hadoop分布式计算demo实践

          真正的分布式计算实验需要好多台服务器，因此我暂时只在本机做了1和2两种模式，这里做个笔记，发表是最好 的记忆嘛。 apahce的网站上有hadoop的安装文档，非分布式计算安装文档说明：http://hadoop.apache.org/common/docs/current/single_node_setup.html

hadoop的运行模式有三种：

1 单节点模式

2 伪分布式模式

3 分布式模式

关于hadoop配置文件的使用说明和常用命令，这里有篇文章，是中文的哦：

http://www.iteye.com/topic/284849

 

关于平台的支持

hadoop对linux支持得非常好，但是对于win32，按照apache的说法，可以是开发环境，对于生产环境没有做很好的测试，因此我也是基于linux系统来做实践的，我装的是ubantu。

必须准备的软件

1：jdk1.6以上（包括1.6），必须的

2：ssh，如果没有安装，在ubantu环境下，只需要输入ssh，系统会提示你安装。或者直接执行以下两行命令

sudo apt-get install ssh
sudo apt-get install rsync

3：hadoop发行包，到http://hadoop.apache.org去下载，我下的是hadoop-0.20.2，下载到本地的文件是hadoop-0.20.2.tar.gz，我解压的目录是/home/james/devlopment/hadoop-0.20.2。

单机模式启动

在hadoop根目录依次执行以下命令

mkdir input
cp conf/*.xml input
bin/hadoop jar hadoop-*-examples.jar grep input output 'dfs[a-z.]+'
cat output/*

上面这几个命令的意思是：

第一行，在hadoop根目录新建一个input目录

第二行，将conf目录下的所有xml文件复制到刚才新建的input目录

第三行，执行hadoop命令，统计input目录包含正则表达式'dfs[a-z.]+'匹配的字符串数量，并将结果输出到output目录

第四行，打印出统计结果

单机模式不可能用在实际的分布式环境中，它一般被用来检验MapReduce程序是否有问题。这个比较简单，就不多说了。

执行单机模式的时候，必须保证hadoop的配置文件没有被修改过。

伪分布式启动

所谓伪分布式，其实是模拟分布式。在实际的分布式计算环境中，每个节点都是一台独立服务器，在伪分布式里，只是启动了多个java进程，模拟了几个必须的节点。

在hadoop根目录

修改conf/core-site.xml ，加入以下信息到<configuration>标签对里面：

<property>
         <name>fs.default.name</name>
         <value>hdfs://localhost:9000</value>
     </property>

加完之后如下：

<configuration>
     <property>
         <name>fs.default.name</name>
         <value>hdfs://localhost:9000</value>
     </property>
</configuration>

修改conf/hdfs-site.xml为如下：

<configuration>
     <property>
         <name>dfs.replication</name>
         <value>1</value>
     </property>
</configuration>

修改conf/mapred-site.xml为如下：

<configuration>
     <property>
         <name>mapred.job.tracker</name>
         <value>localhost:9001</value>
     </property>
</configuration>

设置没有密码验证的ssh

先测试下，在本机命令行下执行 ssh localhost，如果要求你输入密码，那就要设置没有密码验证的ssh，依次输入如下命令

ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa

cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

启动

先格式化hdfs文件系统

bin/hadoop namenode -format

再启动hadoop进程

bin/start-all.sh

如果配置没什么问题，那么hadoop就启动了，启动过程中，有一些信息打印出来，告诉你日志的输出目录。下面做个测试，执行以下命令

bin/hadoop fs -put conf inpu

这个命令的意思是将当前目录下的conf目录的内容拷贝到hdfs文件系统的input目录

再执行这个命令

bin/hadoop jar hadoop-*-examples.jar grep input output 'dfs[a-z.]+'

再执行这个命令

bin/hadoop fs -get output output     这句意思是将hdfs文件系统的output目录你内容拷贝到本地的output目录

cat output/*    打印本地output目录内容，其实就是打印执行结果拉。

或者直接在hdfs文件系统上查看：

bin/hadoop fs -cat output/*

web界面

下面是默认地址和端口

NameNode     http://localhost:50070/

JobTracker     http://localhost:50030/

NameNode界面，主要显示以下信息：

启动时间

编译时间

版本

HDFS文件目录结构

NameNode日志信息

分布式集群节点信息，如果死亡的节点，活动的节点，HDFS空间大小和使用率以及存储状态

JobTracker界面，其实是一个MapReduce管理界面，里面描述了以下信息

分布式计算的任务调度信息

集群分布式计算信息

如 正在运行的计算

已经完成的计算

失败的计算

本地的日志