Hadoop、HBase、Spark单机安装

水平有限，本文仅以流水账的方式 介绍自己 安装 三款软件 的过程。

环境Ubuntu on 虚拟机：

$ cat /proc/version
Linux version 4.15.0-54-generic (buildd@lgw01-amd64-014) (gcc version 7.4.0 
(Ubuntu 7.4.0-1ubuntu1~18.04.1)) #58-Ubuntu SMP Mon Jun 24 10:55:24 UTC 2019

背景

Hadoop 包含 HDFS、MapReduce（两大核心），基于 Hadoop core 实现，对了Hadoop中还有一款 资源管理器YARN。

HBase 一个分布式数据库，列存储模式，HBase将数据存储在HDFS（基于），分布式NoSQL数据库，类似MongoDB、Cassandra，不过，可以处理的数据量级大于MongoDB。

Spark 是一个计算框架，为了解决Hadoop的计算效率低下等问题而生，它基于内存做计算，可以基于Hadoop，也可以不和Hadoop一起使用。

三款软件都属于 Apache基金会，从下面的链接中可以找到 各个软件（Download & Documentation）：

https://www.apache.org/index.html#projects-list

安装选择的版本：

Hadoop：hadoop-3.1.3.tar.gz 2019 Oct 21

HBase：hbase-2.2.5-bin.tar.gz 2020/05/21

Spark：spark-3.0.0-bin-hadoop3.2.tgz Jun 18, 2020

注意，

HBase 1.*、2.* 的区别是什么？其 1.6.0 发布于 2020/03/06，看来两个版本都是处于 很好的维护阶段。

spark with hadoop、without hadoop的区别是什么？

作者还没弄明白。

正文

0、准备工作

创建 hadoop用户（不一定是 hadoop），并添加 管理员权限

JDK 8+（Linux上有 OpenJDK 的）

ssh、sshd、pdsh

修改 /etc/profile：添加 export PDSH_RCMD_TYPE=ssh

1、Hadoop

三种安装模式中的 Pseudo-Distributed Mode（伪分布式） 模式 + YARN资源调度器。

解压hadoop-3.1.3.tar.gz；

修改 etc/hadoop/hadoop-env.sh：

添加export JAVA_HOME=jdk安装目录；

执行 bin/hadoop 可以看到 这个命令的用户；

bin目录 下是 一些 原始命令，sbin目录 下 是 一些服务命令——启动、停止等。

此时，hadoop命令就可以使用了，如官网所说，可以执行一些任务了。

etc下文件：

$ ll etc/hadoop/
total 184
drwxr-xr-x 3 hadoop hadoop  4096 7月   9 08:46 ./
drwxr-xr-x 3 hadoop hadoop  4096 9月  12  2019 ../
-rw-r--r-- 1 hadoop hadoop  8260 9月  12  2019 capacity-scheduler.xml
-rw-r--r-- 1 hadoop hadoop  1335 9月  12  2019 configuration.xsl
-rw-r--r-- 1 hadoop hadoop  1940 9月  12  2019 container-executor.cfg
-rw-r--r-- 1 hadoop hadoop   866 6月  29 15:50 core-site.xml
-rw-r--r-- 1 hadoop hadoop  3999 9月  12  2019 hadoop-env.cmd
-rw-r--r-- 1 hadoop hadoop 15934 6月  29 14:48 hadoop-env.sh
-rw-r--r-- 1 hadoop hadoop  3323 9月  12  2019 hadoop-metrics2.properties
-rw-r--r-- 1 hadoop hadoop 11392 9月  12  2019 hadoop-policy.xml
-rw-r--r-- 1 hadoop hadoop  3414 9月  12  2019 hadoop-user-functions.sh.example
-rw-r--r-- 1 hadoop hadoop  1072 6月  30 15:03 hdfs-site.xml
-rw-r--r-- 1 hadoop hadoop  1484 9月  12  2019 httpfs-env.sh
-rw-r--r-- 1 hadoop hadoop  1657 9月  12  2019 httpfs-log4j.properties
-rw-r--r-- 1 hadoop hadoop    21 9月  12  2019 httpfs-signature.secret
-rw-r--r-- 1 hadoop hadoop   620 9月  12  2019 httpfs-site.xml
-rw-r--r-- 1 hadoop hadoop  3518 9月  12  2019 kms-acls.xml
-rw-r--r-- 1 hadoop hadoop  1351 9月  12  2019 kms-env.sh
-rw-r--r-- 1 hadoop hadoop  1747 9月  12  2019 kms-log4j.properties
-rw-r--r-- 1 hadoop hadoop   682 9月  12  2019 kms-site.xml
-rw-r--r-- 1 hadoop hadoop 13326 9月  12  2019 log4j.properties
-rw-r--r-- 1 hadoop hadoop   951 9月  12  2019 mapred-env.cmd
-rw-r--r-- 1 hadoop hadoop  1764 9月  12  2019 mapred-env.sh
-rw-r--r-- 1 hadoop hadoop  4113 9月  12  2019 mapred-queues.xml.template
-rw-r--r-- 1 hadoop hadoop  1027 6月  29 16:49 mapred-site.xml
drwxr-xr-x 2 hadoop hadoop  4096 9月  12  2019 shellprofile.d/
-rw-r--r-- 1 hadoop hadoop  2316 9月  12  2019 ssl-client.xml.example
-rw-r--r-- 1 hadoop hadoop  2697 9月  12  2019 ssl-server.xml.example
-rw-r--r-- 1 hadoop hadoop  2642 9月  12  2019 user_ec_policies.xml.template
-rw-r--r-- 1 hadoop hadoop    10 9月  12  2019 workers
-rw-r--r-- 1 hadoop hadoop  2250 9月  12  2019 yarn-env.cmd
-rw-r--r-- 1 hadoop hadoop  6056 9月  12  2019 yarn-env.sh
-rw-r--r-- 1 hadoop hadoop  2591 9月  12  2019 yarnservice-log4j.properties
-rw-r--r-- 1 hadoop hadoop  1159 6月  29 17:41 yarn-site.xml
hadoop@ben-VirtualBox:~/ws/hadoop-3.1.3$

参考官网，进一步安装 Pseudo-Distributed Mode 的 hadoop。

修改 etc/hadoop/core-site.xml；

修改 etc/hadoop/hdfs-site.xml：比官网多了 namenode、datanode 的配置，，默认是在 /tmp目录下，重启后 数据丢失，下次由需要重新 格式化，，整个HDFS中，只会有一个 namenode，但是，<value>属性 可以配置 多个值（看到过一篇博文，首个目录后的为 备用）。

配置无密码登录（ssh localhost）：在用户的 HOME目录 下执行，执行后会有 .ssh文件夹

ssh-keygen

上面的配置后，HDFS可用了，也可以执行 hadoop任务（描述准确吗？）。

使用前，需要执行HDFS格式化：

$ bin/hdfs namenode -format

启动HDFS：

$ sbin/start-dfs.sh

此时，使用 jps命令 可以看到 namenode、datanode、SecondaryNameNode等Java进程：

使用 http://localhost:9870/ 可以看到 一些hadoop的信息。

 

如 官网所讲，此时，可以使用 bin/hdfs 命令 操作HDFS了，建立文件夹、操作文件等。

HDFS 就是一个 以 根目录（/）  为节点的 分布式文件系统，目录结构类似 Linux系统，但是，默认的 根目录下 没有内容。

接下来，配置YARN资源调度器。

修改etc/hadoop/mapred-site.xml：

<configuration>
        <property>
                <name>mapreduce.framework.name</name>
                <value>yarn</value>
        </property>
        <property>
                <name>mapreduce.application.classpath</name>
                <value>$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/*:$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/lib/*</value>
        </property>
</configuration>

修改etc/hadoop/yarn-site.xml：

<configuration>

<!-- Site specific YARN configuration properties -->

    <property>
            <name>yarn.nodemanager.aux-services</name>
            <value>mapreduce_shuffle</value>
    </property>
    <property>
            <name>yarn.nodemanager.env-whitelist</name>
            <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>
    </property>
    <property>
            <name>yarn.nodemanager.vmem-check-enabled</name>
            <value>false</value>
    </property>
</configuration>

注意，

配置 yarn.nodemanager.vmem-check-enabled 是为了 避免 任务需要的内存超过虚拟内存大小 时，任务自动失败 的问题。

使用下面的命令 即可 启动yarn资源调度器：

$ sbin/start-yarn.sh

启动成功，使用 jps命令 可以看到其进程：NodeManager、ResourceManager：

~/ws/hadoop-3.1.3$ sbin/start-yarn.sh
Starting resourcemanager
Starting nodemanagers
hadoop@ben-VirtualBox:~/ws/hadoop-3.1.3$ jps
4193 SecondaryNameNode
3942 DataNode
5320 NodeManager
5130 ResourceManager
3772 NameNode
5647 Jps
~/ws/hadoop-3.1.3$

访问下面的链接 可以看到 资源管理器：

和前一步 没有启动yarn一样 执行hadoop任务，可以在这个页面 看到 任务执行详情。

2、HBase

参考链接：

http://hbase.apache.org/book.html#quickstart

https://foochane.cn/article/2019062801.html

下载2.2.5：hbase-2.2.5-bin.tar.gz；

解压：tar xzvf hbase-2.2.5-bin.tar.gz；

修改 hbase-env.sh：export JAVA_HOME、export HBASE_MANAGES_ZK=false；

修改 hbase-site.xml ：hbase.rootdir、hbase.zookeeper.quorum——端口为2182；

单机 伪分布式部署，故，无需更改 regionservers 文件：默认为 localhost；

配置修改环境。

确保 hdfs、ZooKeeper 已启动，然后，启动 hbase：bin/start-hbase.sh；

HMaster启动了，成功！

此时，可以访问 localhost:16010 （旧版本的端口 不是 16010）；

bin目录下文件：

重点：

hbase启动后，可以通过 HBase shell 操作它。

list、help……需要摸索，和操作一般数据库差不多。

HBase 启动后，在 HDFS 下会建立一个 /hbase目录：

至此，HBase 单机伪分布式 安装完毕。

3、Spark

提前安装Scala：

下载scala-2.13.3.tgz，解压，修改 ~/.bashrc文件（修改后执行 source）；

命令行输入 scala，进入交互式命令行：

开始Spark安装：

 下载 spark-3.0.0-bin-hadoop3.2.tgz ， 解压；

 

修改spark-env.sh；

单机，无需更改 slaves；

修改 ~/.bashrc文件：

启动Hadoop后，启动Spark：

$SPARK_HOME/sbin/start-all.sh

注意，

start-all.sh 中会启动 start-master.sh ，其中会配置 Master的 端口为 8080，会存在 冲突，修改后才可以启动成功。

访问 localhost:8081 可得：

说明，start-history-server.sh 的作用 未测试，不启动也是可以的。

bin目录 下的文件列表：

执行 spark-shell 启动 交互式接口；

启动成功，则可以使用 4040端口访问：

Spark启动了，接下来，怎么使用Spark呢？

 统计HDFS中一个文件的行数：

 4040端口 所在的页面 可以看到 任务 更详细的信息：

就这样，

安装好了，接下来 可以 一边学习 一边实践了（Learning by Doing） ......

参考资料：

1、Hadoop: Setting up a Single Node Cluster.

https://hadoop.apache.org/docs/r3.1.3/hadoop-project-dist/hadoop-common/SingleCluster.html

2、网友 foochane 的 大数据 分类

https://foochane.cn/categories/%E5%A4%A7%E6%95%B0%E6%8D%AE/page/2/

hadoop https://foochane.cn/article/2019051901.html

hbase https://foochane.cn/article/2019062801.html

spark https://foochane.cn/article/2019051904.html

网友 foochane 的 简书 （备用地址）：

https://www.jianshu.com/u/f38fdcc058f9

后记

作者尽量保证文章的准确性，如有谬误，还请指正（不强求）。

yarn.nodemanager.vmem-check-enabled