标签：hadoop cluster mapreduce yarn
我家宝最近在自学Hadoop，于是乎跟着一起玩玩，在此为她整理一篇基础搭建的博客，希望对她能有所帮助。同样，开始之前先来了解下，什么是Hadoop。
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。它是根据Google公司发表的MapReduce和Google文件系统的论文自行实现而成。Hadoop框架透明地为应用提供可靠性和数据移动。它实现了名为MapReduce的编程范式：应用程序被分区成许多小部分，而每个部分都能在集群中的任意节点上运行或重新运行。
Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。
用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop的框架最核心的设计就是HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。
搭建
搭建集群的话，需要最少两台机器来搭建一个多节点的Hadoop环境，我这里使用Hadoop最新稳定的2.7.3版本和三台云主机（1主两从，Ubuntu1404 LTS）。
修改hosts文件
保证三台机器的网络是可达的前提下，更改主机名，并修改hosts文件：
# hostnamectl set-hostname master // 在master节点上执行 # hostnamectl set-hostname slave-1 // 在slave-1节点上执行 # hostnamectl set-hostname slave-2 // 在slave-2节点上执行 分别把三台机器的hosts文件进行修改： # vim /etc/hosts 192.168.1.2 master 192.168.1.3 slave-1 192.168.1.4 slave-2
2.在master和slave节点上安装java:
# add-apt-repository ppa:webupd8team/java //添加ppa # apt-get update # apt-get installoracle-java8-installer # java -version //检验Java版本 java version "1.8.0_121" Java(TM) SE Runtime Environment (build 1.8.0_121-b13) Java HotSpot(TM) 64-Bit Server VM (build 25.121-b13, mixed mode)
3.禁用IPv6
现在Hadoop目前对IPv6不是很好，在一些Linux发行版上可能造成一些未知bug。在Hadoop Wiki上提供了方法来禁用，我这里修改sysctl.conf文件，添加以下几行：
# vim /etc/sysctl.conf net.ipv6.conf.all.disable_ipv6 = 1 net.ipv6.conf.default.disable_ipv6 = 1 net.ipv6.conf.lo.disable_ipv6 = 1 # sysctl -p //使其立即生效
4.创建Hadoop User
在master和slave节点上执行：
# addgroup hdgroup //创建hadoop group # adduser —ingroup hdgroup hduser //创建Hadoop User并加入Hadoop group Adding user `hduser‘ ... Adding new user `hduser‘ (1001) with group `hdgroup‘ ... Creating home directory `/home/hduser‘ ... Copying files from `/etc/skel‘ ... Enter new UNIX password: //输入密码之后一路回车即可 Retype new UNIX password: passwd: password updated successfully Changing the user information for hduser Enter the new value, or press ENTER for the default Full Name []: Room Number []: Work Phone []: Home Phone []: Other []: Is the information correct? [Y/n]
Hadoop要求无密码登录，所以需要生成秘钥,这里注意要用刚才创建的普通hduser用户,分别在master和slave上执行如下操作：
# su - hduser $ ssh-keygen -N ‘‘ Generating public/private rsa key pair. Enter file in which to save the key (/home/hduser/.ssh/id_rsa): Created directory ‘/home/hduser/.ssh‘. Your identification has been saved in /home/hduser/.ssh/id_rsa. Your public key has been saved in /home/hduser/.ssh/id_rsa.pub. The key fingerprint is: 5b:ae:c6:5a:ce:66:51:d3:6c:6c:14:9b:b2:8a:da:e9 hduser@master The key‘s randomart image is: +--[ RSA 2048]----+ | .. | | .o | | .=o | | oo* | | S.o+ | | ..= | | ..+.. | | o ==. | | ..E=+ | +-----------------+ $ ssh-copy-id hduser@master $ ssh-copy-id hduser@slave-1 $ ssh-copy-id hduser@slave-2
5.下载和安装Hadoop
登录Hadoop的官方下载地址，选择你需要的版本，复制下载链接，这里我选用最新的2.7.3版本:
打开链接之后，右键复制链接地址：
在master和slave上分别执行（你也可以在一台机器上下载完之后拷贝到另外两台上）：
$ cd /home/hduser $ wget -c $ tar -zxvf hadoop-2.7.3.tar.gz $ mv hadoop-2.7.3 hadoop
6.更改环境变量
首先确定之前安装的java home目录，查找办法如下（在任意一台机器上执行）：
hduser@master:~$ env | grep -i java JAVA_HOME=/usr/lib/jvm/java-8-oracle
分别在master和slave节点上执行以下操作,编辑".bashrc"文件，添加如下几行：
$ vim .bashrc //编辑文件，添加如下几行 export HADOOP_HOME=/home/hduser/hadoop export JAVA_HOME=/usr/lib/jvm/java-8-oracle PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin $ source .bashrc //source使其立即生效
分别在master和slave节点上执行以下操作,更改Hadoop-env的JAVA_HOME：
$ vim /home/hduser/hadoop/etc/hadoop/hadoop-env.sh
#export JAVA_HOME=${JAVA_HOME} //更改此行，或者注释掉新加以下一行
export JAVA_HOME=/usr/lib/jvm/java-8-oracle7.Hadoop配置
Hadoop的配置这里主要涉及四个配置文件：etc/hadoop/core-site.xml，etc/hadoop/hdfs-site.xml, etc/hadoop/yarn-site.xml and etc/hadoop/mapred-site.xml.
这里摘录网络上的一段话，在继续下面的操作之前一定要阅读这段，以便更好的理解：
Hadoop Distributed File System: A distributed file system that provides high-throughput access to application data. A HDFS cluster primarily consists of a NameNode that manages the file system metadata and DataNodes that store the actual data. If you compare HDFS to a traditional storage structures ( e.g. FAT, NTFS), then NameNode is analogous to a Directory Node structure, and DataNode is analogous to actual file storage blocks.
Hadoop YARN: A framework for job scheduling and cluster resource management.
Hadoop MapReduce: A YARN-based system for parallel processing of large data sets.
①在master和slave节点上更改"core-site.xml"文件，master和slave节点应该使用相同"fs.defaultFS"值，而且必须指向master节点;在“configuration”中间添加如下配置：
<property> <name>hadoop.tmp.dir</name> <value>/home/hduser/tmp</value> <description>Temporary Directory.</description> </property> <property> <name>fs.defaultFS</name> <value>hdfs://master:54310</value> <description>Use HDFS as file storage engine</description> </property>
最终core-site.xml配置文件如下图所示：
如果tmp目录不存在，需要手动创建一个：
$ mkdir /home/hduser/tmp $ chown -R hduser:hdgroup /home/hduser/tmp //非hduser用户创建虚赋权
②只在master节点上更改"mapred-site.xml"文件，由于没有这个文件，需要需要复制那个template文件生成一个：
$ cd /home/hduser/hadoop/ $ cp -av etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml
编辑xml配置文件，在“configuration”中间添加如下配置：
<property> <name>mapreduce.jobtracker.address</name> <value>master:54311</value> <description>The host and port that the MapReduce job tracker runs at. If “local”, then jobs are run in-process as a single map and reduce task. </description> </property> <property> <name>mapreduce.framework.name</name> <value>yarn</value> <description>The framework for running mapreduce jobs</description> </property>
③在master和slave节点上更改"hdfs-site.xml"文件，在“configuration”中间添加如下配置：
<property> <name>dfs.replication</name> <value>2</value> <description>Default block replication. The actual number of replications can be specified when the file is created. The default is used if replication is not specified in create time. </description> </property> <property> <name>dfs.namenode.name.dir</name> <value>/data/hduser/hdfs/namenode</value> <description>Determines where on the local filesystem the DFS name node should store the name table(fsimage). If this is a comma-delimited list of directories then the name table is replicated in all of the directories, for redundancy. </description> </property> <property> <name>dfs.datanode.data.dir</name> <value>/data/hduser/hdfs/datanode</value> <description>Determines where on the local filesystem an DFS data node should store its blocks. If this is a comma-delimited list of directories, then data will be stored in all named directories, typically on different devices. Directories that do not exist are ignored. </description>
并创建刚才配置文件中指定的目录：
$ mkdir -p /home/hduser/data/hduser/hdfs/{namenode,datanode}
$ chown -R hduser:hdgroup /home/hduser/data/ //如果非hduser用户创建的需要赋权1).这里dfs.replication的默认值为3，这里我设置了2个副本，代表每个存储到HDFS的文件都有额外一个副本，这里的值可以视集群规模而定。
2)dfs.namenode.name.dir和dfs.datanode.name.dir是namenode和datanode存放HDFS数据块文件的位置，如果没有需要手动创建。
④在master和slave节点上更改"yarn-site.xml"文件，master和slave节点应该使用相同的值，并且指向master节点。在“configuration”中间添加如下配置：
<property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <property> <name>yarn.resourcemanager.scheduler.address</name> <value>master:8030</value> </property> <property> <name>yarn.resourcemanager.address</name> <value>master:8032</value> </property> <property> <name>yarn.resourcemanager.webapp.address</name> <value>master:8088</value> </property> <property> <name>yarn.resourcemanager.resource-tracker.address</name> <value>master:8031</value> </property> <property> <name>yarn.resourcemanager.admin.address</name> <value>master:8033</value> </property>
⑤更新slave文件
在master节点上修改slave文件,添加master和slave节点的主机名或者ip地址，并去掉"localhost"：
$ vim /home/hduser/hadoop/etc/hadoop/slaves master slave-1 slave-2
⑥格式化namenode：
在启动cluster之前需要先格式化namenode，在master上执行：
$ hdfs namenode -format
看到类似提示INFO："Storage directory /home/hduser/data/hduser/hdfs/namenode has been successfully formatted."表示格式化成功。
⑦启动服务
可以直接使用Hadoop提供的脚本"start-all.sh"启动所有服务，也可以把dfs和yarn分别启动。可以使用绝对路径:/home/hduser/hadoop/sbin/start-all.sh，也可以直接调用start-all.sh脚本（因为前面已经改过PATH的路径）：
$ start-all.sh
如下图所示没有看到任何错误信息，表示集群已成功启动：
⑧验证查看
使用jps命令分别在master和slave上查看启动的服务
网页验证：
浏览器打开：http://master:50070
查看yarn web console: http://master:8088/cluster/nodes
如果所有node均正常启动，这里能够全部显示：
Hadoop解压的share目录里给我们提供了几个example的jar包，我们执行一个看下效果：
$ hadoop jar /home/hduser/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar pi 30 100
执行之后通过浏览器访问：http://master:8088/cluster/apps
能够看到当前执行的任务：
写在最后：
如果在新增了节点或者删除节点的时候出现了问题，首先删除slave的hadoop.tmp.dir，然后重新启动试试看，如果还是不行,尝试把Master的hadoop.tmp.dir删除（意味着dfs上的数据也会丢失）然后需要重新namenode –format。
如果有任何报错信息记得去查log日志，文件位置在Hadoop的安装目录logs文件夹下。
本文出自 “xujpxm” 博客，请务必保留此出处http://xujpxm.blog.51cto.com/8614409/1896964
标签：hadoop cluster mapreduce yarn
原文地址：http://xujpxm.blog.51cto.com/8614409/1896964
