Hadoop数仓中常用端口详解:(第36天)

前言

在数仓（数据仓库）开发中，不同的组件和服务会使用不同的端口号进行通信。由于数仓的实现可能依赖于多种技术和框架（如Hadoop、Hive、HBase、Spark等），因此涉及的端口号也会有所不同。以下是一些数仓开发中常用端口号及其作用的概述，以及相关的操作指令建议。

常用端口号及其作用

1. Hadoop相关

• 端口号 组件/服务 作用
  8020 NameNode RPC NameNode的远程过程调用（RPC）端口，
  用于处理客户端和DataNode的请求。
• 9000 NameNode HTTP（非高可用） NameNode的HTTP服务端口，
  用于Web界面访问（如HDFS的Web UI）。注意，在高可用配置中，此端口可能不常用。
• 50070 NameNode WebHDFS NameNode的WebHDFS端口，
  通过HTTP协议提供对HDFS的访问。
• 8088 YARN ResourceManager YARN集群的ResourceManager的Web UI端口，
  用于监控和管理集群中的资源和任务。
• 50010 DataNode 数据传输端口
  用于DataNode与NameNode之间、DataNode与客户端之间的数据读写操作。

2. HDFS相关

• 端口号 组件/服务 作用
• 50010 DataNode 数据传输端口
  用于HDFS内部的数据传输，例如DataNode与NameNode之间、DataNode与客户端之间的数据读写操作。
• 50020 DataNode IPC端口
  DataNode的IPC（Inter-Process Communication）端口，用于接受来自NameNode或其他DataNode的命令和状态同步请求。注意，在某些Hadoop版本中，这个端口可能与其他功能合并或更改。
• 50075 DataNode Web UI端口
  DataNode的Web界面端口，通常用于查看DataNode的状态和报告。然而，需要注意的是，这个端口并不总是默认开启的，且其Web界面可能不如NameNode的Web界面那样详细。
  在MapReduce（MR）环境中，特别是与Hadoop生态系统结合时，有几个常用的端口号。这些端口号主要与YARN（Yet Another Resource Negotiator）框架和MapReduce作业的执行情况相关。以下是一些常用的端口号及其作用：

3. YARN相关

8032：YARN ResourceManager的IPC（Inter-Process Communication）端口。ResourceManager是YARN的核心组件，负责集群资源的分配和管理。这个端口用于ResourceManager与其他YARN组件（如NodeManager）之间的内部通信。
8088：YARN ResourceManager的Web UI端口。通过这个端口，用户可以访问ResourceManager的Web界面，查看集群的状态、运行的应用程序以及相关的统计信息等。这是查看MapReduce作业执行情况的主要端口之一。

4. MapReduce相关

虽然MapReduce作业的执行情况主要通过YARN ResourceManager的Web UI（即8088端口）来查看，但MapReduce本身并不直接提供特定的Web UI端口。然而，MapReduce作业的日志和输出通常会存储在HDFS（Hadoop Distributed File System）上，因此与HDFS相关的端口（如50070或9870，取决于Hadoop的版本）也可能用于间接地查看MapReduce作业的输出和日志。

3. HDFS相关端口（间接相关）
   50070（Hadoop 2.x）或9870（Hadoop 3.x）：HDFS NameNode的Web UI端口。虽然这个端口主要用于HDFS的管理和监控，但用户可以通过它查看HDFS上存储的文件和目录，包括MapReduce作业的输出目录。

5. Hive相关

端口号 组件/服务 作用
9083 Hive Metastore Hive Metastore服务的默认监听端口，用于存储和管理Hive的元数据。
10000 Hive JDBC Hive JDBC服务的端口，允许通过JDBC协议连接到Hive服务。

6. HBase相关

端口号 组件/服务 作用
60010（旧）、16010（新） HBase Master Web UI HBase Master的Web UI端口，用于监控和管理HBase集群的状态。
60030 HBase RegionServer Web UI HBase RegionServer的Web UI管理端口，提供RegionServer的状态和性能信息。

7. Spark相关

端口号 组件/服务 作用
7077 Spark Master Spark集群中Master节点与Worker节点进行通信的端口。
8080 Spark Master Web UI Spark Master的Web UI端口，用于监控和管理Spark作业和集群状态。
8081 Spark Worker Web UI Spark Worker的Web UI端口，提供Worker节点的状态和性能信息。
4040 Spark Driver Web UI Spark应用程序的Driver节点的Web UI端口，用于查看应用程序的运行状态和日志。

8. 其他

端口号 组件/服务 作用
2181 Zookeeper Zookeeper客户端连接的端口，用于集群管理和协调。
9092 Kafka Kafka集群节点之间通信的RPC端口。

9. 操作指令

对于数仓中的操作指令，通常会依赖于具体的组件和服务。以下是一些通用的操作指令示例：

1. 启动HDFS服务：
   bash
   sbin/start-dfs.sh
2. 停止HDFS服务：
   bash
   sbin/stop-dfs.sh
3. 启动YARN服务：
   bash
   sbin/start-yarn.sh
4. 停止YARN服务：
   bash
   sbin/stop-yarn.sh
5. 查看HDFS状态：
   bash
   hdfs dfsadmin -report
6. 启动Hive Metastore服务（具体命令可能因安装方式和版本而异）：
   bash

示例命令，具体取决于Hive的安装和配置

hive --service metastore
访问Hive JDBC（通常通过客户端或应用程序进行，而非直接通过命令行）：
配置JDBC连接字符串，包括主机名、端口号（10000）和数据库名（对于Hive，通常是默认数据库或指定数据库）。
请注意，上述操作指令和端口号可能因Hadoop、Hive、HBase、Spark等组件的版本和配置而有所不同。在实际操作中，建议参考各组件的官方文档和配置文件（如hdfs-site.xml、hive-site.xml、hbase-site.xml、spark-defaults.conf等）以获取准确的信息。

此外，由于数仓技术的不断发展和更新，新的端口号和操作指令可能会被引入，而旧的则可能会被弃用。

10. 启动spark的指令

启动Spark的指令可以根据不同的使用场景和需求有所不同。以下是一些常见的启动Spark的指令及其说明：

1. 启动Spark Shell

Spark Shell是Spark提供的一个交互式编程环境，支持Scala、Python和R语言。通过Spark Shell，用户可以方便地进行数据探索和交互式数据分析。

Scala Shell：在Spark安装目录下的bin文件夹中，执行./spark-shell（Linux/Mac）或spark-shell.cmd（Windows）命令。
Python Shell：同样在bin文件夹中，执行./pyspark（Linux/Mac）或pyspark.cmd（Windows）命令。

2. 提交Spark应用程序

对于需要部署到集群上运行的Spark应用程序，通常使用spark-submit命令来提交。spark-submit命令的基本语法如下：

bash
spark-submit [options] <app-jar|python-file> [app-arguments]
其中，[options]是Spark应用程序的选项参数，用于配置应用程序的运行环境；<app-jar|python-file>是要运行的Spark应用程序的Jar包或Python文件；[app-arguments]是传递给应用程序的参数。

常用的选项参数包括：

–master：指定Spark应用程序运行的资源管理器，如local（本地模式）、spark://host:port（Standalone模式）、yarn（YARN模式）等。
–deploy-mode：指定Spark应用程序的部署模式，如client或cluster。
–class：指定要运行的主类（仅当提交Jar包时使用）。
–executor-memory：指定每个Executor的内存大小。
–num-executors：指定Executor的数量。
–driver-memory：指定Driver的内存大小。
–conf：指定一些Spark配置属性。

3. 启动Spark集群

如果你是在集群环境下运行Spark，并且希望手动启动Spark的各个组件，可以使用以下命令：

• 启动所有组件（Master和Worker节点）：在Spark安装目录下的sbin文件夹中，执行./start-all.sh（Linux/Mac）或start-all.cmd（Windows）命令。
• 仅启动Master节点：执行./start-master.sh（Linux/Mac）或start-master.cmd（Windows）命令。
• 仅启动Worker节点：执行./start-worker.sh （Linux/Mac）或start-worker.cmd （Windows）命令，其中是Master节点的URL，如spark://localhost:7077。
  注意事项
  在执行上述命令之前，请确保已经正确安装了Spark，并且设置了相应的环境变量（如SPARK_HOME和PATH）。
  根据你的Spark版本和操作系统，命令的具体名称和路径可能有所不同。请参考你的Spark安装文档或官方指南以获取准确的命令和路径信息。
  如果你是在使用云服务或大数据平台（如AWS EMR、阿里云EMR等），启动Spark的指令可能会有所不同，具体请参考相应平台的文档或指南。