本作品采用知识共享署名-非商业性使用-相同方式共享 2.5 中国大陆许可协议 进行许可。
最近云计算在中国极为火爆,但看了云计算的那些云山雾罩的概念后,实在让人望而却步。还好不是所有的东西都摸不着头脑,Hadoop就是实实在在的技术之一。不才最近仔细品读了Hadoop的基础资料,特别是如何部署Hadoop的相关技术文档,发现其中有许多不为人注意的东西,在此整理一下。
关于如何部署Hadoop,网上可以搜到很多文章,在这里不打算凑这个热闹。
Hadoop 开发者入门专刊(pdf) 是目前比较权威的文档;
有什么与Hadoop相关的技术问题也可以到专业的Hadoop技术论坛 上去讨论。
Hadoop 集群的组成成份
Hadoop的核心功能有两个:HDFS与MapReduce 。与HDFS相关的服务有NameNode 、SecondaryNameNode 及DataNode ;与MapReduce 相关的服务有JobTracker 和TaskTracker 两种。
Hadoop集群中有两种角色:master与slave,master又分为主master与次master。其中:
- 主 master同时提供NameNode 、SecondaryNameNode 及JobTracker 三种服务;
- 次master只提供SecondaryNameNode 服务;
- 所有slave可以提供DateNode 或TaskTracker 两种服务。
Hadoop有三种集群方式可以选择:
- Local (Standalone) Mode(无集群模式)
- Pseudo-Distributed Mode(单机集群模式)
- Fully-Distributed Mode(多机集群模式)
一个Hadoop集群由多台电脑组成,每台电脑可作为一种或多种角色存在。
当使用Pseudo-Distributed Mode创建Hadoop集群时,一台电脑同时完成主master和slave两种角色的任务。在Fully-Distributed Mode下,如果只有一台电脑作为master,则此电脑完成主master的任务;如果有多台电脑作为master存在,则第一台电脑完成主master的任务,其它电脑完成次master的任务。
无密码SSH 登录
启动Hadoop的方式是在主master上调用下面的命令:
$ HADOOP_HOME /bin/start-all.sh
此调用过程中,Hadoop依次启动以下服务:
- 在主master上启动NameNode 服 务;
- 在主master上启动SecondaryNameNode 服 务;
- 在次master上启动SecondaryNameNode 服 务;
- 在所有slave上启动DataNode 服务;
- 在主master上 启动JobTracker 服务;
- 在所有slave上的TaskTracker 服务。
在此需要注意以下几点:
- 启动NameNode 与JobTracker 服务不需要SSH授权;
- 需要通过SSH登录之后才能启动SecondaryNameNode 、DataNode 以及TaskTracker 服 务,因此:
- 因为需要启动SencondaryNameNode 服务,所以要为主master提供SSH授权;
- 因为需要启动SencoddaryNameNode 服务,所以要为所有的次master提供SSH授权;
- 因为需要启动DataNode 和TaskTracker 服务,所以要为所有的slave提供SSH授权。
总而言之,要为Hadoop集群中的所有计算机提供SSH授权。
为什么要提供无密码SSH登录方式呢?为的是图省事儿。试想在启动 Hadoop集群过程中,要手动输入每一台电脑的SSH密码将是一件多么烦人的事!SSH授权的方法在这里不做详细的描述。无密码SSH登录技术也是相对成熟的技术。但有一个环节需要注意,那就是文件的访问权限问题。表现为:
- Linux系统中$HOME目录下的.ssh目录为用户所有,权限必须为700(只有用户自己可以全权访问);
- .ssh目录下的授权文件“authorized_keys”为用户所有,权限必须为644。
关闭防火墙
部署Hadoop集群时,master与slave的防火墙均要关闭。关闭防火墙的根本目的也是为了图省事儿,因为在使用HDFS与MapReduce 时,Hadoop会打开许多监听端口。它们 分别是:
与HDFS有关的地址及端口属性
fs.default.name
位 置:conf/core-site.xml
必须项:是
常用值:hdfs: // [域名或IP地 址] :9000
说明: NameNode 主服务器的地址
- 必须在所有master及slave上的conf/core-site.xml中设置此项。并且因为Hadoop架构是主master模式,所以在一个集群中的所有master及slave上设置的fs.default.name值应该是唯一一个NameNode 主服务器的地址。
dfs.datanode.address
位 置:conf/hdfs-site.xml
必须项:否
默认值:0.0.0.0:50010
说明: DataNode 服务的地址
dfs.datanode.ipc.address
位 置:conf/hdfs-site.xml
必须项:否
默认值:0.0.0.0:50020
说明: DataNode IPC服务的地址
dfs.http.address
位 置:conf/hdfs-site.xml
必须项:否
默认值:0.0.0.0:50070
说明: NameNode HTTP状态监视地址
dfs.secondary.http.address
位 置:conf/hdfs-site.xml
必须项:否
默认值:0.0.0.0:50090
说明: SecondaryNameNode HTTP状态监视地址
dfs.datanode.http.address
位 置:conf/hdfs-site.xml
必须项:否
默认值:0.0.0.0:50075
说明: DataNode HTTP状态监视地址
与MapReduce 有关的地址及端口属性
mapred.job.tracker
位 置:conf/mapred-site.xml
必须项:是
常用值: [域名或IP地址] :9001
说 明: JobTracker 主服务器地址及端口
- 必须在所有master及slave上的conf/mapred-site.xml中设置此项。并且因为Hadoop架构是主master模式,所以在一个集群中的所有master及slave上设置的mapred.job.tracker的值应该是唯一一个JobTracker 主服务器的地址。
mapred.task.tracker.report.address
位 置:conf/mapred-site.xml
必须项:否
默认值:127.0.0.1:0
说明:提交报告用 TaskTracker 服务地址
mapred.job.tracker.http.address
位 置:conf/mapred-site.xml
必须项:否
默认值:0.0.0.0:50030
说明: JobTracker HTTP状态监视地址
mapred.task.tracker.http.address
位 置:conf/mapred-site.xml
必须项:否
默认值:0.0.0.0:50060
说明:TaskTracker HTTP状态监视地址