Hadoop Setup

使用Docker方式部署

参考链接：
http://kiwenlau.com/2016/06/12/160612-hadoop-cluster-docker-update/

VMware虚拟机搭建

最早接触的虚拟机就是VMware，先下载好Linux镜像，我用的CentOS7.3，安装好系统之后再下好各种基础软件压缩包，然后拷贝三份，这样一共四个节点，一个主节点，一个主备。
准备工作：
配置host，即/etc/hosts；
配置主节点到从节点ssh免密登录：

ssh-keygen -t rsa
ssh-copy-id -i ~/.ssh/id_rsa.pub hadoop@slave1
……

安装Jdk，无须赘述。
基本流程：
1. 解压hadoop-2.2.0.tar.gz存放到某一目录下，我直接放到用户目录/home/hadoop/下了；
2. 修改解压后的目录中的文件夹etc/hadoop下的xml配置文件，包括hadoop-env.sh、mapred-site.xml、core-site.xml、hdfs-site.xml和yarn-site.xml；
- hadoop-env.sh：顾名思义，这是配置hadoop环境变量的；配置项是JAVA_HOME
- mapred-site.xml：配置mapreduce。
- core-site.xml：fs.deafaultFS，指定active name；
- hdfs-site.xml：配置hdfs。配置项有：dfs.nameservices-集群命名服务，自定义；dfs.ha.namenodes.${ns}-命名服务中namenode逻辑名称，自定义；
- yarn-site.xml：配置yarn。配置项有：yarn.resourcemanager.hostname
- slaves：从节点。
以上这些配置在主节点更改，更改完了再用scp指令同步到其他三个节点即可。
3. 格式化并启动HDFS；
操作均在hadoop部署目录下进行。
- 启动JournalNode：在各个JournalNode节点上，输入以下命令启动journalnode服务：sbin/hadoop-daemon.sh start journalnode；
- 在[nn1]上，对其进行格式化：bin/hdfs namenode -format，并启动：sbin/hadoop-daemon.sh start namenode。
- 在[nn2]上，同步nn1的元数据信息：bin/hdfs namenode -bootstrapStandby，并启动sbin/hadoop-daemon.sh start namenode。
- 这时nn1和nn2均处理standby状态，将[nn1]切换为Active：bin/hdfs haadmin -transitionToActive nn1。
- 在[nn1]上，启动所有datanodesbin/hadoop-daemons.sh start datanode。
- 关闭hadoop集群，在[nn1]上，输入以下命令：sbin/stop-dfs.sh。
4. YARN。
5. 集成Spark。
- 下载和hadoop对应的spark版本，解压。
- 更改配置文件conf目录下的spark-default.conf和spark-env.sh以及slaves：
spark-default.conf中配置项：spark.yarn.jar
spark-env.sh中配置项：
slaves配置项：与hadoop一样。

注意事项：
（1）使用Journal Node方式配置主备NameNode。为此，需要至少准备3个节点作为Journal Node，这三个节点可与其他服务，比如NodeManager共用节点，这也是为什么集群最少要四个节点的缘故。
（2）主备两个NameNode应位于不同机器上，这两台机器不要再部署其他服务，即它们分别独享一台机器。
（3）主备NameNode之间有两种切换方式：手动切换和自动切换，其中，自动切换是借助Zookeeper实现的，因此，需单独部署一个Zookeeper集群（通常为奇数个节点，至少3个）。这里是手动方式切换的。
（4）有时在nn1上启动datanode时会失败，发现从节点并没有运行datanode，这有可能是因为多次格式化导致主从节点的clusterID不同所致，根据hdfs-site.xml中配置的dfs.datanode.data.dir和dfs.datanode.name.dir路径，找到current/VERSION文件，将其中的clusterID改为一致即可。不要随意格式化，停止集群时sbin/stop-dfs.sh，启动集群时sbin/start-dfs.sh

（5）可以像JAVA_HOME一样将HADOOP_HOME加入环境变量，这样每次输入指令就不用再跑到安装目录下了。
（6）spark-shell yarn-client时任务提交失败，报错如下：
ERROR spark.SparkContext: Error initializing SparkContext.
org.apache.spark.SparkException: Yarn application has already ended! It might have been killed or unable to launch application master.
查看yarn界面也是显示FAILED，从application_id点进去查看更详细的报错信息，发现有句：
Diagnostics: Container pid=50908,containerID=container_1520878883647_0004_02_000001] is running beyond virtual memory limits. Current usage: 34.8 MB of 1 GB physical memory used; 2.2 GB of 2.1 GB virtual memory used. Killing container.
更改yarn-site.xml配置：

    <property>
        <name>yarn.nodemanager.vmem-pmem-ratio</name>
        <value>2.5</value>
    </property>

配置成2.5的虚存，但这只是权宜之计。
（7）运行Hadoop和Spark 的停止脚本stop-dfs.sh、stop-yarn.sh、stop-all.sh都无法停止进程，提示信息：
no org.apache.spark.deploy.worker.Worker to stop、no namenode to stop之类，再jps发现进程仍然没有 停止。
原因在停止脚本里，查看hadoop-daemon.sh发现：# HADOOP_PID_DIR The pid files are stored. /tmp by default.

 if [ "$HADOOP_PID_DIR" = "" ]; then
   HADOOP_PID_DIR=/tmp
 fi

也就是说不配置$HADOOP_PID_DIR这个环境变量的话默认去/tmp文件夹找，而这个文件夹系统会定期清理的。
同样查看spark-daemon.sh发现：SPARK_PID_DIR The pid files are stored. /tmp by default.同一个问题。
解决：在hadoop-env.sh/yarn-env.sh中添加或更改该环境变量即可：
export HADOOP_PID_DIR=//home/hadoop/hadoop_tmp
同理在yarn-env.sh和spark-env.sh中同样添加环境变量。

参考资料：
http://www.nekomiao.me/2016/08/10/hadoop-without-datanode/
https://www.cnblogs.com/purstar/p/6293605.html
https://www.cnblogs.com/simplestupid/p/4693513.html