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：
| 技术名称或工具名称 | 版本 | 备注 |
|---|---|---|
| Hadoop | hadoop-3.3.4.tar.gz | |
| VirtualBox | 6.0.0 r127566 | 虚拟机，推荐 |
| CentOS | centos7.3 | |
| JDK | jdk-8u212-linux-x64.tar.gz | 1.8.0_111 |
| Zookeeper | zookeeper-3.6.tar.gz | |
| FileZilla | FileZilla_3.34.0 | 文件传输工具，推荐 |
| MobaXterm | MobaXterm_Portable_v10.9 | SSH连接工具，推荐 |
| Idea | IDEA COMMUNITY 2019.1.4 | 代码IDE开发工具，推荐 |
（2）环境部署与分布介绍表：
| 主机名 | IP | 运行的进程 |
|---|---|---|
| master | 192.168.0.20 | QuorumPeerMain、NameNode、DataNode、ResourceManager、NodeManager、JournalNode、DFSZKFailoverController、Master |
| slave1 | 192.168.0.21 | QuorumPeerMain、NameNode、DataNode、ResourceManager、NodeManager、JournalNode、DFSZKFailoverController、Master、Worker |
| slave2 | 192.168.0.22 | QuorumPeerMain、NameNode、DataNode、JournalNode、NodeManager、Worker |
（3）进程介绍：（1表示进程存在，0表示不存在）
| 进程名 | 含义 | master | slave1 | slave2 |
|---|---|---|---|---|
| QuorumPeerMain | ZK进程 | 1 | 1 | 1 |
| NameNode | Hadoop主节点 | 1 | 1 | 0 |
| DataNode | Hadoop数据节点 | 1 | 1 | 1 |
| ResourceManager | Yarn管理进程 | 1 | 1 | 0 |
| NodeManager | Yarn 工作进程 | 1 | 1 | 1 |
| JournalNode | NameNode同步进程 | 1 | 1 | 1 |
| DFSZKFailoverController | NameNode监控进程 | 1 | 1 | 0 |
| Master | Spark主节点 | 1 | 1 | 0 |
| Worker | Spark工作节点 | 1 | 1 | 1 |
2. 系统基础环境准备
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。
