大数据软件生态分为三方面：

数据存储：Hadoop HDFS, HBase, KUDU, 阿里云 OSS, AWS S3
数据计算：Hadoop MapReduce, Hive, Spark, Flink
数据传输：Kafka, Pulsar, Flume, Sqoop

Hadoop 是一个大数据整体解决方案，包括三大组件：分布式数据存储 HDFS，分布式数据计算 MapReduce 和分布式资源调度 YARN。本科的时候就做过 Hadoop 实验，几年之后对 Hadoop 是啥都几乎没概念了，刚好又需要做个实验，就记录一下实验过程，从简单的 URLs 统计看 Hadoop 和 HDFS 的基本功能。

本实验在虚拟机 VirtualBox 中完成，系统镜像为 Ubuntu。

虚拟机集群部署

准备虚拟机

首先准备三台虚拟机，主机名和配置如下。

节点	CPU	Mem
ubuntu-server-0	1	4GB
ubuntu-server-1	1	2GB
ubuntu-server-2	1	2GB

在 Vbox 中将虚拟机网络都配制成桥接模式，以便相互之间可以连通。
设置虚拟机固定 IP，免得重启后发生变动。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
# 1. 在宿主机上执行，查看 gateway 和 dns
# 本例中 gateway 是 192.168.1.1，dns 是 127.0.0.53

# 查看 gateway 方式 1
$ route -n
Kernel IP routing table
Destination     Gateway         Genmask         Flags Metric Ref    Use Iface
0.0.0.0         192.168.1.1     0.0.0.0         UG    600    0        0 wlp7s0
192.168.1.0     0.0.0.0         255.255.255.0   U     600    0        0 wlp7s0

# 查看 gateway 方式 2
$ ip route show
default via 192.168.1.1 dev wlp7s0 proto dhcp src 192.168.1.111 metric 600 
192.168.1.0/24 dev wlp7s0 proto kernel scope link src 192.168.1.111 metric 600

# 查看 dns 方式 1
$ cat /etc/resolv.conf
...
nameserver 127.0.0.53
options edns0 trust-ad
search .

# 查看 dns 方式 2
$ nslookup www.baidu.com
Server:         127.0.0.53
Address:        127.0.0.53#53
...

# 2. 查看虚拟机当前的 IP，不管是啥我们就固定它了
# 此例中 IP 是 192.168.1.104
$ ip addr
...
2: enp0s3: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 1500 qdisc fq_codel state UP group default qlen 1000
    link/ether 08:00:27:d3:9f:22 brd ff:ff:ff:ff:ff:ff
    inet 192.168.1.104/24 brd 192.168.1.255 scope global enp0s3
       valid_lft forever preferred_lft forever
    inet6 fe80::a00:27ff:fed3:9f22/64 scope link 
       valid_lft forever preferred_lft forever
...

# 2. 编辑虚拟机的网络配置文件
# 文件原本长这样
$ sudo cat /etc/netplan/00-installer-config.yaml
# This is the network config written by 'subiquity'
network:
  ethernets:
    enp0s3:
      dhcp4: true
  version: 2

# 我们把它编辑成这样
$ sudo cat /etc/netplan/00-installer-config.yaml
# This is the network config written by 'subiquity'
network:
  ethernets:
    enp0s3:
      dhcp4: no # 关闭 dhcp
      addresses: [192.168.1.104/24] # 虚拟机自己的 IP
      gateway4: 192.168.1.1 # 宿主机的 gateway
      nameservers:
        addresses: [127.0.0.53] # 宿主机的 dns
  version: 2

# 3. 让配置生效
$ sudo netplan apply

配置宿主机和每个虚拟机的 /etc/hosts 免得一直输 IP。

1
2
3
192.168.1.104 ubuntu-server-0
192.168.1.105 ubuntu-server-1
192.168.1.106 ubuntu-server-2

为了安全考虑，在虚拟机中创建 hadoop 用户，专门给 hadoop 用。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
$ sudo useradd -m hadoop -s /bin/bash

# 修改密码
$ sudo passwd hadoop

# 添加 sudo 权限
$ sudo adduser hadoop sudo

# 切换到 hadoop 用户
$ su hadoop

配置虚拟机之间的 ssh 免密连接，在每台虚拟机上都执行：

1
2
3
4
$ ssh-keygen -t rsa
$ ssh-copy-id -i ~/.ssh/id_rsa.pub hadoop@ubuntu-server-0
$ ssh-copy-id -i ~/.ssh/id_rsa.pub hadoop@ubuntu-server-1
$ ssh-copy-id -i ~/.ssh/id_rsa.pub hadoop@ubuntu-server-2

接下来为了避免不必要的问题，有的教程会让你关闭 firewalld.service 和 SELinux，但是 Ubuntu server 默认都没有这两玩意 ^^；有的教程还会让你安装 ntp 进行时间同步，但是 Ubuntu server 默认就有 time-sync.target，所以也不需要了。

给虚拟机配置共享文件夹：在 Vbox 的 Settings -> Shared Folders -> Adds new shared folder，填写宿主机的文件夹路径、文件夹名（这个之后要用到）、在虚拟机中的挂载点，最后勾选上 Auto-mount；再进入虚拟机，挂载共享文件夹。

1
2
# 在 vbox 中完成共享文件夹配置后，在虚拟机中挂载该文件夹
$ mount -t vboxsf shared-folder /mnt

接下来的操作全部在虚拟机中完成，且未说明的话默认每台虚拟机都要进行相同的操作。

配置 Hadoop 依赖环境

宿主机下载 Hadoop 的 .tar.gz 压缩包到共享文件夹，进入虚拟机解压缩。

1
$ tar -zxvf /mnt/hadoop-3.3.6.tar.gz -C ~

安装依赖软件。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
$ sudo apt install ssh pdsh

# 查看 pdsh 默认使用的 rcmd 类型，需要是 ssh 哦
$ pdsh -q -w localhost
...
Rcmd type               rsh
...

# 设置为 ssh
$ echo "export PDSH_RCMD_TYPE=ssh" >> ~/.bashrc
$ source ~/.bashrc

安装 JAVA，安装的 JAVA 版本根据 Hadoop 版本选择，看官方文档 Hadoop Java Versions。

1
2
3
4
5
# 安装 openjdk
$ sudo apt install openjdk-8-jdk

# 检查 JAVA
$ java -version

配置 JAVA_HOME 环境变量。

1
2
3
4
5
$ cd hadoop-3.3.6/

# 查看 java 位置
$ readlink -f $(which java)
/usr/lib/jvm/java-8-openjdk-amd64/jre/bin/java

根据上面得到的输出，编辑 etc/hadoop/hadoop-env.sh，添加下面的内容。

1
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/jre/

执行 hadoop 测试一下，输出 usage 文档就成功了！

1
$ bin/hadoop

把 bin/ 和 sbin/ 加到 PATH 里。

1
2
$ echo 'export PATH=$PATH:~/hadoop-3.3.6/bin:~/hadoop-3.3.6/sbin' >> ~/.bashrc
$ source ~/.bashrc

部署 Hadoop 集群

HDFS 架构是主从模式，包括三类角色：

Name Node：主节点。
Secondary Name Node：主节点辅助。
Data node：从节点。

这三种角色其实就是三种进程，将它们部署在我们的三个节点上，分配情况如下。

节点	服务
ubuntu-server-0	NameNode, DataNode, SecondaryNameNode
ubuntu-server-1	DataNode
ubuntu-server-2	DataNode

部署集群需要编辑 etc/hadoop 下的一些配置文件，先认识一下它们。

hadoop-env.sh: 配置 Hadoop 相关的环境变量，之前已经接触过了。
workers: 配置有哪些从节点 DataNode。
core-site.xml: Hadoop 核心配置文件。
hdfs-site.xml: HDFS 核心配置文件。

配置 etc/workers，默认是 localhost，要将整个文件改为以下内容。

1
2
3
ubuntu-server-0
ubuntu-server-1
ubuntu-server-2

配置 etc/hadoop/core-site.xml 如下。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
<configuration>
        <property>
                <name>fs.defaultFS</name>
                <value>hdfs://ubuntu-server-0:8020</value>
        </property>
        <property>
                <name>io.file.buffer.size</name>
                <value>131072</value>
        </property>
        <property>
                <name>hadoop.http.staticuser.user</name>
                <value>hadoop</value>
        </property>
</configuration>

fs.defaultFS: 整个 HDFS 内部的网络通讯地址，为 hdfs:// 协议。此处配置表明 NameNode 就位于 ubuntu-server-0 上，DataNode 将和这台虚拟机的 8020 端口通讯。
io.file.buffer.size: io 文件缓冲区大小，131072 bit = 16 KB。
hadoop.http.staticuser.user: 更改 Hadoop web 界面的默认登陆用户为 hadoop，否则之后 web 界面上的用户权限只允许查看信息（这是为了安全考虑，因此建议不要配置这个选项，这里配置它只是为了体验尝鲜）。

配置 etc/hadoop/hdfs-site.xml。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
<configuration>
        <property>
                <name>dfs.namenode.name.dir</name>
                <value>/data/nn</value>
        </property>
        <property>
                <name>dfs.namenode.hosts</name>
                <value>ubuntu-server-0,ubuntu-server-1,ubuntu-server-2</value>
        </property>
        <property>
                <name>dfs.namenode.handler.count</name>
                <value>100</value>
        </property>
        <property>
                <name>dfs.blocksize</name>
                <value>268435456</value>
        </property>
        <property>
                <name>dfs.datanode.data.dir.perm</name>
                <value>700</value>
        </property>
        <property>
                <name>dfs.datanode.data.dir</name>
                <value>/data/dn</value>
        </property>
</configuration>

dfs.namenode.name.dir: NameNode 元数据的存储位置。
dfs.namenode.hosts: NameNode 允许哪几个 DataNode 连接（即加入集群）。
dfs.namenode.handler.count: NameNode 处理的并发线程数。
dfs.blocksize: HDFS 默认块大小，268435456 B = 256 MB。
dfs.datanode.data.dir.perm: HDFS 默认创建的文件权限设置。
dfs.datanode.data.dir: DataNode 的数据存储目录。

既然配置了 dfs.namenode.name.dir 和 dfs.datanode.data.dir，就需要创建配置的这两个目录。

1
2
3
4
5
6
# 在 ubuntu-server-0 执行
$ mkdir -p /data/nn
$ mkdir -p /data/dn

# 在 ubuntu-server-1 和 ubuntu-server-2 执行
$ mkdir -p /data/dn

我们之后将以 hadoop 用户身份启动 Hadoop，所以更改一下要用到的目录所属。

1
$ sudo chown -R hadoop:hadoop /data/ ~/hadoop-3.3.6/

至此前期准备工作就完成了，现在对整个文件系统进行初始化。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
# 在 ubuntu-server-0 执行
$ hadoop namenode -format
...
/************************************************************
SHUTDOWN_MSG: Shutting down NameNode at ubuntu-server-0/192.168.1.104
************************************************************/

# 执行完后可以看到 /data/nn 里有数据了
$ ls /data/nn/
current

给虚拟机照个快照吧，保存来之不易的劳动成果（不需要关机）。

HDFS 集群，启动!

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
# 在 ubuntu-server-0 上执行
$ start-dfs.sh
Starting namenodes on [ubuntu-server-0]
Starting datanodes
localhost: Warning: Permanently added 'localhost' (ED25519) to the list of known hosts.
Starting secondary namenodes [ubuntu-server-0]

# 查看运行的 JAVA 进程，果然符合我们的配置（到另外两台虚拟机上执行也可以看到有 DataNode 进程）
$ jps 
3541 NameNode
3836 SecondaryNameNode
3661 DataNode
4111 Jps

# 查看集群状态，可以看到 Live datanodes 有 3 台！（刚启动可能要等一会）
$ hdfs dfsadmin -report

至此就集群就成功拉起了！用浏览器访问 http://ubuntu-server-0:9870 可以看到 Hadoop 的 dashboard。 hadoop_web_dashboard

1
2
# 关闭 HDFS 集群，在 ubuntu-server-0 执行就行
$ stop-dfs.sh

HDFS 基础操作

一键启动 HDFS 集群。

1
$ start-dfs.sh

执行原理：

在执行此脚本的主机上启动 SecondaryNameNode。
读取 core-site.xml 中的 fs.defaultFS 配置项，启动 NameNode。
读取 workers 内容，启动所有 DataNode。

一键关闭 HDFS 集群。

1
$ stop-dfs.sh

执行原理：

在执行此脚本的主机上关闭 SecondaryNameNode。
读取 core-site.xml 中的 fs.defaultFS 配置项，关闭 NameNode。
读取 workers 内容，关闭所有 DataNode。

还可以单独控制所在主机的进程的启停。

1
$ hdfs --daemon [start|status|stop] [namenode|secondarynamenode|datanode]

查看帮助。

1
2
$ hdfs --help
$ hdfs dfs -help | less

查看文件。

1
2
3
4
5
# 旧方式
$ hadoop fs -ls <path>

# 或新方式
$ hdfs dfs -ls <path>

创建文件夹。默认可以省略协议头，如 hdfs dfs -mkdir /bigdata 和 hdfs dfs -mkdir hdfs://ubuntu-server-0:8020/bigdata 等效。

1
2
$ hadoop fs -mkdir [-p] <path>
$ hdfs dfs -mkdir [-p] <path>

上传文件。

1
2
$ hadoop fs -put <localsrc> <dst>
$ hdfs dfs -put <localsrc> <dst>

下载文件。

1
2
$ hadoop fs -get <src> <localdst>
$ hdfs dfs -get <src> <localdst>

查看文件内容。

1
2
$ hadoop fs -cat <file>
$ hdfs dfs -cat <file>

复制文件。

1
2
3
# <src> 和 <dst> 都是 HDFS 中的文件
$ hadoop fs -cp <src> <dst>
$ hdfs dfs -cp <src> <dst>

修改文件（只支持追加内容）。

1
2
$ hadoop fs -appendToFile <localsrc> <dst>
$ hdfs dfs -appendToFile <localsrc> <dst>

移动文件。

1
2
$ hadoop fs -mv <src> <dst>
$ hdfs dfs -mv <src> <dst>

删除文件。-skipTrash 指跳过回收站直接删除，回收站功能默认关闭，要在 core-site.xml 中配置开启。

1
2
$ hadoop fs -rm [-r] [-skipTrash] <path>
$ hdfs dfs -rm [-r] [-skipTrash] <path>

HDFS 文件权限。注意 HDFS 中最高权限用户是启动 namenode 的用户，所以即使是 root 在操作 HDFS 文件时也可能遇到权限不足的问题。

1
2
3
4
5
$ hadoop fs -chown
$ hadoop fs -chmod

$ hdfs dfs -chown
$ hdfs dfs -chmod

HDFS 存储原理

将一个文件分为多个固定大小的 block（上面我们配置的 256 MB）存储在不同的 DataNode 上，同时每个 block 都有多个副本（副本数包括本身，默认为 3）存储在其他节点上作备份，空间浪费了但是安全性和读写速度都提升了。

在每一个节点的 etc/hadoop/hdfs-site.xml 中配置默认副本数量。

1
2
3
4
<property>
    <name>dfs.replication</name>
    <value>3</value>
</property>

检查文件副本数。

1
$ hdfs fsck <path> -files -blocks -locations

那么 Hadoop 是如何记录和整理文件和 blocks 的关系呢？通过 NameNode 的元数据，即之前配置的 dfs.namenode.name.dir。

同时 edits 文件中记录了所有对文件系统的操作，影响的文件和对应的 block，合并 edits 文件即可得到当前的状态。

基于 MR 的 URLs 统计实验

为了能够方便地构建 URLs 模拟数据集，我编写了一个 bash 脚本 urls.sh 来随机生成指定行数的模拟数据。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
#!/bin/bash

URLs=(
    "https://www.google.com"
    "https://www.baidu.com"
    "https://bing.com"
    "https://github.com"
    "https://www.bilibili.com"
    "https://wiki.archlinux.org"
    "https://huggingface.co"
)
LEN=${#URLs[@]}

function help() {
    echo -e 'Create a file of specified number of rows containing randomly sorted URLs'
    echo -e 'Usage:'
    echo -e "\t$0 [-h|--help] [-n|--number NUM] [--] FILE"
}

# parse options
options=$(getopt -o hn: -l help,number: -n "$0" -- "$@")
if [[ -z "$@" || $? -ne 0 ]]; then
    help
    exit 1
fi
eval set -- "$options"

NUM=0
while true; do
    case "$1" in
    -n | --number)
        shift; # The arg is next in position args
        NUM=$1
        ;;
    -h | --help)
        help
        exit 1
        ;;
    --)
        shift
        break
        ;;
    esac
    shift
done

if ! [[ ${NUM} -gt 0 && ${NUM} =~ ^[0-9]+$ ]]; then
    echo "Wrong number of rows"
    exit 1
fi

FILE="$@"
# check
if [[ -d $(dirname ${FILE}) && ! -e ${FILE} ]]; then
    for ((i=0;i<${NUM};i++)); do
        index=$((RANDOM % LEN))
        echo ${URLs[index]} >> ${FILE}
    done
else
    echo "Wrong filepath"
    exit 1
fi

echo Created \"$(realpath ${FILE})\"

执行该脚本，生成行数参数设定为 10000，数据写入当前目录下的 urls.txt 文件中。

1
2
3
4
5
6
7
8
9
$ ./urls.sh -n 10000 -- urls.txt
Created "/home/zhao/work/bigdata/urls.txt"

$ head -n 5 ./urls.txt
https://huggingface.co
https://www.baidu.com
https://github.com
https://www.bilibili.com
https://huggingface.co

可见该数据集每一行即为一个 URL。

编写 mapper.py 和 reducer.py。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
# mapper.py
#!/usr/bin/env python3
import sys
for line in sys.stdin:
    line = line.strip()
    print("%s\t%s" % (line, 1))

# reducer.py
#!/usr/bin/env python3
import sys
from operator import itemgetter

current_url = None
current_count = 0

url = None
for line in sys.stdin:
    line = line.strip()
    url, count = line.split('\t', 1)
    try:
        count = int(count)
    except ValueError:
        continue

    if current_url == url:
        current_count += count
    else:
        if current_url is not None:
            print("%s\t%s" % (current_url, current_count))
        current_url = url
        current_count = count

if current_url is not None:
    print("%s\t%s" % (current_url, current_count))

可以先在本机简单实验一下。

1
2
3
4
5
6
7
8
$ cat urls.txt | python mapper.py | sort -k1,1 | python reducer.py 
https://bing.com        1469
https://github.com      1432
https://huggingface.co  1414
https://wiki.archlinux.org      1447
https://www.baidu.com   1447
https://www.bilibili.com        1365
https://www.google.com  1426

将数据上传 HDFS: hdfs dfs -put ./urls.txt /bigdata/。
上传并执行 mapper.py 和 reducer.py。

1
2
3
4
5
6
7
8
9
$ hadoop jar share/hadoop/tools/lib/hadoop-streaming-3.3.6.jar -files /mnt/mapper.py,/mnt/reducer.py -mapper "python3 mapper.py" -reducer "python3 reducer.py" -input /bigdata/urls.txt -output /bigdata/res/

# 查看 HDFS
$ hdfs dfs -ls -R /
drwxr-xr-x   - hadoop supergroup          0 2023-09-07 18:17 /bigdata
drwxr-xr-x   - hadoop supergroup          0 2023-09-07 18:17 /bigdata/res
-rw-r--r--   3 hadoop supergroup          0 2023-09-07 18:17 /bigdata/res/_SUCCESS
-rw-r--r--   3 hadoop supergroup        191 2023-09-07 18:17 /bigdata/res/part-00000
-rw-r--r--   3 hadoop supergroup     222529 2023-09-07 17:18 /bigdata/urls.txt

查看结果。

1
2
3
4
5
6
7
8
9
# 和之前在本机实验的结果一样！
$ hdfs dfs -cat /bigdata/res/part-00000
https://bing.com        1469
https://github.com      1432
https://huggingface.co  1414
https://wiki.archlinux.org      1447
https://www.baidu.com   1447
https://www.bilibili.com        1365
https://www.google.com  1426

References

关于 Hadoop 的安装配置见 Hadoop doc。

虚拟机集群部署#

准备虚拟机#

配置 Hadoop 依赖环境#

部署 Hadoop 集群#

HDFS 集群，启动!#

HDFS 基础操作#

HDFS 存储原理#

基于 MR 的 URLs 统计实验#

References#