.xml#在 修改HDFS配置文件
#修改配置文件vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/hdfs-site.xml#在 修改Yarn的配置文件
#修改配置文件vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/yarn-site.xml#在 修改指定DataNode和NodeManager的配置文件 vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/slaves#改为如下内容cloud1cloud2cloud3 Spark安装及配置 Spark启动配置文件 #生成启动配置文件cp /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh.template /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh#编辑启动配置文件vim /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.sh#文末添加如下配置export SPARK_MASTER_IP=cloud1export SPARK_WORKER_MEMORY=1024mexport JAVA_HOME=/usr/local/spark/jdk1.8.0_191export SCALA_HOME=/usr/local/spark/scala-2.11.12export SPARK_HOME=/usr/local/spark/spark-2.4.8-bin-hadoop2.7export HADOOP_CONF_DIR=/usr/local/spark/hadoop-2.7.7/etc/hadoopexport SPARK_LIBRARY_PATH=$SPARK_HOME/libexport SCALA_LIBRARY_PATH=$SPARK_LIBRARY_PATHexport SPARK_WORKER_CORES=1export SPARK_WORKER_INSTANCES=1export SPARK_MASTER_PORT=7077export LD_LIBRARY_PATH=$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cloud1cloud2cloud3 修改文件汇总 root@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/hadoop-env.shroot@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/core-site.xmlroot@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/hdfs-site.xmlroot@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/yarn-site.xmlroot@cloud1:/# vim /usr/local/spark/hadoop-2.7.7/etc/hadoop/slavesroot@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.shroot@cloud1:/# vim /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/spark-env.shroot@cloud1:/# vim /usr/local/spark/spark-2.4.8-bin-hadoop2.7/conf/slaves 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Sparkdocker commit cloud1 spark:v4#删除原来的cloud1容器，重新创建docker stop cloud1docker 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 serverdocker 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ZkserverzkServer.sh status#3个节点分别启动ZkserverzkServer.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journalnodehadoop-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namenodehadoop-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namenodehadoop-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HDFSstop-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HDFSstart-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:/# jps2080 NodeManager305 NameNode18 QuorumPeerMain2295 Worker1816 ResourceManager971 DataNode2365 Jps1167 JournalNode2207 Master 外部web访问地址
#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dockersystemctl daemon-reloadsystemctl restart docker#或者关闭防火墙#停止firewallsystemctl stop firewalld.service#禁止firewall开机启动systemctl disable firewalld.service 访问截图/opt/put.txt#添加如下内容shao nai yinai nai yi yishao 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.WordCountLocalimport 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 fs -cat /wc/*root@cloud1:/opt# hadoop fs -cat /wc/*(nai,5)(yi,3)(shao,2) 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 ~/.bashrcexport HIVE_HOME=/usr/local/spark/hive-2.3.4export PATH=$HIVE_HOME/bin:$PATHsource ~/.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.xmlvim /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 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.shvim /usr/local/spark/hive-2.3.4/conf/hive-env.shexport HADOOP_HOME=/usr/local/spark/hadoop-2.7.7export HIVE_CONF_DIR=/usr/local/spark/hive-2.3.4/confexport JAVA_HOME=/usr/local/spark/jdk1.8.0_144export 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.txt1,浙江工商大学2,杭州3,I love4,ZJGSU5,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 nn1hdfs 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、懒人创建模式 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：(访问码:hhl5) cloud2: (访问码:5km2) cloud3: (访问码:j6ik) #3个节点分别启动ZkserverzkServer.sh start##cloud1全面启动HDFSstart-dfs.sh#cloud1 启动ResouceManager，NodeManagerstart-yarn.sh#cloud1 启动Master，Workerstart-all.sh 四、常见问题 zookeeper集群启动失败rm -rf /root/zookeeper/tmp/version-2/ /root/zookeeper/tmp/zookeeper_server.pidzkServer.sh startdocker 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 172.18.0.4hdfs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namenodeNameNode同步格式化 NameNode ZKFC hdfs的HA都是standby # 查看nn的状态hdfs haadmin -getServiceState nn1hdfs haadmin -getServiceState nn2# 强制性把nn1状态置为activehdfs 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 hive启动失败 tail -f /tmp/root/hive.log 查看日志信息是否有mysql驱动jar cp /opt/my_tar/mysql-connector-java.jar /usr/local/hive-2.3.4/lib/检查HDFS状态 hdfs haadmin -getServiceState nn1/usr/local/hive-2.3.4/conf/hive-site.xml 配置中路径以及msyql地址是否正确 hadoop报错： Operation category READ is not supported in state standby同 3 解决方式 版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。
相关文章
  发表评论 |
暂时没有评论，来抢沙发吧~