听说Hadoop很久了,今天开始尝试自己搭建一个集群来玩玩,同时学习下Linux各种操作。
主要参考资料当然是官方文档了:
Hadoop 集群搭建:http://hadoop.apache.org/common/docs/r0.19.2/cn/cluster_setup.html
Hadoop 快速入门:http://hadoop.apache.org/common/docs/r0.19.2/cn/quickstart.html
采用的操作系统是 Ubuntu 11.04.03 64-bit Server。
通过VMware 来创建虚拟网络,这也是现实问题,没有那么多机器啊
预计的设计是这样,4台虚拟机:NameServer, JobTracker, DataNode01, DataNode02。
主机为Win7。
首先安装系统,这个没有什么好说的,VMware有Easy Install,中间偶尔干涉一下,就完事了。
然后安装必须的软件,第一个就是JAVA,Hadoop推荐使用Sun公司的Java, 但是用apt-get install java, 只有openjdk之类的。于是上网搜了半天,找到一篇文章(http://blog.csdn.net/ansomray/article/details/5825096),根据其说明,添加apt source,再重新安装,命令如下:
- sudo add-apt-repository "deb http://archive.canonical.com/ lucid partner"
- sudo apt-get update
- sudo apt-get install sun-java6-jdk
然后设置JAVA_HOME:
- sudo vi /etc/environment
在其中添加
- <pre name="code" class="plain">JAVA_HOME=/usr/lib/jvm/java-6-sun
- CLASSPATH=.:/usr/lib/jvm/java-6-sun/lib
接着再安装ssh,这个没有什么好说的:
- sudo apt-get install ssh
- sudo apt-get install rsync
再来就是获取Hadoop的发行版,这个可以从 这里获取稳定发行版。
在Win7中下载下来后,问题就来了,怎么从Ubuntu Server中访问Win7的东西,这玩意儿只有命令行啊。继续搜索,发现是通过mount 的方式来处理: 先在mnt下建立一个目录,然后把Win7中共享的文件mount 到那个目录上,这样就可以访问了。命令如下:
- sudo mkdir /mnt/HostShare
- sudo mount -t cifs -o username=myname,password=11111 //192.168.0.100/share /mnt/HostShare
这里本来是查到的用smbfs,结果Ubuntu说这个好像将从2.6.27内核中删除,不推荐使用,于是采用了cifs。同时好像必须要同时提供username和password,不然就会说writen-protected,mount不上去。
最后当然是建立Hadoop目录,解压弄下来的文件,我下载的是.tar.gz文件,所以命令如下:
- sudo tar zxvf hadoop.tar.gz
- sudo mv hadoop-hadoop-0.20.203 /hadoop
这样,基本的软件准备就搞定了,下面就是拷贝装好的第一台虚拟机,再复制三台出来,分别按照预定各自命名,然后就是组建网络了。
软件准备好了,开始搭建网络。
我用的是VMware WorkStation 6.5,而VMware提供了三种网络支持:Bridge, Nat, Host Only。
关于VMware的网络概念,我严重参考了这篇文章:深入理解VMware虚拟网络(http://wangchunhai.blog.51cto.com/225186/381225)
简单来说,我需要这4台虚拟机能上网(Internet),同时相互能互联,并且能够与主机互联。拓扑结构可以参考那篇文章,只是其中的一个子集而已(所有虚拟机在一个子网中)。
这个目标我选择使用NAT虚拟网络来实现,这好像也是VMware装机时默认的网络配置。不过在默认情况下,好像只有一台机器可以通过NAT上网,这时就需要手动配置网络了。
首先寻找NAT的网段等信息,先启动一台虚拟机,假设就是NameNode。
使用下面命令来查看:
- ifconfig
这时,应该会有两个网络设备,eth0和lo,不去管lo,eth0的IP地址是192.168.100.138,这个是通过DHCP自动获取的,由此我们可以得到网段是192.168.100.*。
再看看网关:
- route
得到了默认的网关是192.168.100.2。这里比较奇怪的是我在Win7的网络适配器中看到VmNet8的IP是192.168.100.1,难道网关不是它吗?不过我同时也发现VmNet8也是被禁用了的,很晕。
好了,现在得到了足够的信息,开始进行网络配置:
- sudo vi /etc/network/interfaces
将eth0相关的内容修改为如下配置:
- auto eth0
- iface eth0 inet static
- address 192.168.100.101
- netmask 255.255.255.0
- gateway 192.168.100.2
然后再重启网络服务:
- sudo /etc/init.d/networking restart
最后再用ifconfig和route来看看是更改过来了,再ping一下sina,看看Internet是否可用:
按照同样的方法来配置其余3台虚拟机即可。这里要注意的是不知道是不是由于我是直接拷贝虚拟机文件的原因,在剩下的三台虚拟机中,eth0不见了,只有eth1,第一次用ifconfig时也只是显示出lo来,后来使用 ifconfig -a才发现有个eth1的。那么在之前的网络配置/etc/network/interfaces 中,就需要添加为eth1的。
网络配好了后,可以通过ssh或ping来检测是否可以相互联通。
接下来就是配置各个服务器了。
本来以为网络搭建好了就可以了,没有想到还有ssh这个东西需要配置免密码访问,这个东西应该也算是软件上互联吧。
ssh免密码本来是很简单的一件事情,不过我折腾了2天,这就是菜鸟的必经过程了,我算是觉悟了。
经过无数次的尝试,终于拼出了一条正确的道路:
1. 首先在本地生成空密码的公钥和私钥:
- ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
在网上看到有些使用rsa,不过在Hadoop网站上写的是dsa,就使用dsa吧,生成的密钥文件放在当前用户的.ssh目录下,据我观察,貌似ssh所需要的用户配置文件都存放在这里。执行命令后应该会有 id_dsa, id_dsa.pub两个文件。
2. 配置本地访问不需要密码:
- cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys
其实就是把生成的公钥导入到authorized_keys中,估计ssh 会使用这个文件来进行验证。
3. 执行下面的命令来测试本地访问
- ssh localhost
如果之前没有使用过ssh连接localhost, 那么会有提示添加localhost到knowhosts中去,然后要求输入密码。第二次及以后的连接就不需要密码了。
这里要注意,一定要执行exit来退出ssh,否则这样嵌套执行会搞晕人的。我就这么晕了半天,不知道是在ssh上干活还是直接登录干活。后来在直接操作时把目录切换到了~/.ssh下,这样使用ssh后命令提示符就不一样了。呵呵,菜鸟就是需要多搞一点提示。
4. 把本地的公钥复制到另外的机器(比如192.168.100.102)上:
- scp ~/.ssh/id_dsa.pub fox@192.168.100.102:/home/fox/.ssh/101_dsa.pub
这个会要求输入102的密码,照提示输入即可。
这里就是折腾了我2天的罪魁祸首,在配置从NameNode(192.168.100.101免密码ssh访问)JobTracker(192.168.100.102)时,一定要在NameNode上执行这个命令。虽然我不知道为什么,但是多次尝试下来,就只有这样才能成功。或许还有其它办法,以后有机会了再研究研究。
5. 在另外一台机器上JobTracker(192.168.100.102),把刚刚拷贝过来的公钥导入authorized_keys
- cat ~/.ssh/101_dsa.pub >> authorized_keys
6. 从101上连接102:
- ssh 192.168.100.102
同样第一次连接的话会询问是否添加机器以及要求输入密码,第二次就不用了。
至此就算配置好了ssh从其中一台到另外一台的免密码访问了,把这个操作在各个机器上两两执行,就可以让任意一台机器免密码访问另外任意一台机器了。
如果配置过程中有失误,想要重新来,可以删除.ssh下的所有东西,从头来过。
顺便提一下,我用的是VMware文件拷贝生成的虚拟机,故而所有虚拟机的机器名都是一致的,不知道会有什么问题,所以我在执行上述操作时更改了机器名。
改机器名要改两个地方:
- sudo vi /etc/hostname
- sudo vi /etc/hosts
/etc/hostname 里面的字符串就是机器名,这个要重启后才能生效。Ubuntu下才是这样的,其它Linux貌似不是这个文件。
/etc/hosts 里面应该是用于访问网络时的一个DNS式的东西,把所有出现原机器名的地方都替换成新的机器名即可。
改好后重启,可以用hostname命令来查看是否成功。
好了,暂时就到这里,明天再研究真正的Hadoop配置文件。
实际配置这部分时,才发现在(一)当中提到的那两个官网文档已经过时了,现在我实际下载的版本是 0.20.203,也即那个stable版本。于是只好找到相应版本的文档来参考了:http://hadoop.apache.org/common/docs/stable/cluster_setup.html
关于Hadoop的配置,按照我的理解,应该有六个文件需要修改,它们都在Hadoop的conf文件夹下,分别是:
masters/slavers:配置masters和slavers的机器IP
hadoop-env.sh :Hadoop 运行时的环境变量,比如JAVA_HOME,LOG之类的
core-site.xml :Hadoop 的核心配置文件,对应并覆盖core-default.xml 中的配置项
hdfs-site.xml :HDFS 的配置文件,对应并覆盖hdfs-default.xml 中的配置项
mapred-site.xml :Map/Reduce的配置文件,对应并覆盖mapred-default.xml 中的配置项
上面提到的三个*-default.xml 是Hadoop的默认配置项,理论上都是只读的,如果要修改,就通过对应的用户配置文件来覆盖其设置。
1、先配置masters/slavers,NameNode和JobTracker是master, DataNode01和DataNode02是salvers
Masters:
- vi /hadoop/conf/masters
- 192.168.100.101
- 192.168.100.102
Slavers:
- vi /hadoop/conf/slavers
- 192.168.100.103
- 192.168.100.104
2、先配置hadoop-env.sh,这里最重要的是配置JAVA_HOME,在我的机器上是这样的:
- export JAVA_HOME=/usr/lib/jvm/java-6-sun
其余的可以考虑配置日志文件路径:
- export HADOOP_LOG_DIR=${HADOOP_HOME}/logs
3、配置 core-site.xml,通过文档可以知道这里一般是配置NameNode的地址,即机器名或IP:
- <configuration>
- <property>
- <name>fs.default.name</name>
- <value>hdfs://192.168.100.101:9000</value>
- </property>
- </configuration>
4、配置 hdfs-site.xml,这里一般配置文件存放路径以及文件权限:
- <configuration>
- <property>
- <!-- DFS中存储文件命名空间信息的目录 -->
- <name>dfs.name.dir</name>
- <value>/hadoop/dfs/name</value>
- </property>
- <property>
- <!-- DFS中存储文件数据的目录 -->
- <name>dfs.data.dir</name>
- <value>/hadoop/dfs/data</value>
- </property>
- <property>
- <!-- 是否对DFS中的文件进行权限控制(测试中一般用false)-->
- <name>dfs.permissions</name>
- <value>false</value>
- </property>
- </configuration>
5、配置mapred-site.xml, 这里配置的东西有很多,都是跟Map-Reduce相关的,不过暂时先配置如下几项:
- <configuration>
- <property>
- <!-- JobTracker节点 -->
- <name>mapred.job.tracker</name>
- <value>192.168.100.102:9001</value>
- </property>
- <property>
- <!-- map/reduce的系统目录(使用的HDFS的路径) -->
- <name>mapred.system.dir</name>
- <value>/hadoop/mapred/system</value>
- </property>
- <property>
- <!-- map/reduce的临时目录(可使用“,”隔开,设置多重路径来分摊磁盘IO) -->
- <name>mapred.local.dir</name>
- <value>/hadoop/mapred/local</value>
- </property>
- </configuration>
这些配置都可以在一台机器上搞定,由于Hadoop所有机器是使用同样的配置,所以可以通过scp命令将conf下的内容拷贝复制到各个机器上:
- scp -rp /hadoop/conf fox@192.168.100.102/hadoop/
只复制conf是由于我拷贝虚拟机时就已经把JAVA,Hadoop 都安装好后才拷贝的,这样可以保证所有文件在同一目录。
启动
然后,激动人心的时刻到了,所有配置都搞定了,我们可以启动了!
不过还有一件事情必须要先做, 格式化名称空间。
在NameNode上,执行如下命令:
- cd /hadoop/bin
- ./hadoop namenode -format
然后就可以执行最后一个命令了:
- ./start-all.sh
如果一切顺利的话,应该就成功了:
如果要关闭的话,可以执行
- ./stop-all.sh