Ubuntu上搭建Hadoop环境（单机模式+伪分布模式）

最近一直在自学Hadoop，今天花点时间搭建一个开发环境，并整理成文。

首先要了解一下Hadoop的运行模式：

单机模式（standalone）
       单机模式是Hadoop的默认模式。当首次解压Hadoop的源码包时，Hadoop无法了解硬件安装环境，便保守地选择了最小配置。在这种默认模式下所有3个XML文件均为空。当配置文件为空时，Hadoop会完全运行在本地。因为不需要与其他节点交互，单机模式就不使用HDFS，也不加载任何Hadoop的守护进程。该模式主要用于开发调试MapReduce程序的应用逻辑。
伪分布模式（Pseudo-Distributed Mode）
      伪分布模式在“单节点集群”上运行Hadoop，其中所有的守护进程都运行在同一台机器上。该模式在单机模式之上增加了代码调试功能，允许你检查内存使用情况，HDFS输入输出，以及其他的守护进程交互。
      全分布模式（Fully Distributed Mode）
     Hadoop守护进程运行在一个集群上。

版本：ubuntu 10.04.4，hadoop 1.0.2

1.添加hadoop用户到系统用户

安装前要做一件事——添加一个名为hadoop到系统用户，专门用来做Hadoop测试。

[html]  view plain copy

1. ~$ sudo addgroup hadoop  
2. ~$ sudo adduser --ingroup hadoop hadoop  

现在只是添加了一个用户hadoop，它并不具备管理员权限，因此我们需要将用户hadoop添加到管理员组：

[html]  view plain copy

1. ~$ sudo usermod -aG admin hadoop  

2.安装ssh

由于Hadoop用ssh通信，先安装ssh

[html]  view plain copy

1. ~$ sudo apt-get install openssh-server  

ssh安装完成以后，先启动服务：

[html]  view plain copy

1. ~$ sudo /etc/init.d/ssh start   

启动后，可以通过如下命令查看服务是否正确启动：

[html]  view plain copy

1. ~$ ps -e | grep ssh  

作为一个安全通信协议，使用时需要密码，因此我们要设置成免密码登录，生成私钥和公钥：

[html]  view plain copy

1. hadoop@scgm-ProBook:~$ ssh-keygen -t rsa -P ""  

因为我已有私钥，所以会提示是否覆盖当前私钥。第一次操作时会提示输入密码，按Enter直接过，这时会在～/home/{username}/.ssh下生成两个文件：id_rsa和id_rsa.pub，前者为私钥，后者为公钥，现在我们将公钥追加到authorized_keys中（authorized_keys用于保存所有允许以当前用户身份登录到ssh客户端用户的公钥内容）：

[html]  view plain copy

1. ~$ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys  

现在可以登入ssh确认以后登录时不用输入密码：

[html]  view plain copy

1. ~$ ssh localhost  

登出：

[html]  view plain copy

1. ~$ exit  

第二次登录：

[html]  view plain copy

1. ~$ ssh localhost  

登出：

[html]  view plain copy

1. ~$ exit  

这样以后登录就不用输入密码了。

3.安装Java

[html]  view plain copy

1. ~$ sudo apt-get install openjdk-6-jdk  
2. ~$ java -version  

4.安装hadoop 1.0.2

到官网下载hadoop源文件，这里选择hadoop 1.0.2

解压并放到你希望的目录中。我是放到/usr/local/hadoop

[html]  view plain copy

1. ~$ sudo tar xzf hadoop-1.0.2.tar.gz  
2. ~$ sudo mv hadoop-1.0.2 /usr/local/hadoop  

要确保所有的操作都是在用户hadoop下完成的：

[html]  view plain copy

1. ~$ sudo chown -R hadoop:hadoop /usr/local/hadoop  

5.设定hadoop-env.sh(Java 安装路径)

进入hadoop目录，打开conf目录下到hadoop-env.sh，添加以下信息：
            export JAVA_HOME=/usr/lib/jvm/java-6-openjdk (视你机器的java安装路径而定)
            export HADOOP_HOME=/usr/local/hadoop
            export PATH=$PATH:/usr/local/hadoop/bin

并且，让环境变量配置生效source

[html]  view plain copy

1. ~$ source /usr/local/hadoop/conf/hadoop-env.sh  

至此，hadoop的单机模式已经安装成功。

于是，运行一下hadoop自带的例子WordCount来感受以下MapReduce过程：

在hadoop目录下新建input文件夹

[html]  view plain copy

1. ~$ mkdir input  

将conf中的所有文件拷贝到input文件夹中

[html]  view plain copy

1. ~$ cp conf/* input<span style="font-family: Arial, Helvetica, sans-serif; white-space: normal; background-color: rgb(255, 255, 255); "> </span>  

运行WordCount程序，并将结果保存到output中

[html]  view plain copy

1. ~$ bin/hadoop jar hadoop-0.20.2-examples.jar wordcount input output  

运行

[html]  view plain copy

1. ~$ cat output/*  

你会看到conf所有文件的单词和频数都被统计出来。

下面是伪分布模式需要的一些配置，继续。

6.设定*-site.xml
这里需要设定3个文件：core-site.xml,hdfs-site.xml,mapred-site.xml，都在/usr/local/hadoop/conf目录下
core-site.xml:  Hadoop Core的配置项，例如HDFS和MapReduce常用的I/O设置等。
hdfs-site.xml:  Hadoop 守护进程的配置项，包括namenode，辅助namenode和datanode等。
mapred-site.xml： MapReduce 守护进程的配置项，包括jobtracker和tasktracker。    

首先在hadoop目录下新建几个文件夹

[html]  view plain copy

1. ~/hadoop$ mkdir tmp  
2. ~/hadoop$ mkdir hdfs  
3. ~/hadoop$ mkdir hdfs/name  
4. ~/hadoop$ mkdir hdfs/data  

接下来编辑那三个文件：

core-site.xml:

[html]  view plain copy

1. <configuration>  
2.     <property>  
3.         <name>fs.default.name</name>  
4.         <value>hdfs://localhost:9000</value>  
5.     </property>  
6.     <property>  
7.         <name>hadoop.tmp.dir</name>  
8.         <value>/usr/local/hadoop/tmp</value>  
9.     </property>  
10. </configuration>  

hdfs-site.xml:

[html]  view plain copy

1. <configuration>  
2.     <property>  
3.         <name>dfs.replication</name>  
4.         <value>1</value>  
5.     </property>  
6.     <property>  
7.         <name>dfs.name.dir</name>  
8.         <value>/usr/local/hadoop/hdfs/name</value>  
9.     </property>  
10.     <property>  
11.         <name>dfs.data.dir</name>  
12.         <value>/usr/local/hadoop/hdfs/data</value>  
13.     </property>  
14. </configuration>  

mapred-site.xml:

[html]  view plain copy

1. <configuration>  
2.     <property>  
3.         <name>mapred.job.tracker</name>  
4.         <value>localhost:9001</value>  
5.     </property>  
6. </configuration>  

7.格式化HDFS

通过以上步骤，我们已经设定好Hadoop单机测试到环境，接着就是启动Hadoop到相关服务，格式化namenode,secondarynamenode,tasktracker:

[html]  view plain copy

1. ~$ source /usr/local/hadoop/conf/hadoop-env.sh  
2. ~$ hadoop namenode -format  

8.启动Hadoop

接着执行start-all.sh来启动所有服务，包括namenode,datanode，start-all.sh脚本用来装载守护进程。

[html]  view plain copy

1. hadoop@ubuntu:/usr/local/hadoop$ cd bin  
2. hadoop@ubuntu:/usr/local/hadoop/bin$ start-all.sh  

用Java的jps命令列出所有守护进程来验证安装成功

[html]  view plain copy

1. hadoop@ubuntu:/usr/local/hadoop$ jps  

出现如下列表，表明成功

9.检查运行状态
所有的设置已完成，Hadoop也启动了，现在可以通过下面的操作来查看服务是否正常，在Hadoop中用于监控集群健康状态的Web界面：
http://localhost:50030/     - Hadoop 管理介面
http://localhost:50060/     - Hadoop Task Tracker 状态
http://localhost:50070/     - Hadoop DFS 状态

Hadoop 管理介面：

Hadoop Task Tracker 状态：

Hadoop DFS 状态：

至此，hadoop的伪分布模式已经安装成功，于是，再次在伪分布模式下运行一下hadoop自带的例子WordCount来感受以下MapReduce过程：

这时注意程序是在文件系统dfs运行的，创建的文件也都基于文件系统：

首先在dfs中创建input目录

[html]  view plain copy

1. hadoop@ubuntu:/usr/local/hadoop$ bin/hadoop dfs -mkdir input  

将conf中的文件拷贝到dfs中的input

[html]  view plain copy

1. hadoop@ubuntu:/usr/local/hadoop$ hadoop dfs -copyFromLocal conf/* input  

在伪分布式模式下运行WordCount

[html]  view plain copy

1. hadoop@ubuntu:/usr/local/hadoop$ hadoop jar hadoop-examples-1.0.2.jar wordcount input output  

可看到以下过程

显示输出结果

[html]  view plain copy

1. hadoop@ubuntu:/usr/local/hadoop$ hadoop dfs -cat output/*  

当Hadoop结束时，可以通过stop-all.sh脚本来关闭Hadoop的守护进程

[html]  view plain copy

1. hadoop@ubuntu:/usr/local/hadoop$ bin/stop-all.sh   

10.结语

     在ubuntu上搭建hadoop成功！有点小兴奋，已经迫不及待的想开始做一些相关的开发及深入理解hadoop内核实现，继续加油咯！

PS：单机模式和伪分布模式均用于开发和调试的目的。真实Hadoop集群的运行采用的是第三种模式，即全分布模式。待续。