Zlatan Eevee

前一篇文章解答了Map任务数、启动人的细节，下面我们解答第二个问题： HDFS的block是否粗暴但忠实的将文件按照64MB分片呢？如果是的话，怎么保证Map获取到的Splits是正确的？具体到wordcount，MR是怎么处理一个单词跨block的情况呢？ 我们从Map任务的人口开始说起。前面YARN分析的时候有提到过，AppMaster会将task提交到NodeManager，在NM的container里运行具体的任务。具体到MR来说，运行的任务就是MapTask/ReduceTask。 来看M...

MapReduce比较基础，但是经常会有一些问题不是很清楚，这一系列文章会解答几个经常问的问题。 本文解答第一个问题：是谁决定要起几个Map任务？在什么阶段呢？ 还是以wordcount为例。 wordcount客户端在初始化job后调用Job.waitForCompletion方法就结束了，真正提交Job给Yarn的在MapReduce客户端代码的submit里做的。 public boolean waitForCompletion(boolean verbose ...

1 安装 1.1 hive外壳环境 1.2 示例 2 hive运行解析 2.1 配置 2.2 日志 2.3 hive服务端 2.4 客户端 2.5 metastore 3 与传统数据库比较 3.1 读时模式 vs 写时模式 3.2 更新、事务和索引 4 HiveQL Hive是一个运行在hadoop之上...

1 概述 2 架构 块 文件访问权限 3 文件读取 3.1 访问接口 3.2 客户端读取HDFS过程 4 文件写入 6 Fedoration 7 小文件解决方案 8 distcp 1 概述 HDFS应用场景：存储超大型流式处理数据（Terabytes和Petabytes级别）。 总的来说，HDFS的特点有这么几个： “write once, read many”，只...

1 介绍 2 安装 3 核心：RDD 4 基本架构 5 Quick start 5.1 spark shell 5.2 Self-Contained Applications 1 介绍 Spark是一个快速、通用的集群计算系统，提供JAVA/Scala/Python API，以及一系列的高级工具：Spark SQL/MLib/GrapyX/Spark Streaming. Spark的编程语言是scala，同样采用scala的还...

1 背景：MR的问题 2 Storm的优势 3 编程模型 3.1 wordcount示例 4 基本架构 5 记录级容错 1 背景：MR的问题 启动时间长。多采用pull模型，没有JVM缓存池 调度开销大 中间数据写磁盘 storm的出现，可以比较好的解决上面的问题。 2 Storm的优势 实时计算、流式计算。水管不停的产生数据，流向中间的螺栓(处理逻辑)。 Storm出现之前的解决方法：消息队列，读取消息队列，更新数据...

1 介绍 2 数据处理引擎 2.1 6种应用程序接口： 2.2 数据处理引擎 3 DAG编程模型 4 Tez带来的优化技术 5 总结 6 示例 1 介绍 目前的问题：如果作业由多个MR任务完成，则必然经过多次完整的Map–shuffer–Reduce，中间节点的数据多次写入HDFS，浪费IO读写。（可以将HDFS理解为多个任务之间的共享存储。）Tez的引入可以较小的代价的解决这一问题。 Tez采用了DAG（有向无环图）来组...

1 简介 2 工具 2.1 直接查看数据库、表 2.2 将数据库导入import到hdfs 2.4 生成代码 1 简介 sqoop可以用来在hdfs和关系型数据（如mysql, Oracle, PostgreSQL）之间交换数据，也可以作为异构数据库之间同步使用。 sqoop通过JDBC（Java Data Base Connectivity,java数据库连接）与数据库交互，整合了Hive/HBase和oozie，核心是Map...

一 示例执行 二 Client解析 1 创建Client对象 2 初始化 3 运行 三 Application Master解析 1 设置RM、NM消息的异步处理方法 2 向RM注册 3 计算需要的Container，向RM发起请求 4 RM分配Container给AM，AM启动任务 四 UnmanagedAM hadoop源码中，使用yarn的应用...

1 介绍 2 架构详解 3 安装 3.1 配置ssh免认证登陆、hosts 3.2 下载官方yum源 4 验证 4.1 验证HDFS 4.2 验证spark on yarn 1 介绍 之前搭建hadoop平台（参加前一篇blog），采用的是手动安装、修改配置文件的方法。这样可以大致了解hadoop基本的部署过程，但是实际生产过程中不可能采用这种全手工的方法，后续还涉及到安装HBase/...

2 架构详解

暂时还没有深入了解，先挖个坑在这。 感兴趣的同学可以先看CSDN上的一篇文章，介绍的比较仔细。 简单来说，ambari利用了一些优秀的开源软件，做到了集群部署(puppet)、监控(Ganglia/nagios)、管理能力。

3 安装

我用的是3台阿里云的ECS，centos6.5系统，直接从hortonworks官方源拖的。ambari将安装做的已经非常好了，无奈受限于网络状况，安装过程中可能会出现失败的情况，retry就好了。吐槽一下ECS，不知道阿里的网络带宽是怎么限制的，实际使用起来有时效果比较糟糕，同一个地址下载可能一台几十KB，另一台可以达到3MB/s。 下面简单写一下安装过程吧，网上教程搜一下很多，这儿就只说一下坑。 建议直接参考官方的安装说明

3.1 配置ssh免认证登陆、hosts

请参考前一篇blog。

3.2 下载官方yum源

For Redhat/CentOS/Oracle:
  cd /etc/yum.repos.d/
  wget <ambari-repo-url>

坑：网上的教程多数还是基于1.x版本的，写blog的时候官方已经发布到了2.0.0（跳过了1.8/1.9）。 下载的repo url决定了使用的ambari版本，建议安装的时候去官网上找一下最新版本的repo url。 另，如果空间富裕的话，建议找一台虚机做一个官方源的镜像，后面安装会顺畅很多。 ####3.3 install, setup, and start ambari-server 步骤简单，

yum install ambari-server
ambari-server setup
ambari-server start

安装完毕后访问http://<ambari-server-host>:8080，有ambari的登陆界面，密码是admin/admin。

####3.4 安装hadoop/spark等服务 ambari提供了一个安装向导，按着来就行，具体可以参照chinaunix上的一篇blog，注意他用的是古老的1.4。 几个坑：

• 如果使用的是自己的镜像，需要在向导里就先修改为实际的镜像地址（需要关闭验证）。不要妄想这儿不改，等到安装各个服务的时候跑到/etc/yum.repos.d/ 里去改，安装向导会强行覆盖的。
• 如果用的是比较老的比如1.4的版本，注册这一步可能会提示用的版本不匹配。

Cluster primary OS type is redhat6 and local OS type is centos5 Local OS is not compatible with cluster primary OS. Please perform manual bootstrap on this host.

是安装脚本问题(AMBARI-4101)，可以按patch修改os_type_check.sh。我的办法是强行修改current_os与cluster一致。当然，直接上2.0吧，新版本已经改了这个bug了。

• 要求输入各主机名列表时，务必使用FQDN格式（即www.google.com之类），不能直接使用benzema/bale这种。
• 向导要求提供的是私钥，跟ssh免认证登陆不同（Q:为什么要私钥？）
• 如果安装各个服务的时候，失败的实在太多，可以先把包下载下来，手动安装。ambari retry对于已经安装过的只会检查。
• 如果不幸，你先安装了低版本的ambari，没关系，ambari是支持升级的，具体参考官方指导文档。如果不幸升级失败了，可以ambari-server reset全部复位掉。
• 想起来再补

4 验证

4.1 验证HDFS

登陆到HDFS的master控制台

[root@ty10 ~]# hadoop fs -ls /
Found 8 items
drwxrwxrwt   - yarn   hadoop          0 2015-04-29 15:42 /app-logs
drwxr-xr-x   - hdfs   hdfs            0 2015-04-28 15:55 /apps
drwxr-xr-x   - hdfs   hdfs            0 2015-04-28 15:50 /hdp
...

4.2 验证spark on yarn

到安装spark client的主机上跑一下spark的示例应用：

spark-submit --class org.apache.spark.examples.SparkPi     --master yarn-cluster      --num-executors 3      --driver-memory 2g     --executor-memory 2g     --executor-cores 1        lib/spark-examples*.jar    10

yarn上查看application：

spark上查看任务：