前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于腾讯云CVM搭建Hadoop集群及数据迁移最佳实践

基于腾讯云CVM搭建Hadoop集群及数据迁移最佳实践

原创
作者头像
Vicwan
修改2020-04-09 10:17:59
14K0
修改2020-04-09 10:17:59
举报

一、需求和目标

本文主要介绍如何在腾讯云CVM上搭建Hadoop集群,以及如何通过distcp工具将友商云Hadoop中的数据迁移到腾讯云自建Hadoop集群。

二、环境说明

JDK版本:jdk1.8.0_171

Hadoop版本:hadoop-2.7.4

主机

角色

软件

腾讯云tx-namenode 172.16.2.234

NameNode/SecondaryNameNode/ ResourceManager

HDFS/YARN

腾讯云tx-datanode1 172.16.2.4

DataNode/NodeManager

HDFS/YARN

腾讯云tx-datanode2 172.16.2.8

DataNode/NodeManager

HDFS/YARN

腾讯云tx-datanode3 172.16.2.7

DataNode/NodeManager

HDFS/YARN

友商云ali-namenode 10.1.125.118

NameNode/SecondaryNameNode/ ResourceManager

HDFS/YARN

友商云ali-datanode1 10.1.125.119

DataNode/NodeManager

HDFS/YARN

友商云ali-datanode2 10.1.125.116

DataNode/NodeManager

HDFS/YARN

友商云ali-datanode3 10.1.125.117

DataNode/NodeManager

HDFS/YARN

三、腾讯云Hadoop集群搭建

1、系统环境配置

1.1 配置主机名(永久修改)

(1)在腾讯云tx-namenode节点配置:

代码语言:txt
复制
[root@tx-namenode ~]# vim /etc/sysconfig/network
代码语言:txt
复制
NETWORKING=yes  #使用网络
HOSTNAME=tx-namenode  #设置主机名

(2)腾讯云tx-datanode1节点配置:

代码语言:txt
复制
[root@tx-datanode1 ~]# vim /etc/sysconfig/network
代码语言:txt
复制
NETWORKING=yes  #使用网络
HOSTNAME=tx-datanode1  #设置主机名

(3)腾讯云tx-datanode2节点配置:

代码语言:txt
复制
[root@tx-datanode2 ~]# vim /etc/sysconfig/network
代码语言:txt
复制
NETWORKING=yes  #使用网络
HOSTNAME=tx-datanode2  #设置主机名

(4)腾讯云tx-datanode3节点配置:

代码语言:txt
复制
[root@tx-datanode3 ~]# vim /etc/sysconfig/network
代码语言:txt
复制
NETWORKING=yes  #使用网络
HOSTNAME=tx-datanode3  #设置主机名

1.2 安装JAVA运行环境

(1)在/usr下创建Java目录

代码语言:txt
复制
mkdir -p /usr/java

(2)将JDK包解压到/usr/java下

代码语言:txt
复制
tar xvf jdk-8u171-linux-x64.tar -C /usr/java

(3)设置环境变量

代码语言:txt
复制
vim /etc/profile
代码语言:txt
复制
#添加如下配置
export JAVA_HOME=/usr/java/jdk1.8.0_171
export PATH=$PATH:$JAVA_HOME/bin
export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

export HADOOP_HOME="/usr/hadoop-2.7.4"
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
代码语言:txt
复制
#重新加载,使配置生效
source /etc/profile

1.3 配置hosts

代码语言:txt
复制
#腾讯云侧每个节点都需要修改
vim /etc/hosts
代码语言:txt
复制
172.16.2.234  tx-namenode
172.16.2.4  tx-datanode1
172.16.2.8  tx-datanode2
172.16.2.7  tx-datanode3

1.4 配置SSH免秘钥登录

代码语言:txt
复制
#注意:每个节点都需要操作
1.ssh-keygen,生成公钥和秘钥,在/root/.ssh/中
2.ssh-copy-id 其他节点IP 将公钥拷贝到其他节点

2、Hadoop安装与配置

2.1 配置HDFS集群

有3个相关的配置文件,hadoop-env.sh、core-site.xml、hdfs-site.xml,每台节点上都需要配置。

(1)配置 hadoop-env.sh

代码语言:txt
复制
export JAVA_HOME=/usr/java/jdk1.8.0_171

(2)配置 core-site.xml

代码语言:txt
复制
mkdir –p /var/hadoop  #创建Hadoop临时目录
代码语言:txt
复制
vim core-site.xml
代码语言:txt
复制
#添加如下代码
#一般hdfs的rpc通信端口用9000和8020,这里配置9000
<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://tx-namenode:9000</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/var/hadoop</value>
    </property>
</configuration>

(3)配置 hdfs-site.xml

代码语言:txt
复制
vim hdfs-site.xml
代码语言:txt
复制
#添加如下代码
<configuration>
<property>
        <name>dfs.namenode.http-address</name>
        <value>tx-namenode:50070</value>
    </property>
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>tx-namenode:50090</value>
    </property>
    <property>
        <name>dfs.replication</name>
        <value>2</value> #指定HDFS副本数量为2
    </property>
    <property>
 <name>dfs.client.use.datanode.hostname</name>
 <value>true</value> #设置为true,确保客户端访问datanode的时候是通过主机域名访问,就不会出现通过内网IP来访问了
 <description>only cofig in clients</description>
</property>
</configuration>

2.2 配置YARN集群

有2个相关的配置文件,mapred-site.xml、yarn-site.xml,在每个节点上都需要做配置。

(1)mapred-site.xml 配置

默认有mapred.xml.template文件,我们要复制该文件,并命名为mapred.xml,该文件用于指定MapReduce使用的框架

代码语言:txt
复制
cp mapred-site.xml.template mapred-site.xml 
代码语言:txt
复制
vim mapred-site.xml
代码语言:txt
复制
#添加如下代码
<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

(2)yarn-site.xml 配置

代码语言:txt
复制
vim yarn-site.xml
代码语言:txt
复制
#添加如下代码
<configuration>

<!-- Site specific YARN configuration properties -->
<property>
        <name>yarn.resourcemanager.hostname</name>
        <value>tx-namenode</value>
    </property>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
<property>
        <name>yarn.nodemanager.resource.cpu-vcores</name>
        <value>2</value>
</property>
<property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>4096</value>
    <discription>每个节点可用内存,单位MB</discription>
</property>
</configuration>

2.3 集群启动与测试

(1)格式化namenode,只需要在腾讯云tx-namenode上执行一次

代码语言:txt
复制
#格式化
./bin/hdfs namenode -format

(2)启动和停止HDFS集群,在每个节点上执行

代码语言:txt
复制
#启动
./sbin/start-dfs.sh
代码语言:txt
复制
#停止
./sbin/stop-dfs.sh

(3)验证HDFS集群是否组建成功

代码语言:txt
复制
./bin/hdfs dfsadmin -report

看到4个节点,说明HDFS集群正常

HDFS的web管理控制台,端口是50070

(4)验证角色

代码语言:txt
复制
jps

(5)启动和停止yarn集群,在每个节点上执行

代码语言:txt
复制
#启动
./sbin/start-yarn.sh
代码语言:txt
复制
#停止
./sbin/stop-yarn.sh

(6)验证yarn集群状态

代码语言:txt
复制
./bin/yarn node -list

看到4个节点,说明yarn集群正常

可以访问YARN的管理界面,端口是8088,验证YARN,如下图所示:

2.4 运行一个MR任务

Hadoop安装包里提供了现成的例子,在Hadoop的share/hadoop/mapreduce目录下。运行例子:

代码语言:txt
复制
[root@tx-namenode hadoop-2.7.4]# ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.4.jar pi 5 10
Number of Maps  = 5
Samples per Map = 10
Wrote input for Map #0
Wrote input for Map #1
Wrote input for Map #2
Wrote input for Map #3
Wrote input for Map #4
Starting Job
19/03/02 21:17:36 INFO client.RMProxy: Connecting to ResourceManager at ali-namenode/10.10.2.12:8032
19/03/02 21:17:37 INFO input.FileInputFormat: Total input paths to process : 5
19/03/02 21:17:37 INFO mapreduce.JobSubmitter: number of splits:5
19/03/02 21:17:37 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1551530990772_0001
19/03/02 21:17:37 INFO impl.YarnClientImpl: Submitted application application_1551530990772_0001
19/03/02 21:17:37 INFO mapreduce.Job: The url to track the job: http://ali-namenode:8088/proxy/application_1551530990772_0001/
19/03/02 21:17:37 INFO mapreduce.Job: Running job: job_1551530990772_0001
19/03/02 21:17:43 INFO mapreduce.Job: Job job_1551530990772_0001 running in uber mode : false
19/03/02 21:17:43 INFO mapreduce.Job:  map 0% reduce 0%
19/03/02 21:17:48 INFO mapreduce.Job:  map 20% reduce 0%
19/03/02 21:17:49 INFO mapreduce.Job:  map 100% reduce 0%
19/03/02 21:17:53 INFO mapreduce.Job:  map 100% reduce 100%
19/03/02 21:17:53 INFO mapreduce.Job: Job job_1551530990772_0001 completed successfully
19/03/02 21:17:53 INFO mapreduce.Job: Counters: 49
	File System Counters
		FILE: Number of bytes read=116
		FILE: Number of bytes written=852369
		FILE: Number of read operations=0
		FILE: Number of large read operations=0
		FILE: Number of write operations=0
		HDFS: Number of bytes read=1335
		HDFS: Number of bytes written=215
		HDFS: Number of read operations=23
		HDFS: Number of large read operations=0
		HDFS: Number of write operations=3
	Job Counters
		Launched map tasks=5
		Launched reduce tasks=1
		Data-local map tasks=5
		Total time spent by all maps in occupied slots (ms)=17114
		Total time spent by all reduces in occupied slots (ms)=2057
		Total time spent by all map tasks (ms)=17114
		Total time spent by all reduce tasks (ms)=2057
		Total vcore-milliseconds taken by all map tasks=17114
		Total vcore-milliseconds taken by all reduce tasks=2057
		Total megabyte-milliseconds taken by all map tasks=17524736
		Total megabyte-milliseconds taken by all reduce tasks=2106368
	Map-Reduce Framework
		Map input records=5
		Map output records=10
		Map output bytes=90
		Map output materialized bytes=140
		Input split bytes=745
		Combine input records=0
		Combine output records=0
		Reduce input groups=2
		Reduce shuffle bytes=140
		Reduce input records=10
		Reduce output records=0
		Spilled Records=20
		Shuffled Maps =5
		Failed Shuffles=0
		Merged Map outputs=5
		GC time elapsed (ms)=426
		CPU time spent (ms)=2190
		Physical memory (bytes) snapshot=1516769280
		Virtual memory (bytes) snapshot=12634689536
		Total committed heap usage (bytes)=1082130432
	Shuffle Errors
		BAD_ID=0
		CONNECTION=0
		IO_ERROR=0
		WRONG_LENGTH=0
		WRONG_MAP=0
		WRONG_REDUCE=0
	File Input Format Counters
		Bytes Read=590
	File Output Format Counters
		Bytes Written=97
Job Finished in 17.683 seconds
Estimated value of Pi is 3.28000000000000000000

四、Hadoop集群间的数据迁移

目的:用Hadoop自带的distcp工具,将友商云HDFS的数据迁移到腾讯云

1、配置注意事项

(1)确保友商云和腾讯云侧的主机名不一样;

(2)友商云和腾讯云侧所有节点配置公网IP;

(3)hosts配置:所有节点上都配置本地集群内的内网IP与主机名映射 + 对方集群的外网IP与主机名映射;

在友商云上hosts配置如下,因为要将友商云HDFS数据拷贝到腾讯云,所以在友商云每个节点需要添加腾讯云节点外网IP:

(4)安全组放行流量,确保友商云所有节点与腾讯云所有节点互相能够连通。

2、在友商云Hadoop集群上执行distcp进行拷贝

代码语言:txt
复制
[root@ali-namenode hadoop-2.7.4]#./bin/hadoop distcp hdfs://ali-namenode:9000/ali4 hdfs://tx-namenode:9000/

执行成功信息如下:

代码语言:txt
复制
[root@ali-namenode hadoop-2.7.4]# ./bin/hadoop distcp hdfs://ali-namenode:9000/ali4 hdfs://tx-namenode:9000/
19/03/03 17:22:52 INFO tools.DistCp: Input Options: DistCpOptions{atomicCommit=false, syncFolder=false, deleteMissing=false, ignoreFailures=false, maxMaps=20, sslConfigurationFile='null', copyStrategy='uniformsize', sourceFileListing=null, sourcePaths=[hdfs://ali-namenode:9000/ali4], targetPath=hdfs://tx-namenode:9000/, targetPathExists=true, preserveRawXattrs=false}
19/03/03 17:22:52 INFO client.RMProxy: Connecting to ResourceManager at ali-namenode/10.1.125.118:8032
19/03/03 17:22:52 INFO Configuration.deprecation: io.sort.mb is deprecated. Instead, use mapreduce.task.io.sort.mb
19/03/03 17:22:52 INFO Configuration.deprecation: io.sort.factor is deprecated. Instead, use mapreduce.task.io.sort.factor
19/03/03 17:22:53 INFO client.RMProxy: Connecting to ResourceManager at ali-namenode/10.1.125.118:8032
19/03/03 17:22:53 INFO mapreduce.JobSubmitter: number of splits:1
19/03/03 17:22:53 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1551594039839_0008
19/03/03 17:22:54 INFO impl.YarnClientImpl: Submitted application application_1551594039839_0008
19/03/03 17:22:54 INFO mapreduce.Job: The url to track the job: http://ali-namenode:8088/proxy/application_1551594039839_0008/
19/03/03 17:22:54 INFO tools.DistCp: DistCp job-id: job_1551594039839_0008
19/03/03 17:22:54 INFO mapreduce.Job: Running job: job_1551594039839_0008
19/03/03 17:23:00 INFO mapreduce.Job: Job job_1551594039839_0008 running in uber mode : false
19/03/03 17:23:00 INFO mapreduce.Job:  map 0% reduce 0%
19/03/03 17:23:06 INFO mapreduce.Job:  map 100% reduce 0%
19/03/03 17:23:06 INFO mapreduce.Job: Job job_1551594039839_0008 completed successfully
19/03/03 17:23:06 INFO mapreduce.Job: Counters: 32
	File System Counters
		FILE: Number of bytes read=0
		FILE: Number of bytes written=144218
		FILE: Number of read operations=0
		FILE: Number of large read operations=0
		FILE: Number of write operations=0
		HDFS: Number of bytes read=355
		HDFS: Number of bytes written=36
		HDFS: Number of read operations=12
		HDFS: Number of large read operations=0
		HDFS: Number of write operations=2
	Job Counters
		Launched map tasks=1
		Other local map tasks=1
		Total time spent by all maps in occupied slots (ms)=3353
		Total time spent by all reduces in occupied slots (ms)=0
		Total time spent by all map tasks (ms)=3353
		Total vcore-milliseconds taken by all map tasks=3353
		Total megabyte-milliseconds taken by all map tasks=3433472
	Map-Reduce Framework
		Map input records=1
		Map output records=1
		Input split bytes=134
		Spilled Records=0
		Failed Shuffles=0
		Merged Map outputs=0
		GC time elapsed (ms)=59
		CPU time spent (ms)=470
		Physical memory (bytes) snapshot=170491904
		Virtual memory (bytes) snapshot=2106613760
		Total committed heap usage (bytes)=93323264
	File Input Format Counters
		Bytes Read=221
	File Output Format Counters
		Bytes Written=36
	DistCp Counters
		Bytes Skipped=5
		Files Skipped=1

在腾讯云HDFS上也可以查到这个文件,说明拷贝成功。

五、通过外网distcp失败案例分析

1、问题现象

通过外网disctp工具拷贝文件失败,从图中报错信息中可以看到remote IP是一个内网IP,因为两个Hadoop集群内网不通,连接肯定失败。

2、问题分析解决

注意:distcp工具可以理解为Hadoop的client,可以在源端执行(push),也可以在目的端(pull)执行,但是在外网拷贝的情况下,一定要在hdfs-site.xml文件中增加以下配置:

代码语言:txt
复制
<property>
 <name>dfs.client.use.datanode.hostname</name>
 <value>true</value>
</property>

结论:distcp作为client去NN请求DN的时候,确保返回的是DN的域名(因为在云内部如果返回IP的话就是内网IP,很显然就会连接失败),因为本地有做对端DN与外网IP的hosts绑定,这时候连外网IP就能成功!!

六、总结

Hadoop集群间迁移一般采用distcp工具,这里介绍的是通过在外网如果实现数据的迁移。在企业实际的生产环境中,如果数据量比较大,可以用专线将两边内网打通,基于内网来做数据迁移。

另外如果是冷数据,可以将冷数据迁移到腾讯云COS存储,可以降低成本,具体见:https://cloud.tencent.com/document/product/436/7212

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、需求和目标
  • 二、环境说明
  • 三、腾讯云Hadoop集群搭建
    • 1、系统环境配置
      • 1.1 配置主机名(永久修改)
      • 1.2 安装JAVA运行环境
      • 1.3 配置hosts
      • 1.4 配置SSH免秘钥登录
    • 2、Hadoop安装与配置
      • 2.1 配置HDFS集群
      • 2.2 配置YARN集群
      • 2.3 集群启动与测试
      • 2.4 运行一个MR任务
  • 四、Hadoop集群间的数据迁移
    • 1、配置注意事项
      • 2、在友商云Hadoop集群上执行distcp进行拷贝
      • 五、通过外网distcp失败案例分析
        • 1、问题现象
          • 2、问题分析解决
          • 六、总结
          相关产品与服务
          对象存储
          对象存储(Cloud Object Storage,COS)是由腾讯云推出的无目录层次结构、无数据格式限制,可容纳海量数据且支持 HTTP/HTTPS 协议访问的分布式存储服务。腾讯云 COS 的存储桶空间无容量上限,无需分区管理,适用于 CDN 数据分发、数据万象处理或大数据计算与分析的数据湖等多种场景。
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档