HDFS+MapReduce+Hive+HBase快速入门.docx

1.前言本文的目的是让一个从未接触Hadoop的人，在很短的时间内快速上手，掌握编译、安装和简单的使用。2.Hadoop家族截止2009-8-19日，整个Hadoop家族由以下几个子项目组成：成员名用途Hadoop CommonHadoop体系最底层的一个模块，为Hadoop各子项目提供各 种工具，如：配置文件和日志操作等。AvroAvro是doug cutting主持的RPC项目，有点类似Google的protobuf和Facebook的thrift。avro用来做以后hadoop的RPC，使hadoop的RPC模块通信速度更快、数据结构更紧凑。ChukwaChukwa是基于Hadoop的大集群监控系统，由yahoo贡献。HBase基于Hadoop Distributed File System，是一个开源的，基于列存储模型的分布式数据库。HDFS分布式文件系统Hivehive类似CloudBase，也是基于hadoop分布式计算平台上的提供data warehouse的sql功能的一套软件。使得存储在hadoop里面的海量数据 的汇总，即席查询简单化。hive提供了一套QL的查询语言，以sql为基础，使用起来很方便。MapReduce实现了MapReduce编程框架PigPig是SQL-like语言，是在MapReduce上构建的一种高级查询语言，把一些运算编译进MapReduce模型的Map和Reduce中，并且用户可以定义自己的功能。Yahoo网格运算部门开发的又一个克隆Google的项目Sawzall。ZooKeeperZookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。3.演练环境3.1.?操作系统SuSE10，Linux2.6.16，32位版本。3.2.?HadoopHive通过SVN直接从网上下载原代码，其它采用hadoop-0.20.0.tar.gz二进制安装包，所以只需要编译Hive。另外，请注意不要下载2009-8-19号的Hive，2009-8-19提交的Hive版本在hadoop-0.20.0.tar.gz上编译通不过，原因是：Hive源代码根目录\ql\src\java\org\apache\hadoop\hive\ql\exec\FileSinkOperator.java文件中多了一行：import press.LzoCodec;而应当下载2009-8-4号和2009-8-19之间的版本，或2009-8-19之后的版本。3.3.?Hive在0.20.0版本的Hadoop二进制安装包中，并没有集成Hive，所以Hive需要自己编译，编译时需要使用到ant和ivy两个工具，而且依赖于Hadoop。3.4.?Java运行Hadoop和编译Hive，都需要使用到Java，所以需要第一个安装的是Java。3.5.?机器演练时，在3台机器上搭建Hadoop集群，假设这3台机器如下表所示：机器名机器IP用途Hadoop-A用作MasterHadoop-B用作SlaveHadoop-C用作Slave注意事项：机器名中不能包括下划线“_”，但可以包括横线。另可使用不带参数的hostname来查看机器名，修改机器名方法为：hostname?机器名，如：hostname Hadoop-A。 另外，集群内所有的机器登录用户名和密码要保 持相同。3.6.?安装列表安装说明Java 1.6A、B和C三台机器都需要安装Hadoop 0.20.0A、B和C三台机器都需要安装Hive只需要在B和C两台机器上安装，也就是master机器不需要安装ant只需要在B和C两台机器上安装，也就是master机器不需要安装ivy只需要在B和C两台机器上安装，也就是master机器不需要安装注意事项：为求简单所有操作均以root用户完成，实际上可以使用非root用户，但环境变量就不能直接在/etc/profile文件中添加了。4.配置ssh2和修改/etc/hosts需要在所有机器上配置ssh2和修改/etc/hosts。在/etc/hosts文件中增加如下三行：Hadoop-AHadoop-BHadoop-C并根据上述关系，使用hostname命令修改三台机器的机器名。4.1.?配置ssh21)?mkdir ~/.ssh2??#?如果~/.ssh2目录已经存在，则这一步可以跳过2)?cd ~/.ssh23)?ssh-keygen2 -t rsa4)?echo IdKey id_rsa_2048_a identificati