实训云上搭建大数据集群

文章目录

[1. 登录实训云](#1. 登录实训云)
- [1.1 实训云网址](#1.1 实训云网址)
- [1.2 登录实训云](#1.2 登录实训云)
[2. 创建网络](#2. 创建网络)
- [2.1 网络概述](#2.1 网络概述)
- [2.2 创建步骤](#2.2 创建步骤)
[3. 创建路由器](#3. 创建路由器)
- [3.1 路由器名称](#3.1 路由器名称)
- [3.1 创建路由器](#3.1 创建路由器)
[4. 连接子网](#4. 连接子网)
[5. 创建虚拟网卡](#5. 创建虚拟网卡)
- [5.1 创建原因](#5.1 创建原因)
- [5.2 查看端口](#5.2 查看端口)
- [5.3 创建虚拟网卡](#5.3 创建虚拟网卡)
[6. 管理安全组规则](#6. 管理安全组规则)
- [6.1 为什么要管理安全组规则](#6.1 为什么要管理安全组规则)
- [6.2 在默认安全组里创建规则](#6.2 在默认安全组里创建规则)
[7. 创建云主机](#7. 创建云主机)
- [7.1 创建云主机bigdata1](#7.1 创建云主机bigdata1)
- [7.2 创建云主机bigdata2](#7.2 创建云主机bigdata2)
- [7.3 创建云主机bigdata3](#7.3 创建云主机bigdata3)
[8. 绑定浮动IP地址](#8. 绑定浮动IP地址)
- [8.1 为何要绑定](#8.1 为何要绑定)
- [8.2 申请浮动IP地址](#8.2 申请浮动IP地址)
- [8.3 绑定浮动IP地址](#8.3 绑定浮动IP地址)
[9. 远程连接云主机](#9. 远程连接云主机)
- [9.1 启动FinalShell](#9.1 启动FinalShell)
- [9.2 远程连接云主机bigdata1](#9.2 远程连接云主机bigdata1)
- [9.3 远程连接云主机bigdata2](#9.3 远程连接云主机bigdata2)
- [9.4 远程连接云主机bigdata3](#9.4 远程连接云主机bigdata3)
[10. 修改本地的IP与主机名映射文件](#10. 修改本地的IP与主机名映射文件)
[11. 本机Ping云主机](#11. 本机Ping云主机)
- [11.1 按IP地址来Ping](#11.1 按IP地址来Ping)
- [11.2 按主机名来Ping](#11.2 按主机名来Ping)
[12. 修改配置文件](#12. 修改配置文件)
- [12.1 修改hdfs-site.xml文件](#12.1 修改hdfs-site.xml文件)
- [12.2 修改log4j.properties文件](#12.2 修改log4j.properties文件)
[13. 启动大数据集群服务](#13. 启动大数据集群服务)
[14. 完成词频统计任务](#14. 完成词频统计任务)
- [14.1 准备数据文件](#14.1 准备数据文件)
- [14.2 利用MR实现词频统计](#14.2 利用MR实现词频统计)
- - [14.2.1 创建Maven项目](#14.2.1 创建Maven项目)
  - [14.2.2 添加hadoop依赖](#14.2.2 添加hadoop依赖)
  - [14.2.3 创建日志属性文件](#14.2.3 创建日志属性文件)
  - [14.2.4 创建词频统计映射器类](#14.2.4 创建词频统计映射器类)
  - [14.2.5 创建词频统计归并器类](#14.2.5 创建词频统计归并器类)
  - [14.2.6 创建词频统计驱动器类](#14.2.6 创建词频统计驱动器类)
  - [14.2.7 运行程序，查看结果](#14.2.7 运行程序，查看结果)
- [14.3 利用Hive实现词频统计](#14.3 利用Hive实现词频统计)
- - [14.3.1 基于HDFS文件创建外部表](#14.3.1 基于HDFS文件创建外部表)
  - [14.3.2 展开每行单词](#14.3.2 展开每行单词)
  - [14.3.3 基于查询结果创建视图](#14.3.3 基于查询结果创建视图)
  - [14.3.4 基于视图分组统计](#14.3.4 基于视图分组统计)
- [14.4 利用Spark实现词频统计](#14.4 利用Spark实现词频统计)
- - [14.4.1 利用Spark RDD实现词频统计](#14.4.1 利用Spark RDD实现词频统计)
  - [14.4.2 利用Spark SQL实现词频统计](#14.4.2 利用Spark SQL实现词频统计)
[15. 关闭大数据集群服务](#15. 关闭大数据集群服务)
[16. 实战小结](#16. 实战小结)

1. 登录实训云

1.1 实训云网址

网址：http://192.168.192.40

1.2 登录实训云

输入用户名和密码
登录成功后显示首页

2. 创建网络

2.1 网络概述

网络名为huawei，子网为huawei_subnet，网络地址为192.168.1.0/24，分配地址池192.168.1.2,192.168.1.254，DNS设置为114.114.114.114。此网络结构清晰，地址配置明确，具备基础的网络配置要素，可满足一般网络应用场景下的设备接入与通信需求。

2.2 创建步骤

显示【网络】页面
单击【创建网络】按钮，在弹出的对话框里设置网络基本信息
单击【确定】按钮，成功创建网络huawei

3. 创建路由器

3.1 路由器名称

路由器名称：huawei_router

3.1 创建路由器

显示【路由器】页面
单击【创建路由器】按钮，在弹出的对话框里设置路由器基本信息
单击【确定】按钮，成功创建路由器

4. 连接子网

显示【路由器】页面
单击【更多】右边的箭头弹出下拉菜单
单击【连接子网】菜单选项，连接网络huawei与子网huawei_subnet
单击【确定】按钮，提示连接子网成功

5. 创建虚拟网卡

5.1 创建原因

创建虚拟网卡是为了给云主机分配固定IP地址。云主机在网络中运行，若需稳定的网络标识和连接，固定IP不可或缺。虚拟网卡充当云主机与网络间的桥梁，通过创建它并绑定固定IP，可确保云主机在网络中的唯一性和稳定性，便于管理与访问。

5.2 查看端口

显示【端口】页面

5.3 创建虚拟网卡

单击【创建虚拟网卡】按钮，弹出对话框设置虚拟网卡基本信息
单击【确定】按钮，成功创建虚拟网卡port101
同理创建虚拟网卡port102和port103

6. 管理安全组规则

6.1 为什么要管理安全组规则

管理安全组规则至关重要，因为后续使用FinalShell工具软件通过SSH连接云主机时，需设置规则放开ICMP协议和TCP协议入口的全部端口。这样能确保连接的顺利进行，同时保障网络安全，在满足连接需求的前提下，有效控制网络访问权限，防止潜在的安全威胁。

6.2 在默认安全组里创建规则

显示【安全组】页面
单击【创建规则】按钮，弹出对话框
设置所有TCP协议
单击【确定】按钮，提示"创建规则成功"
单击【创建规则】按钮，弹出对话框，设置所有ICMP协议
单击【确定】按钮，提示"创建规则成功"

7. 创建云主机

7.1 创建云主机bigdata1

显示【云主机】页面
单击【创建云主机】按钮，在弹出的对话框里设置云主机基本信息
单击【下一步：网络配置】按钮，在弹出的对话框里选择port101端口，勾选default安全组
单击【下一步：系统配置】按钮，在弹出的对话框里设置名称与登录密码
单击【下一步：确认配置】按钮
单击【确定】按钮，成功创建云主机bigdata1，有固定IP地址192.168.1.101
内网IP有两个，我们要解绑192.168.1.46
云主机bigdata1内网IP：192.168.1.101

7.2 创建云主机bigdata2

同理创建云主机bigdata2，有固定IP地址192.168.1.102

7.3 创建云主机bigdata3

同理创建云主机bigdata3，有固定IP地址192.168.1.103

8. 绑定浮动IP地址

8.1 为何要绑定

绑定浮动IP地址是实现FinalShell远程连接云主机的关键步骤。浮动IP地址具有灵活性，可与云主机动态绑定，即便云主机发生故障迁移等情况，IP地址仍可保持不变，从而确保FinalShell能够稳定地远程连接到云主机，保障远程操作的连续性和可靠性。

8.2 申请浮动IP地址

显示【浮动IP】页面
单击【申请IP】按钮，在弹出的对话框里设置网络信息与批量申请数量
单击【确定】按钮，成功申请了三个浮动IP地址

8.3 绑定浮动IP地址

显示【云主机】页面
给云主机bigdata1绑定浮动IP地址，【更多】下拉菜单的子菜单【关联资源】，【关联资源】的子菜单【绑定浮动IP】
单击【绑定浮动IP】菜单项，将云主机IP与浮动IP地址进行绑定
单击【确定】按钮，成功给云主机bigdata1绑定浮动IP地址
同理，给云主机bigdata2和bigdata3绑定相应的浮动IP地址

9. 远程连接云主机

9.1 启动FinalShell

启动FinalShell，目前尚未创建任何远程连接

9.2 远程连接云主机bigdata1

弹出【连接管理器】
新建SSH连接
单击【SSH连接(Linux)】，在弹出的对话框里设置常规和认证信息，注意密码是123456
单击【确定】按钮，成功创建连接bigdata1
单击bigdata1连接，弹出【安全警告】对话框
单击【接受并保存】按钮

9.3 远程连接云主机bigdata2

同理，远程连接云主机bigdata2

9.4 远程连接云主机bigdata3

同理，远程连接云主机bigdata3

10. 修改本地的IP与主机名映射文件

在文件C:\Windows\System32\drivers\etc\hosts里添加三条映射
java 复制代码
```
192.168.224.36 bigdata1
192.168.227.230 bigdata2
192.168.228.14 bigdata3
```

11. 本机Ping云主机

11.1 按IP地址来Ping

执行命令：ping 192.168.224.36

11.2 按主机名来Ping

执行命令：ping bigdata1

12. 修改配置文件

12.1 修改hdfs-site.xml文件

执行命令：cd $HADOOP_HOME/etc/hadoop
执行命令：vim hdfs-site.xml，添加红框内属性，禁用所有权限检查
执行命令：scp hdfs-site.xml root@bigdata2:$HADOOP_HOME/etc/hadoop
执行命令：scp hdfs-site.xml root@bigdata3:$HADOOP_HOME/etc/hadoop

12.2 修改log4j.properties文件

执行命令：vim log4j.properties，添加一句：log4j.logger.org.apache.hadoop=ERROR
执行命令：scp log4j.properties root@bigdata2:$HADOOP_HOME/etc/hadoop
执行命令：scp log4j.properties root@bigdata3:$HADOOP_HOME/etc/hadoop

13. 启动大数据集群服务

在云主机bigdata1上，执行命令：allstart.sh
执行命令：jps
查看Hadoop的Web UI页面 - http://bigdata1:9870
查看HDFS文件系统

14. 完成词频统计任务

14.1 准备数据文件

执行命令：vim words.txt

shell 复制代码

hello world hello hadoop
hello hive hello spark
hello a big data world
hello I love big data
hello I learn big data

执行命令：hdfs dfs -mkdir -p /wordcount/input
执行命令：hdfs dfs -put words.txt /wordcount/input

14.2 利用MR实现词频统计

14.2.1 创建Maven项目

设置项目基本信息
单击【Create】按钮，生成项目基本骨架

14.2.2 添加hadoop依赖

在pom.xml里添加hadoop和junit依赖
刷新项目依赖

14.2.3 创建日志属性文件

在resources里创建log4j.properties文件

shell 复制代码

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/wordcount.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

14.2.4 创建词频统计映射器类

创建net.huawei.mr包

在net.huawei.mr包里创建WordCountMapper类

java 复制代码

package net.huawei.mr;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * 功能：词频统计映射器
 * 作者：华卫
 * 日期：2025年12月03日
 */
public class WordCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    @Override
    protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        // 获取行文本
        String line = value.toString();
        // 按空格拆分成单词数组
        String[] words = line.split(" ");
        // 遍历单词数组，生成输出键值对
        for (String word : words) {
            context.write(new Text(word), new IntWritable(1));
        }
    }
}

代码说明 ：该代码定义了一个 Hadoop MapReduce 的 Mapper 类，用于词频统计。它将输入的每行文本按空格拆分为单词，对每个单词输出键值对（单词, 1），供后续 Reduce 阶段累加计数。继承自 Mapper<LongWritable, Text, Text, IntWritable>，符合 WordCount 任务规范。

14.2.5 创建词频统计归并器类

在net.huawei.mr包里创建WordCountReducer类

java 复制代码

package net.huawei.mr;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * 功能：词频统计归并器类
 * 作者：华卫
 * 日期：2025年12月03日
 */
public class WordCountReducer extends Reducer<Text, IntWritable, Text, NullWritable> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context)
            throws IOException, InterruptedException {
        // 定义键（单词）出现次数
        int count = 0;
        // 遍历值迭代器，累加次数
        for (IntWritable value : values) {
            count = count + value.get();
        }
        // 生成新的输出键
        String newKey = "(" + key.toString() + "," + count + ")";
        // 输出新的键值对(newKey, null)
        context.write(new Text(newKey), NullWritable.get());
    }
}

代码说明：该代码实现 Hadoop MapReduce 的 Reducer 类，用于词频统计。它接收相同单词的所有计数（值为1的 IntWritable），累加得到总频次，并将结果格式化为 "(单词,次数)" 字符串作为新键输出，值设为 NullWritable，适用于仅需输出统计结果的场景。

14.2.6 创建词频统计驱动器类

在net.huawei.mr包里创建WordCountDriver类

java 复制代码

package net.huawei.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.net.URI;

/**
 * 功能：词频统计驱动器
 * 作者：华卫
 * 日期：2025年12月03日
 */
public class WordCountDriver {
    public static void main(String[] args) throws Exception {
        // 创建配置对象
        Configuration conf = new Configuration();
        // 设置客户端使用数据节点主机名属性
        conf.set("dfs.client.use.datanode.hostname", "true");

        // 获取工作实例
        Job job = Job.getInstance(conf);
        // 设置作业启动类
        job.setJarByClass(WordCountDriver.class);

        // 设置Mapper类
        job.setMapperClass(WordCountMapper.class);
        // 设置map任务输出键类型
        job.setMapOutputKeyClass(Text.class);
        // 设置map任务输出值类型
        job.setMapOutputValueClass(IntWritable.class);

        // 设置Reducer类
        job.setReducerClass(WordCountReducer.class);
        // 设置reduce任务输出键类型
        job.setOutputKeyClass(Text.class);
        // 设置reduce任务输出值类型
        job.setOutputValueClass(NullWritable.class);

        // 定义uri字符串（分布式文件系统前缀）
        String uri = "hdfs://bigdata1:9000";

        // 创建输入路径（可以指向目录，也可以指向文件）
        Path inputPath = new Path(uri + "/wordcount/input");
        // 创建输出路径
        Path outputPath = new Path(uri + "/wordcount/output");

        // 获取文件系统
        FileSystem fs = FileSystem.get(new URI(uri), conf);
        // 删除输出路径（第2个参数设置是否递归删除）
        fs.delete(outputPath, true);

        // 给作业添加输入路径（允许多个）
        FileInputFormat.addInputPath(job, inputPath);
        // 给作业设置输出路径（只能一个）
        FileOutputFormat.setOutputPath(job, outputPath);

        // 等待作业完成
        job.waitForCompletion(true);

        // 输出统计结果
        System.out.println("======统计结果======");
        // 获取输出路径的文件状态数组
        FileStatus[] fileStatuses = fs.listStatus(outputPath);
        // 遍历文件状态数组
        for (int i = 1; i < fileStatuses.length; i++) {
            // 输出结果文件路径
            System.out.println(fileStatuses[i].getPath());
            // 获取文件系统字节输入流
            FSDataInputStream in = fs.open(fileStatuses[i].getPath());
            // 将结果文件显示在控制台
            IOUtils.copyBytes(in, System.out, 4096, false);
        }
    }
}

代码说明：该驱动类配置并提交 Hadoop 词频统计作业：设置 Mapper 和 Reducer 类及其输入输出类型，指定 HDFS 输入/输出路径，自动删除已有输出目录，作业完成后读取并打印结果文件内容到控制台。

14.2.7 运行程序，查看结果

运行词频统计驱动器类

14.3 利用Hive实现词频统计

执行命令：hive，进入Hive客户端

14.3.1 基于HDFS文件创建外部表

执行语句：create external table t_word(line string) location '/wordcount/input';

14.3.2 展开每行单词

执行语句：select explode(split(line, ' ')) as word from t_word;

14.3.3 基于查询结果创建视图

执行语句：create view v_word as select explode(split(line, ' ')) as word from t_word;

14.3.4 基于视图分组统计

不排序统计，执行语句：select word, count(*) from v_word group by word;
按词频排序统计，执行语句：select word, count(*) as count from v_word group by word order by count desc;

14.4 利用Spark实现词频统计

执行命令：spark-shell

14.4.1 利用Spark RDD实现词频统计

执行代码

java 复制代码

sc.textFile("hdfs://bigdata1:9000/wordcount/input/words.txt")
  .flatMap(_.split(" "))
  .map((_, 1))
  .reduceByKey(_ + _)
  .sortBy(_._2, false)
  .collect()
  .foreach(println)

14.4.2 利用Spark SQL实现词频统计

读取文本文件生成数据帧
- 执行命令：val df = spark.read.text("hdfs://bigdata1:9000/wordcount/input/words.txt")
- 执行命令：df.show()
基于数据帧生成临时视图
- 执行命令：df.createOrReplaceTempView("t_value")

对临时视图进行词频统计

执行代码

scala 复制代码

val wc = spark.sql("""
    select word, count(*) as count
       from (select explode(split(value, " ")) as word from t_value)
       group by word
       order by count desc
""")

执行命令：wc.show()

15. 关闭大数据集群服务

在云主机bigdata1上，执行命令：allstop.sh

16. 实战小结

通过本次实战，我们完整地搭建并运行了一个基于Hadoop、Hive和Spark的大数据集群环境。从网络和云主机的创建、配置，到集群服务的启动与管理，再到利用MapReduce、Hive和Spark实现词频统计任务，全面掌握了大数据平台的搭建与应用开发流程。在实战中，我们成功实现了数据的分布式存储与处理，验证了不同技术框架在数据处理中的优势和适用场景。通过FinalShell远程连接和配置文件修改，进一步增强了对集群管理的理解。整个过程不仅提升了技术操作能力，还加深了对大数据生态系统各组件协同工作的认识，为后续更复杂的大数据项目积累了宝贵经验。