作者：京东物流 秦彪

工欲善其事必先利其器，在深入学习大数据相关技术之前，先手动从0到1搭建一个属于自己的本地Hadoop和Spark运行环境，对于继续研究大数据生态圈各类技术具有重要意义。本文旨在站在研发的角度上通过手动实践搭建运行环境，文中不拖泥带水过多讲述基础知识，结合Hadoop和Spark最新版本，帮助大家跟着步骤一步步实践环境搭建。

1. 总体运行环境概览

（1） 软件包及使用工具版本介绍表：

步骤1： 虚拟机中Linux系统安装（略）

VirtualBox中安装CentOS7操作系统

步骤2： CentOS7基础配置

（1） 配置主机的hostname

命令： vim/etc/hostname

 

（2） 配置hosts， 命令vim /etc/hosts

 

（3） 安装JDK

命令：

rpm -qa | grep java 查看是否有通过rpm方式安装的java

java -version 查看当前环境变量下的java 版本

1） filezilla上传安装包，tar -zxvf
jdk-8u212-linux-x64.tar.gz 解压

2） bin目录的完整路径：
/usr/local/jdk/jdk1.8.0_212/bin

3） vim /etc/profile 配置jdk环境变量

 

 

（4） 复制主机：

1）利用VirtualBox复制功能复制两台主机

2）命令：vi
/etc/sysconfig/network-scripts/ifcfg-eth0，设置相应的网络信息

3）三台主机IP分别为： 192.168.0.20/21/22

 

（5） 配置三台主机ssh无密码登录（略）

（6） 安装zookeeper

1） filezilla上传安装包，zookeeper-3.4.10.tar.gz 解压

2） bin目录的完整路径：
/usr/local/zookeeper/zookeeper-3.4.10/bin

3） vim /etc/profile 配置jdk环境变量

 

4） zookeeper的配置文件修改，zookeeper-3.4.10/conf/

 

5） 执行命令从master节点复制配置到其他两个节点

 

6） 每台机器zookeeper目录下新建一个data目录， data目录下新建一个myid文件，master主机存放标识值1；slave1主机标识值为2；slave3主机标识值为3

7） 每台机器上命令：zkServer.sh start ，启动ZK，进程名：QuorumPeerMain

 

3. Hadoop安装与部署

3.1安装Hadoop

1）filezilla上传安装包，hadoop-3.3.4.tar.gz 解压

2）bin目录的完整路径： /usr/local/hadoop/hadoop-3.3.4/bin

3）vim /etc/profile 配置jdk环境变量

 

4） 修改配置文件共6个： hadoop-env.sh、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml和workers

文件1： hadoop-env.sh； 增加jdk环境变量

 

文件2： core-site.xml； 配置临时目录及zookeeper信息

 

文件3： hdfs-site.xml； 配置hdfs信息

 

文件4： mapred-site.xml； 配置mapreduce和dfs权限信息

 

文件5： yarn-site.xml； 配置yarn资源调度信息

 

文件6: worker文件存放当前的worker节点名，复制到每一个虚拟机中

 

3.2启动Hadoop

1） 使用命令： hadoop-daemon.sh start journalnode 启动journalnode 进程（每个节点执行）

 

2） 使用命令： hadoop-daemon.sh start namenode 启动namenode 进程（master、slave1节点上执行）

 

 

3） 使用命令：hadoop-daemon.sh start datanode 在所有节点上启动datanode 进程

 

 

 

4） 使用命令：start-yarn.sh 在master上启动yarn

 

 

5） 使用命令： hdfs zkfc -formatZK 在ZK上生成ha节点

 

6） 使用命令： hadoop-daemon.sh start zkfc 启动 DFSZKFailoverController进程，在master节点执行

 

 

a. 访问HDFS的管理页面

http://192.168.0.20:50070 此处192.168.0.20为namenode节点的Active节点

http://192.168.0.21:50070 此处192.168.0.20为namenode节点的standby节点

 

 

3.3 验证HDFS使用

使用命令：hdfs dfs -ls / 查看HDFS中文件

使用命令：hdfs dfs -mkdir /input 在HDFS上创建目录

使用命令：hdfs dfs -put ./test.txt /input 将本地文件上传到HDFS指定目录

使用命令：hdfs dfs -get /input/test.txt ./tmp 将HDFS文件复制到本地目录

使用命令：hdfs dfs -text /input/test.txt 查看HDFS上的文本文件

 

web端浏览HDFS目录

 

3.4 验证MapReduce的wordcount案例

（1）先通过命令将带有文本内容的test2.txt文件上传到HDFS

（2）对HDFS上test2.txt文件执行wordcount统计，结果放回HDFS新目录，命令：

hadoop jar /usr/local/hadoop/hadoop-3.3.4/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar wordcount /input/test2.txt /out

 

 

4. Spark安装与部署

4.1安装Scala

（1）安装scala

上传scala压缩包解压，使用命令：

scala -version 查看当前环境变量下的scala 版本

 

（2）拷贝scala目录和环境变量到其他两台机器

使用命令：

scp -r /usr/local/scala root@slave1:/usr/local/

scp /etc/profile root@slave1:/etc/profile

 

4.2安装Spark

（1）上传spark压缩包解压，修改配置文件

命令： vim
/usr/local/spark/spark-3.3.1/conf/spark-env.sh

（2） 新建worker目录，写入master机器名称

4.3启动Spark

（1）在master的spark安装目录下启动spark

命令：

cd /usr/local/spark/spark-3.3.1/sbin

./start-all.sh

 

（2）在slave1同样目录启动master进程

命令：./start-master.sh

 

（3）访问spark管理页面ui

 

4.4 验证Spark的wordcount案例

（1）执行命令：

cd /usr/local/spark/spark-3.3.1/bin

./spark-shell --master spark://master:7077

 

（3）从HDFS读取数据执行自定义wordcount代码，结果写入HDFS，命令：

sc.textFile("hdfs://master:9000/input/test2.txt").flatMap(_.split(" ")).map(word=>(word,1)).reduceByKey(_+_).map(pair=>(pair._2,pair._1)).sortByKey(false).map(pair=>(pair._2,pair._1)).saveAsTextFile("hdfs://master:9000/spark_out")

（4）输出结果：

 

5. 后记

大数据技术日新月异，得益于互联网技术加持下的商业和工业模式变革。人们日益增长的对生活生产便捷性、数字化、智能化的需求，催生了数据爆炸式的增长，推动了大数据技术推陈出新。作为新时代的程序开发者，必须掌握一定的大数据基础知识才能适应时代的要求，本文只是一个引子，从自身实践的角度帮助初学者认识大数据，并基于此搭建自己属于自己的开发环境，希望大家能够在此基础上继续钻研有所建树。