【Hadoop】Windows下安装Hadoop（手把手包成功安装）

hadoop简介

hadoop是一个由apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。hadoop实现了一个分布式文件系统（ distributed file system），其中一个组件是hdfs（hadoop distributed file system）。hdfs有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。hdfs放宽了（relax）posix的要求，可以以流的形式访问（streaming access）文件系统中的数据。hadoop的框架最核心的设计就是：hdfs和mapreduce。hdfs为海量的数据提供了存储，而mapreduce则为海量的数据提供了计算。

起源

hadoop起源于apache nutch项目，始于2002年，是apache lucene的子项目之一 [2]。2004年，google在“操作系统设计与实现”（operating system design and implementation，osdi）会议上公开发表了题为mapreduce：simplified data processing on large clusters（mapreduce：简化大规模集群上的数据处理）的论文之后，受到启发的doug cutting等人开始尝试实现mapreduce计算框架，并将它与ndfs（nutch distributed file system）结合，用以支持nutch引擎的主要算法 。由于ndfs和mapreduce在nutch引擎中有着良好的应用，所以它们于2006年2月被分离出来，成为一套完整而独立的软件，并被命名为hadoop。到了2008年年初，hadoop已成为apache的顶级项目，包含众多子项目，被应用到包括yahoo在内的很多互联网公司。

优点

• hadoop是一个能够对大量数据进行分布式处理的软件框架。 hadoop 以一种可靠、高效、可伸缩的方式进行数据处理。
• hadoop 是可靠的，因为它假设计算元素和存储会失败，因此它维护多个工作数据副本，确保能够针对失败的节点重新分布处理。
• hadoop 是高效的，因为它以并行的方式工作，通过并行处理加快处理速度。
• hadoop 还是可伸缩的，能够处理 pb 级数据。
• 此外，hadoop 依赖于社区服务，因此它的成本比较低，任何人都可以使用。
• hadoop是一个能够让用户轻松架构和使用的分布式计算平台。用户可以轻松地在hadoop上开发和运行处理海量数据的应用程序。它主要有以下几个优点：
  • 1.高可靠性。hadoop按位存储和处理数据的能力值得人们信赖。
  • 2.高扩展性。hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以方便地扩展到数以千计的节点中。
  • 3.高效性。hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处理速度非常快。
  • 4.高容错性。hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。
  • 5.低成本。与一体机、商用数据仓库以及qlikview、yonghong z-suite等数据集市相比，hadoop是开源的，项目的软件成本因此会大大降低。
• hadoop带有用java语言编写的框架，因此运行在 linux 生产平台上是非常理想的。hadoop 上的应用程序也可以使用其他语言编写，比如 c++ 。
• hadoop大数据处理的意义
  hadoop得以在大数据处理应用中广泛应用得益于其自身在数据提取、变形和加载(etl)方面上的天然优势。hadoop的分布式架构，将大数据处理引擎尽可能的靠近存储，对例如像etl这样的批处理操作相对合适，因为类似这样操作的批处理结果可以直接走向存储。hadoop的mapreduce功能实现了将单个任务打碎，并将碎片任务(map)发送到多个节点上，之后再以单个数据集的形式加载(reduce)到数据仓库里。

核心架构

• hadoop 由许多元素构成。其最底部是 hadoop distributed file system（hdfs），它存储 hadoop 集群中所有存储节点上的文件。hdfs的上一层是mapreduce 引擎，该引擎由 jobtrackers 和 tasktrackers 组成。通过对hadoop分布式计算平台最核心的分布式文件系统hdfs、mapreduce处理过程，以及数据仓库工具hive和分布式数据库hbase的介绍，基本涵盖了hadoop分布式平台的所有技术核心。
• hdfs
  对外部客户机而言，hdfs就像一个传统的分级文件系统。可以创建、删除、移动或重命名文件，等等。但是 hdfs 的架构是基于一组特定的节点构建的（参见图 1），这是由它自身的特点决定的。这些节点包括 namenode（仅一个），它在 hdfs 内部提供元数据服务；datanode，它为 hdfs 提供存储块。由于仅存在一个 namenode，因此这是 hdfs 1.x版本的一个缺点（单点失败）。在hadoop 2.x版本可以存在两个namenode，解决了单节点故障问题 。
  存储在 hdfs 中的文件被分成块，然后将这些块复制到多个计算机中（datanode）。这与传统的 raid 架构大不相同。块的大小（1.x版本默认为 64mb，2.x版本默认为128mb）和复制的块数量在创建文件时由客户机决定。namenode 可以控制所有文件操作。hdfs 内部的所有通信都基于标准的 tcp/ip 协议。
• namenode
  namenode 是一个通常在 hdfs 实例中的单独机器上运行的软件。它负责管理文件系统名称空间和控制外部客户机的访问。namenode 决定是否将文件映射到 datanode 上的复制块上。对于最常见的 3 个复制块，第一个复制块存储在同一机架的不同节点上，最后一个复制块存储在不同机架的某个节点上 。
  实际的 i/o事务并没有经过 namenode，只有表示 datanode 和块的文件映射的元数据经过 namenode。当外部客户机发送请求要求创建文件时，namenode 会以块标识和该块的第一个副本的 datanode ip 地址作为响应。这个 namenode 还会通知其他将要接收该块的副本的 datanode [4]。
  namenode 在一个称为 fsimage 的文件中存储所有关于文件系统名称空间的信息。这个文件和一个包含所有事务的记录文件（这里是 editlog）将存储在 namenode 的本地文件系统上。fsimage 和 editlog 文件也需要复制副本，以防文件损坏或 namenode 系统丢失 。
  namenode本身不可避免地具有spof（single point of failure）单点失效的风险，主备模式并不能解决这个问题，通过hadoop non-stop namenode才能实现100% uptime可用时间 。
• datanode
  datanode 也是一个通常在 hdfs实例中的单独机器上运行的软件。hadoop 集群包含一个 namenode 和大量 datanode。datanode 通常以机架的形式组织，机架通过一个交换机将所有系统连接起来。hadoop 的一个假设是：机架内部节点之间的传输速度快于机架间节点的传输速度 。
  datanode 响应来自 hdfs 客户机的读写请求。它们还响应来自 namenode 的创建、删除和复制块的命令。namenode 依赖来自每个 datanode 的定期心跳（heartbeat）消息。每条消息都包含一个块报告，namenode 可以根据这个报告验证块映射和其他文件系统元数据。如果 datanode 不能发送心跳消息，namenode 将采取修复措施，重新复制在该节点上丢失的块。
• 文件操作
  可见，hdfs 并不是一个万能的文件系统。它的主要目的是支持以流的形式访问写入的大型文件 。
  如果客户机想将文件写到 hdfs 上，首先需要将该文件缓存到本地的临时存储。如果缓存的数据大于所需的 hdfs 块大小，创建文件的请求将发送给 namenode。namenode 将以 datanode 标识和目标块响应客户机。
  同时也通知将要保存文件块副本的 datanode。当客户机开始将临时文件发送给第一个 datanode 时，将立即通过管道方式将块内容转发给副本 datanode。客户机也负责创建保存在相同 hdfs名称空间中的校验和（checksum）文件。
  在最后的文件块发送之后，namenode 将文件创建提交到它的持久化元数据存储（在 editlog 和 fsimage 文件）

一、环境准备

1.1、查看是否安装了java环境

java -version，这里要安装java1.8版本，注意java安装的目录不要有空格
安装包链接：https://pan.baidu.com/s/1uu9rdsxro7ifuv1ussv-6g?pwd=yyds

二、下载hadoop的相关文件

• hadoop3.1.0版本的安装包：https://archive.apache.org/dist/hadoop/common/hadoop-3.1.0/hadoop-3.1.0.tar.gz
• windows环境安装所需的bin文件包（我们这里选择3.1.0）：
  • 1、可以打开地址：https://gitee.com/nkuhyx/winutils ，里面选 3.1.0。
  • 2、或者直接下载：https://gitee.com/tttzzzqqq/apache-hadoop-3.1.0-winutils

三、解压hadoop安装包

四、替换bin文件夹

替换到hadoop安装目录下
可以发现apache-hadoop-3.1.0-winutils-master这个文件夹解压后里面只有bin这一个文件夹，我们将这个bin文件夹复制到hadoop-3.1.0文件夹中替换原有的bin文件夹

五、配置hadoop环境变量

hadoop_home
d:\hadoop-3.1.0

path里面加上 %hadoop_home%\bin

六、检查环境变量是否配置成功

hadoop version

七、配置hadoop的配置文件

7.1、配置 core-site.xml 文件

先在 d:/hadoop-3.1.0/data/ 目录下建 tmp 文件夹
配置 core-site.xml 文件，文件路径：\hadoop-3.1.0\etc\hadoop\core-site.xml

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/d:/hadoop-3.1.0/data/tmp</value>
    </property>
    <property>
        <name>fs.defaultfs</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

7.2、配置 mapred-site.xml 文件

文件路径：\hadoop-3.1.0\etc\hadoop\mapred-site.xml

<configuration>
    <property>
       <name>mapreduce.framework.name</name>
       <value>yarn</value>
    </property>
    <property>
       <name>mapred.job.tracker</name>
       <value>hdfs://localhost:9001</value>
    </property>
</configuration>

7.3、配置 yarn-site.xml 文件

文件路径：\hadoop-3.1.0\etc\hadoop\yarn-site.xml

<configuration>
    <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.hahoop.mapred.shufflehandler</value>
    </property>
</configuration>

7.4、新建namenode文件夹和datanode文件夹还有tmp文件夹

7.4.1、在d:\hadoop-3.1.0创建data文件夹（这个也可以是别的名字，但后面配置要对应修改）

7.4.2、在data文件夹中（d:\hadoop-3.1.0\data）创建datanode和namenode文件夹还有tmp文件夹

7.5、配置 hdfs-site.xml 文件

文件路径：\hadoop-3.1.0\etc\hadoop\hdfs-site.xml

<configuration>
    <!-- 这个参数设置为1，因为是单机版hadoop -->
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>/d:/hadoop-3.1.0/data/namenode</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>/d:/hadoop-3.1.0/data/datanode</value>
    </property>
</configuration>

7.6、配置 hadoop-env.sh 文件

文件路径：\hadoop-3.1.0\etc\hadoop\hadoop-env.sh
使用查找功能（ctrl+f）查找export java_home，找到相应的位置：
java_home的具体路径在环境变量中查找到

7.7、配置 hadoop-env.cmd 文件

文件路径：\hadoop-3.1.0\etc\hadoop\hadoop-env.cmd
打开后使用查找功能（ctrl+f），输入@rem the java implementation to use查找到对应行
在set java_home那一行将自己的java_home路径配置上去

八、启动hadoop服务

8.1、namenode格式化：hdfs namenode -format

以管理员模式打开命令窗口
在cmd中进入到d:\hadoop-3.1.0\bin路径
或者直接在对应的文件夹里面输入cmd进入
输入命令:

hdfs namenode -format

如果没报错的话，证明配置文件没出问题！
出现类似下图说明成功。如果出错，可能原因有如：环境变量配置错误如路径出现空格，或者winutils版本不对或hadoop版本过高等，或hadoop的etc下文件配置有误

8.2、开启hdfs：start-dfs.cmd

然后再进入到d:\hadoop-3.1.0\sbin路径
输入命令：

start-dfs.cmd

会跳出两个窗口，不要关闭！

8.3、开启yarn：start-yarn.cmd

再输入命令：

start-yarn.cmd

会跳出两个窗口，也不要关闭！

8.4、或者直接开启所有服务：start-all.cmd

也可以直接执行下面命令：（以管理员模式打开命令窗口）

start-all.cmd

然后回车，此时会弹出4个cmd窗口，分别是namenode、resourcemanager、nodemanager、datanode。检查4个窗口有没有报错。

8.5、查看hadoop运行的进程：jps

在cmd执行jps看到这4个进程，启动成功

8.6、访问namenode和hdfs的页面以及resourcemanager的页面来观察集群是否正常

可以通过访问namenode和hdfs的web ui界面（http://localhost:9870）
注意：
hadoop版本是3.xx的是 http://localhost:9870/
hadoop版本是2.xx的是 http://localhost:50070/
本文演示的hadoop版本是3.1.0，所以是前者

以及resourcemanager的页面（http://localhost:8088）

如果成功出现上面两个界面则代表hadoop安装和配置完成。

8.7、关闭hadoop集群：stop-all.cmd

以管理员模式打开命令窗口
进入到hadoop的目录：d:\hadoop-3.1.0\sbin
执行命令：stop-all.cmd

d:\hadoop-3.1.0\sbin>stop-all.cmd

九、hadoop问题处理和注意事项

9.1、hadoop启动报错“ org/apache/hadoop/yarn/server/timelineservice/collector/timelinecollectormanager”处理办法

如果：hadoop启动报错“ org/apache/hadoop/yarn/server/timelineservice/collector/timelinecollectormanager”，
主要是缺少timelinecollectormanager的jar包。
解决方案：
将hadoop3.1.0 版本将share\hadoop\yarn\timelineservice\hadoop-yarn-server-timelineservice-3.1.0.jar放到share\hadoop\yarn\lib 下就可以。

9.2、namenode重新格式化注意事项

需要将 d:\hadoop-3.1.0\data 的
namenode、datanode、tmp这三个目录下的所有文件删除干净

9.3、address already in use: bind

problem binding to [0.0.0.0:8030] java.net.bindexception: address already in use: bind;

9.3.1、查看占用该端口的pid，注意端口号要加上双引号

netstat -ano|findstr "8030"

9.3.2、使用tasklist查看 pid 对应的进程名

tasklist|findstr "13336"

9.3.3、结束进程

如果我们想结束该进程，可以在任务管理器内找到该进程，然后直接右键结束。
也可通过 taskkill 命令的方式结束进程：
#强制

taskkill /pid 13336 -t -f