前言
当开始着手实践Hadoop时,安装Hadoop往往会成为新手的一道门槛。尽管安装其实很简单,书上有写到,官方网站也有Hadoop安装配置教程,但由于对Linux环境不熟悉,书上跟官网上简略的安装步骤新手往往Hold不住。加上网上不少教程也甚是坑,导致新手折腾老几天愣是没装好,很是打击学习热情。
本教程由厦门大学数据库实验室出品,转载请注明。本教程适合于原生Hadoop 2,包括Hadoop 2.6.0, Hadoop 2.4.1等版本,主要参考了官方安装教程,步骤详细,辅以适当说明,保证按照步骤来,都能顺利安装并运行Hadoop。另外有Hadoop安装配置简略版方便有基础的读者快速完成安装。此外,希望读者们能多去了解一些Linux的知识,以后出现问题时才能自行解决。
环境
本教程使用 Ubuntu 14.04 64位 作为系统环境(Ubuntu 12.04 也行,32位、64位均可),请自行安装系统。如果必须使用 RedHat、CentOS 等,本教程也可以作为参考,配置是相似的,就是 Linux 命令、具体操作有所不同。
本教程基于原生 Hadoop 2,在 Hadoop 2.6.0 (stable) 版本下验证通过,可适合任何 Hadoop 2.x.y 版本,例如 Hadoop 2.4.1。
本教程所使用的集群环境: 两台主机,一台作为 Master,局域网 IP 为 192.168.1.121;另一台作为 Slave,局域网 IP 为 192.168.1.122。
准备工作
Hadoop 集群的安装配置大致为如下流程:
- 选定一台机器作为 Master
- 在 Master 主机上配置hadoop用户、安装SSH server、安装Java环境
- 在 Master 主机上安装Hadoop,并完成配置
- 在其他主机上配置hadoop用户、安装SSH server、安装Java环境
- 将 Master 主机上的Hadoop目录复制到其他主机上
- 开启、使用 Hadoop
配置hadoop用户、安装SSH server、安装Java环境、安装Hadoop已经在Hadoop安装教程_单机/伪分布式配置中有详细介绍,请前往浏览,不再重复叙述。
强烈建议新手先按照上述教程在 Master 主机上安装一次伪分布式环境的 Hadoop,毕竟平时写程序,还是会先在伪分布式环境下进行调试的。待伪分布式能够正常使用后,再继续浏览本教程后续的集群配置。
网络配置
在 Master 主机上完成伪分布式配置后,请先关闭 Hadoop (/usr/local/hadoop/sbin/stop-dfs.sh
),再进行后续集群配置。
我这边是使用了两台主机搭建集群,主机名与IP地址对应如下:
Master 192.168.1.121
Slave1 192.168.1.122
(注:自己实验时,IP地址可以与上面的不同,根据要求修改就可以了。)
首先选定哪台主机要作为Master(比如我选择的是ip为 192.168.1.121 这台),然后在该主机的 /etc/hostname
中,修改机器名为Master,将其他主机命令为Slave1、Slave2等。接着在 /etc/hosts
中,把所有集群的主机信息都写进去。
sudo vim /etc/hostname # 在此处修改主机名
sudo vim /etc/hosts # 在此处修改主机与 IP 的映射关系
完成后,如下图所示(/etc/hosts 中只能有一个127.0.0.1,对应为localhost,否则会出错)。最好重启一下,在终端中才会看到机器名的变化。
如上面讲的是 Master 主机的配置,而在其他的 Slave 主机上,也要对 /etc/hostname(修改为 Slave1、Slave2等) 和 /etc/hosts(一般跟 Master 上的配置一样) 这两个文件进行相应的修改!
配置好后可以在各个主机上执行ping Master
和ping Slave1
测试一下,看是否相互ping得通。
(注:Ctrl+C可以停止ping,默认是不会停止的。)
SSH无密码登陆节点
这个操作是要让Master节点可以无密码SSH登陆到Slave节点上。
首先生成 Master 的公匙,在 Master 节点终端中执行:
(注:cd ~回到用户家目录,这得看你是用什么用户登录了,如果是以root身份登录,执行此命令后,回到/root/目录下,如果是以其他用户等录得话,则是回到/home/目录下
在shell中以 . 开头的表示隐藏文件或目录,用ls是默认看不到的。这里.ssh也就是个隐藏目录。)
cd ~/.ssh # 如果没有该目录,先执行一次ssh localhost
ssh-keygen -t rsa # 一直按回车就可以,生成的密钥保存为.ssh/id_rsa
Master 节点需能无密码 ssh 本机,这一步还是在 Master 节点上执行:
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
完成后可以使用 ssh Master
验证一下。接着将公匙传输到 Slave1 节点:
scp ~/.ssh/id_rsa.pub hadoop@Slave1:/home/hadoop/
scp时会要求输入Slave1上hadoop用户的密码(hadoop),输入完成后会提示传输完毕。
接着在 Slave1节点
上将ssh公匙保存到相应位置,执行
cat ~/id_rsa.pub >> ~/.ssh/authorized_keys
如果有其他 Slave 节点,也要执行 将公匙传输到 Slave 节点、在 Slave 节点上加入授权 这两步。
最后在 Master 节点上就可以无密码SSH到Slave1节点了。
ssh Slave1
配置集群/分布式环境
集群/分布式模式需要修改 etc/hadoop 中的5个配置文件,后四个文件可点击查看官方默认设置值,这里仅设置了正常启动所必须的设置项: slaves、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml 。
(注:这一部分在Master上进行,因为这些配置文件在之后都会被复制到Slave上。)
1, 文件 slave
cd /usr/local/hadoop/etc/hadoop
vim slaves
将原来 localhost
删除,把所有Slave的主机名写上,每行一个。例如我只有一个 Slave节点,那么该文件中就只有一行内容: Slave1。
2, 文件 core-site.xml
,将原本的如下内容:
<property>
</property>
改为下面的配置。后面的配置文件的修改类似。
<property>
<name>fs.defaultFS</name>
<value>hdfs://Master:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/usr/local/hadoop/tmp</value>
<description>Abase for other temporary directories.</description>
</property>
3, 文件hdfs-site.xml
,因为只有一个Slave,所以dfs.replication
的值设为1。
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>Master:50090</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/usr/local/hadoop/tmp/dfs/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/usr/local/hadoop/tmp/dfs/data</value>
</property>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
4, 文件mapred-site.xml
,这个文件不存在,首先需要从模板中复制一份:
cp mapred-site.xml.template mapred-site.xml
然后配置修改如下:
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
5, 文件yarn-site.xml
:
<property>
<name>yarn.resourcemanager.hostname</name>
<value>Master</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
配置好后,将 Master 上的 Hadoop 文件复制到各个节点上(虽然直接采用 scp 复制也可以正确运行,但会有所不同,如符号链接 scp 过去后就有点不一样了。所以先打包再复制比较稳妥)。因为之前有跑过伪分布式模式,建议在切换到集群模式前先删除之前的临时文件。
(注:./hadoop的意思
. 在这里表示的是当前目录,就像 .. 表示上级目录一样。
这个 / 表示的是目录级别的分隔符,他之前的就是目录名,./aaa/ 表明的就是 . (也就是当前目录)下面的 aaa 目录。当然这个 aaa 后面的 / 可以省略,就像 ./ 表示当前目录时,其实 / 是不需要的。
对应的 ./bbb 表示的是当前目录下面的 bbb 文件,但也可以表示 bbb 这个目录,区别就在于这个 bbb 是文件还是目录,所以目录一般都在后面加 / 来表示。尤其是鉴于 . 这个符号太过常用,单拿出来容易引起混乱,所以大家都用 ./ 表示当前目录。同样的 xxxx/ 表示 xxxx 目录。)
cd /usr/local
rm -r ./hadoop/tmp # 删除 Hadoop 临时文件
sudo tar -zcf ./hadoop.tar.gz ./hadoop
scp ./hadoop.tar.gz Slave1:/home/hadoop
在Slave1
上执行:
(在前面,虚拟机确实应该重启,否则下面这两步都会出问题。)
sudo tar -zxf ~/hadoop.tar.gz -C /usr/local
sudo chown -R hadoop:hadoop /usr/local/hadoop
切换 Hadoop 的模式,不管是从集群切换到伪分布式,还是从伪分布式切换到集群,如果遇到无法正常启动的情况,可以删除所涉及节点的临时文件夹,这样虽然之前的数据会被删掉,但能保证集群正确启动。或者可以为集群模式和伪分布式模式设置不同的临时文件夹(未验证)。所以如果集群以前能启动,但后来启动不了,特别是 DataNode 无法启动,不妨试着删除所有节点(包括 Slave 节点)上的 tmp 文件夹,重新执行一次 bin/hdfs namenode -format
,再次启动试试。
然后在Master节点
上就可以启动hadoop了。
cd /usr/local/hadoop/
bin/hdfs namenode -format # 首次运行需要执行初始化,后面不再需要
sbin/start-dfs.sh
sbin/start-yarn.sh
通过命令jps
可以查看各个节点所启动的进程。
可以看到Master节点启动了NameNode
、SecondrryNameNode
、ResourceManager
进程。
Slave节点则启动了DataNode
和NodeManager
进程。
(注:在这里出现过问题,重启Master后运行成功。)
另外也可以在Master节点
上通过命令bin/hdfs dfsadmin -report
查看DataNode是否正常启动。例如我这边一共有1个Datanodes。
有时Hadoop集群无法正确启动,如 Master 上的 NameNode 进程没有顺利启动,这时可以查看启动日志来排查原因,不过新手可能需要注意几点:
- 启动时会提示 “Master: starting namenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-namenode-Master.out”,但其实启动日志信息是记录在 /usr/local/hadoop/logs/hadoop-hadoop-namenode-Master.log 中;
- 每一次的启动日志都是追加在日志文件之后,所以得拉到最后面看,这个看下记录的时间就知道了。
- 一般出错的提示在最后面,也就是写着 Error 或者 Java 异常的地方。
也可以通过Web页面看到查看DataNode和NameNode的状态,http://master:50070/
关闭Hadoop集群也是在Master节点上执行:
sbin/stop-dfs.sh
sbin/stop-yarn.sh
执行分布式实例
执行分布式实例过程与伪分布式模式一样。首先创建所需的几个目录
bin/hdfs dfs -mkdir -p /user/hadoop
将etc/hadoop中的文件作为输入文件复制到分布式文件系统中。
bin/hdfs dfs -put etc/hadoop input
通过查看DataNode的状态(占用大小有改变),输入文件确实复制到了DataNode中。
( http://localhost:50070 )
接着就可以运行MapReduce作业了。
bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.4.1.jar grep input output 'dfs[a-z.]+'
(注:这里的2.4.1.jar是java的版本号,根据安装jdk的不同,进行修改。)
运行时的信息如下所示,显示Job的进度。可能会比较慢,但如果迟迟没有进度,比如10分钟都没看到进度,那不妨重启Hadoop再试试。
同样可以通过Web界面查看任务进度 http://master:8088/cluster
在 Web 界面点击 “Tracking UI” 这一列的 History,可能会提示网页无法打开,遇到这种情况需要手动开启 jobhistory server,开启之后刷新页面再点击就可以打开了。
/usr/local/hadoop/sbin/mr-jobhistory-daemon.sh start historyserver
执行完毕后的输出结果:
相关教程
- 使用Eclipse编译运行MapReduce程序: 用文本编辑器写 Java 程序是不靠谱的,还是用 Eclipse 比较方便。
- 使用命令行编译打包运行自己的MapReduce程序: 有时候需要直接通过命令来编译 MapReduce 程序。