1.环境配置
1.1 版本说明
组件 | 版本 | 是否必须 | 其他事项 |
---|---|---|---|
Hadoop | 3.3.0+ | 是 | hadoop3.3.0之后原生支持国内主要对象存储 |
Hive | 3.1.3 | 否 | 实测没有Hive也可以使用sparksql,使用hive更好的管理HDFS数据 |
spark | 3.3.1 | 是 | hive和spark整合后,语法为HSQL,自定义函数按照hive使用即可 |
cos | 未知 | 是 |
说明:由于部分生产日志过大,且需要对近期数据进行分析,HDFS文件存储成本较高,因此定于将近期热数据存储与hdfs,冷数据存储在更便宜的对象存储之上。
1.2 相关组件官网
Hadoop官网:https://hadoop.apache.org/docs/r3.3.4/hadoop-cos/cloud-storage/index.html
腾讯对象存储cos使用官网:https://cloud.tencent.com/document/product/436/6884
spark官网:https://spark.apache.org/docs/3.3.1/
1.3 cos与hadoop集成特征
-
支持 Hadoop MapReduce 和 Spark 将数据写入 COS 并直接从 COS 中读取。
-
实现了Hadoop文件系统的接口,提供了与HDFS相同的伪层次目录结构。
-
支持大文件分段上传。单个文件最大支持19TB
-
高性能和高可用性。Hadoop-COS 与 HDFS 的性能差异不超过 30%。
1.4 使用限制
对象存储不是文件系统,它有一些限制:
-
对象存储是一种键值存储,它天然不支持分层目录。通常,使用对象键中的目录分隔符来模拟分层目录,例如"/hadoop/data/words.dat"。
-
COS 对象存储目前不支持对象的追加操作。这意味着您不能将内容附加到现有对象(文件)的末尾。
-
删除和重命名操作都是非原子的,这意味着操作会被中断,操作结果可能会处于不一致的状态。
-
对象存储有不同的授权模型:
-
目录权限报告为 777。
-
文件权限报告为 666。
-
文件所有者被报告为本地当前用户。
-
文件组也被报告为本地当前用户。
-
支持大文件(最大40TB)分段上传,但分段数量限制为10000。
-
每次列出的文件数量限制为 1000 个。
2.Hadoop与HDFS集成
详见本博客《最全Hadoop实际生产集群高可用搭建》
3.Hadoop与yarn集成
3.1 概念
-
Bucket:COS 中存储数据的容器,名称由用户自定义的 BucketName 和用户 AppID 组成。
-
Appid:用户维度的唯一资源标识符。
-
SecretId:用于验证用户身份的 ID
-
SecretKey:用于验证用户身份的密钥
-
Region:桶所在的区域。
-
CosN:Hadoop-COS 使用cosn作为其 URI 方案,因此 CosN 通常用来指代 Hadoop-COS。
3.2 依赖关系
- cos_api(5.4.10 或更高版本)
- cos-java-sdk(推荐2.0.6版本)
- joda-time(推荐2.9.9版本)
- httpClient(推荐4.5.1或更高版本)
- Jackson:jackson-core、jackson-databind、jackson-annotations(2.9.8 或更高版本)
- bcprov-jdk15on(推荐1.59版本)
3.3 属性配置
如果您计划使用 COS 作为 Hadoop 或其他大数据系统的默认文件系统,则需要在 core-site.xml 中将fs.defaultFS配置为 Hadoop-COS 的 URI。Hadoop-COS 使用cosn作为其 URI 方案,并使用存储桶作为其 URI 主机。同时,您需要显式设置fs.cosn.userinfo.region来指示您的存储桶所在的区域。
对于 Hadoop-COS,fs.defaultFS是一个选项。如果您只是暂时使用 COS 作为 Hadoop 的数据源,则无需设置该属性,只需在使用时指定完整的 URI 即可。例如:hadoop fs -ls cosn://testBucket-125236746/testDir/test.txt。
fs.cosn.userinfo.region是 Hadoop-COS 的必需属性。原因是 Hadoop-COS 必须知道使用存储桶的区域,才能准确构造 URL 来访问它。
COS支持多区域存储,不同区域默认有不同的访问域。建议根据自己的业务场景选择就近的存储区域,以提高对象上传下载速度。
3.3.1 配置core-site.xml
hadoop官网的配置名称有些问题,建议参考腾讯的官网来配置
xml
<!-- URI 和区域属性 -->
<!-- 此配置适用于将cos位置默认的存储位置
<property>
<name>fs.defaultFS</name>
<value>cosn://<bucket-appid></value>
<description>
Optional: If you don't want to use CosN as the default file system, you don't need to configure it.
</description>
</property> -->
<property>
<name>fs.cosn.bucket.region</name>
<value>ap-xxx</value>
<description>The region where the bucket is located</description>
</property>
<!--用户身份验证属性-->
<property>
<name>fs.cosn.credentials.provider</name>
<value>org.apache.hadoop.fs.auth.SimpleCredentialProvider</value>
</property>
<property>
<name>fs.cosn.userinfo.secretId</name>
<value>xxxx</value>
<description>Tencent Cloud Secret Id </description>
</property>
<property>
<name>fs.cosn.userinfo.secretKey</name>
<value>xxxx</value>
<description>Tencent Cloud Secret Key</description>
</property>
<!--Integration Properties-->
<property>
<name>fs.cosn.impl</name>
<value>org.apache.hadoop.fs.CosFileSystem</value>
<description>The implementation class of the CosN Filesystem</description>
</property>
<property>
<name>fs.AbstractFileSystem.cosn.impl</name>
<value>org.apache.hadoop.fs.CosN</value>
<description>The implementation class of the CosN AbstractFileSystem.</description>
</property>
<!--Other Runtime Properties-->
<property>
<name>fs.cosn.tmp.dir</name>
<value>/tmp/hadoop_cos</value>
<description>Temporary files would be placed here.</description>
</property>
<property>
<name>fs.cosn.buffer.size</name>
<value>33554432</value>
<description>The total size of the buffer pool.</description>
</property>
<property>
<name>fs.cosn.block.size</name>
<value>8388608</value>
<description>
Block size to use cosn filesysten, which is the part size for MultipartUpload. Considering the COS supports up to 10000 blocks, user should estimate the maximum size of a single file. For example, 8MB part size can allow writing a 78GB single file.
</description>
</property>
<property>
<name>fs.cosn.maxRetries</name>
<value>3</value>
<description>
The maximum number of retries for reading or writing files to COS, before throwing a failure to the application.
</description>
</property>
<property>
<name>fs.cosn.retry.interval.seconds</name>
<value>3</value>
<description>The number of seconds to sleep between each COS retry.</description>
</property>
3.3.2 属性配置介绍
特性 | 描述 | 默认值 | 必需的 |
---|---|---|---|
fs.defaultFS | 配置Hadoop使用的默认文件系统。 | 没有任何 | 不 |
fs.cosn.credentials.provider | 此选项允许用户指定如何获取凭据。如果未指定,凭证提供程序的默认顺序为:1. org.apache.hadoop.fs.auth.SimpleCredentialsProvider2.org.apache.hadoop.fs.auth.EnvironmentVariableCredentialsProvider。 | 没有任何 | 不 |
fs.cosn.userinfo.secretId/secretKey | 您账户的API密钥信息 | 没有任何 | 是的 |
fs.cosn.bucket.region | 桶所在区域。 | 没有任何 | 是的 |
fs.cosn.impl | CosN 文件系统的实现类。 | 没有任何 | 是的 |
fs.AbstractFileSystem.cosn.impl | CosN AbstractFileSystem 的实现类。 | 没有任何 | 是的 |
fs.cosn.tmp.dir | 程序运行过程中,cosn生成的临时文件会存放在这里。 | /tmp/hadoop_cos | 不 |
fs.cosn.缓冲区大小 | 缓冲池的总大小。要求大于或等于块大小。 | 33554432 | 不 |
fs.cosn.块大小 | 文件块的大小。考虑到每个文件最多可以分为10000个上传的限制,必须根据使用的单个文件的最大大小来设置该选项。例如,8MB 的部分大小可以允许写入 78GB 的单个文件。 | 8388608 | 不 |
fs.cosn.upload_thread_pool | 文件流式传输到 COS 时并发上传的线程数。 | CPU核心数*3 | 不 |
fs.cosn.read.ahead.block.size | 每个预读块的大小。 | 524288 (512KB) | 不 |
fs.cosn.read.ahead.queue.size | 预读队列的长度。 | 10 | 不 |
fs.cosn.maxRetries | 在向应用程序抛出故障之前,向 COS 读取或写入文件的最大重试次数。 | 3 | 不 |
fs.cosn.重试.间隔.秒 | 每次重试之间休眠的秒数 | 3 | 不 |
3.3.3 更新其他位置的core-site.xml
hive和spark的core-site.xml文件并分发
3.4 依赖包配置
3.4.1 获取 Hadoop-COS 分发包及其依赖
下载地址:Hadoop-COS release
3.4.2 安装hadoop-cos
- 将hadoop-cos-{hadoop.version}-x.x.x.jar和cos_api-bundle-5.x.x.jar 拷贝到 $HADOOP_HOME/share/hadoop/tools/lib下。
NOTE: 根据hadoop的具体版本选择对应的jar包,若release中没有提供匹配版本的jar包,可自行通过修改pom文件中hadoop版本号,重新编译生成。
- 修改 hadoop_env.sh 在 $HADOOP_HOME/etc/hadoop目录下,进入 hadoop_env.sh,增加如下内容,将 cosn 相关 jar 包加入 Hadoop 环境变量:
bash
for f in $HADOOP_HOME/share/hadoop/tools/lib/*.jar; do
if [ "$HADOOP_CLASSPATH" ]; then
export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$f
else
export HADOOP_CLASSPATH=$f
fi
done
- 将hadoop-cos-{hadoop.version}-x.x.x.jar和cos_api-bundle-5.x.x.jar 拷贝到 $HIVE_HOME/lib下
4.测试使用
4.1 hadoop测试
bash
hadoop fs -ls -R cosn://examplebucket-1250000000000/<路径>
hadoop fs -ls -R /<路径>(配置了fs.defaultFS选项为 cosn:// 后)
#例如:
hadoop fs -ls -R cosn://hdfs-test-1252681929/
-rw-rw-rw- 1 root root 1087 2018-06-11 07:49 cosn://hdfs-test-1252681929/LICENSE
drwxrwxrwx - root root 0 1970-01-01 00:00 cosn://hdfs-test-1252681929/hdfs
drwxrwxrwx - root root 0 1970-01-01 00:00 cosn://hdfs-test-1252681929/hdfs/2018
-rw-rw-rw- 1 root root 1087 2018-06-12 03:26 cosn://hdfs-test-1252681929/hdfs/2018/LICENSE
-rw-rw-rw- 1 root root 2386 2018-06-12 03:26 cosn://hdfs-test-1252681929/hdfs/2018/ReadMe
drwxrwxrwx - root root 0 1970-01-01 00:00 cosn://hdfs-test-1252681929/hdfs/test
-rw-rw-rw- 1 root root 1087 2018-06-11 07:32 cosn://hdfs-test-1252681929/hdfs/test/LICENSE
-rw-rw-rw- 1 root root 2386 2018-06-11 07:29 cosn://hdfs-test-1252681929/hdfs/test/ReadMe
4.2 hive及spark测试
hive测试
sql
-- 测试数据分区插入对象存储
CREATE TABLE `student1`(
id int, name string
)
PARTITIONED BY (
`part_day` string)
ROW FORMAT SERDE
'org.apache.hadoop.hive.ql.io.orc.OrcSerde'
STORED AS INPUTFORMAT
'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat'
OUTPUTFORMAT
'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'
LOCATION
'cosn://hdfs-test-1252681929/test/student1';
set spark.yarn.queue=xxxx;
insert into table student1 values(1,'abc','20231217');
spark类似