Apache 下Hadoop 版本繁多，最终选择了稳定版本作为学习、研究的切入点。
Hadoop的核心包含了HDFS分布式文件系统和MapReduce计算框架，它们是主要适合大吞吐量、批量计算的情景， 换句话说， 就是不适合作为实时系统。HDFS负责数据的持久存储的， 并且保证数据的完整性。MapReduce提供了简单计算框架，框架负责任务的、分配、执行、以及处理执行过程中出现的异常。
但是，人们选择Hadoop， 并不仅仅因为上述的两点， 更多的， 是因为Hadoop愈加成熟的生态圈， 例如HBase、Hive、Mahout等等。所有这些都是依赖Hadoop的HDFS和MapReduce。那么首先， 让我们从搭建Hadoop开始。
已经发布了Hadoop 2.0的alpha版本，它有许多改进，特别是Hadoop1.*的单点故障的问题， 但是Hadoop2.0实际上是完全重写了Hadoop, 未来将抽时间来单独学习Hadoop2.
本文记录Hadoop的搭建过程， 以备忘，并希望能够对新人有所帮助。
Hadoop的系统组件
一个进行交互着的Hadoop系统，至少包含六个组（进程）：Hadoop Client、JobTracker、TaskTracker、NameNode、DataNode、SecondaryNameNode。其中Client用于和Hadoop集群交互。此外Hadoop还建立JVM之上，主节点通过SSH控制从节点的上的守护进程。
部署Hadoop集群， 一般让DataNode和TaskTracker运行在节点上，这样以便尽可能的达到计算数据的本地化。对于小集群，NameNode、SecondaryNameNode以及JobTracker可以运行在同一个节点上。如果集群够大， 并且条件运行， 最好是将这三者单独运行不同的节点上。
硬件准备
5台机器
- 操作系统：Red hat 6.2 X86_64
- 内存：建议每个核2G， 具体大小配置，见mapred-site.xml设置。
- 机器规划，并且设置hostname为其域名
| IP | 域名 | 备注 |
| 192.168.1.100 | master | NameNode、JobTracker |
| 192.168.1.101 | secondmaster | SecondaryNameNode |
| 192.168.1.102 | hadoop1 | DataNode、TaskTracker |
| 192.168.1.103 | hadoop2 | DataNode、TaskTracker |
| 192.168.1.104 | hadoop3 | DataNode、TaskTracker |
- 为每个机器创建一个共同的用户：hadoop
软件准备
- 安装Java 1.6 或者以上版本
- 安装ssh， 运行sshd
安装配置
配置SSH免密码登陆
设置master到所有节点的SSH免密码登陆（包括master本身）。如何设置见SSH免密码登陆。
关闭各个节点的防火墙
安装、配置Hadoop
安装Hadoop
下载安装Hadoop，我使用了Hadoop-1.0.2，解压到你的安装目录。我放在/home/hadoop/hadoop目录下， 以后以$HADOOP_HOME代替。
为了方便以后使用， 我还将HADOOP_HOME export为环境变量。
配置Hadoop
所有配置文件都在$HADOOP_HOME/conf目录下。所有配置除了masters和slaves都有一个默认配置项：*-default.xml。
设置hadoop-evn.sh
这里主要是设置JAVA_HOME， 找到JAVA_HOME， 设置该变量。
export JAVA_HOME=/opt/jdk1.6.0_27设置core-site.xml
这里主要设置fs.default.name变量， 值以url形式设置，可以是file:///,hdfs://, ...
还有其他一些设置，可以参照core-default.xml进行设置。
<property>
<name>fs.default.name</name>
<value>hdfs://master:9000</value>
</property>
一般还会把hadoop.tmp.dir设置到指定目录下，该变量目录是放在/tmp目录下的， 一旦机器重启，这里的数据将都丢失。
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/hadoop/datas/tmp</value>
</property>
还有一个是fs.checkpoint.dir
<property>
<name>fs.checkpoint.dir</name>
<value>/home/hadoop/hadoop/datas/hdfs/namesecondary</value>
</property>设置hdfs-site.xml
这里主要设置dfs.name.dir、dfs.data.dir、dfs.replication、dfs.block.size
<property>
<name>dfs.name.dir</name>
<value>/home/hadoop/hadoop/datas/hdfs/name</value>
</property>
<property>
<name>dfs.data.dir</name>
<value>/home/hadoop/hadoop/datas/hdfs/data</value>
</property>
<property>
<name>dfs.replication</name>
<value>2</value>
<!-- default is 3 -->
</property>
<property>
<name>dfs.block.size</name>
<value>315621376</value>
<!-- unit bytes, default is 64M, -->
</property>设置mapred-site.xml
这里主要设置mapred.job.tracker
<property>
<name>mapred.job.tracker</name>
<value>master:9001</value>
<!-- JobTracker RPC address and port. -->
</property><property>
<name>mapred.tasktracker.map.tasks.maximum</name>
<value>8</value>
<!-- an TaskTracker's last map task slot, default is 2 -->
</property>
<property>
<name>mapred.tasktracker.reduce.tasks.maximum</name>
<value>8</value>
<!-- an TaskTracker's last reduce task slot, default is 2 -->
</property>
<property>
<name>mapred.child.java.opts</name>
<value>-Xms1024m -Xmx200m -XX:-UseGCOverheadLimit</value>
</property>Tips：
mapred.tasktracker.map.tasks.maximum， mapred.tasktracker.reduce.tasks.maximum设置为多少大，需要参考机器内存、mapred.child.java.opts、节点上其他进程占用内存情况以及实际作业耗内存情况。
一般DataNode和TaskTracker运行在同一个节点上。默认情况下，这两进程需要2*1000MB。
上述配置中， -Xmx200m，mapred.tasktracker.map.tasks.maximum和mapred.tasktracker.reduce.tasks.maximum都是8.
那么至少需要1000*2 + 200*16 = 5200MB的内存
设置masters
这里设置的其实是SecondaryNameNode的节点，一行一个节点
secondmaster设置slaves
也是一行一个节点
hadoop1
hadoop2
hadoop3安装LZO
LZO是可选的压缩方式，但一般都会安装它。
请参考：
开启机架感知
开启Hadoop集群的机架感知，是可选的，它可以提高Hadoop集群的网络性能，主要针对大集群，跨机架的情形。
在core-site.xml 添加以下属性：
编写RackAware.py：
<property>
<name>topology.script.file.name</name>
<value>/home/hadoop/hadoop-1.0.2/script/RackAware.py</value>
</property>编写RackAware.py：
#!/usr/bin/python
#-*-coding:UTF-8 -*-
import sys
rack = {"hadoop.cluster.master":"rack1",
"hadoop.cluster.second_master":"rack1",
"hadoop.cluster.slave1":"rack1",
"hadoop.cluster.slave2":"rack1",
"hadoop.cluster.slave3":"rack1",
"hadoop.cluster.slave4":"rack1",
"hadoop.cluster.slave5":"rack1",
"hadoop.cluster.slave6":"rack1",
"hadoop.cluster.slave7":"rack1",
"hadoop.cluster.slave8":"rack1",
"10.15.82.81":"rack1",
"10.15.82.201":"rack1",
"10.15.82.148":"rack1",
"10.15.82.149":"rack1",
"10.15.82.150":"rack1",
"10.15.82.151":"rack1",
"10.15.82.189":"rack1",
"10.15.82.153":"rack1",
"10.15.82.190":"rack1",
"10.15.82.155":"rack1",
}
if __name__=="__main__":
print "/" + rack.get(sys.argv[1],"rack0")启动、停止集群
第一次启动集群之前，要先进行NameNode的格式化。
hadoop namenode -format
Tips：
对于完全分布式集群，请不要多次格式化话， 因为二次格式化时，不能同步节点，会因版本不一致而导致集群不能正常启动
启动各个守护进程
start-all.sh
停止集群
stop-all.sh
运行日志
默认情况下， Hadoop系统的运行日志在各个节点的$HADOOP_HOME/log目录下，分别以各个守护进程名字命名，例如：
验证是否部署成功
有多种途径可以验证Hadoop集群是否已经部署成功。通过jps查看进程、通过web接口查看集群状态以及运行一个例子进行测试。
jps查看进程
master节点上：NameNode、JobTracker
secondmaster节点上：SecondaryNameNode
hadoop1~hadoop3节点上：DataNode、TaskTracker
通过web查看
通过http://master:50070 查看NameNode和DataNode
通过http://master:50030 查看JobTracker和TaskTracker
运行一个例子
在$HADOOP_HOME目录下执行hadoop jar hadoop-examples-1.0.2.jar pi 10 100， 如果部署成功，将会看到
集群增加删除节点
新增节点
- 修改master中的hosts，添加新增节点的IP，并且将hosts同步到其他节点，包括新增及节点。
- 拷贝hadoop1~hadoop2某个节点的配置到新增节点，修改$HADOOP_HOME/conf/slaves，添加新增节点的域名或者IP
- 在新增节点上开启守护进程DataNode和TaskTracker：
hadoop-daemon.sh start datanode
hadoop-daemon.sh start tasktracker
- 执行均衡，start-balancer.sh
删除节点
- 修改集群配置，如果conf/hdfs-site.xml中没有配置dfs.hosts.exclude，则添加以下配置：
<property> <name>dfs.hosts.exclude</name> <value>/data/soft/hadoop/conf/excludes</value> </property>
- 在dfs.hosts.exclude指定的文件中指定要下架的机器，一行一个， 如：
hadoop1
hadoop3 - 强制集群重新加载配置：
hadoop dfsadmin -refreshNodes - 等上述过程结束时，就可以安全关闭要下架的机器了，通过report可以查看状态。
hadoop dfsadmin -report
如果已经完成，将显示
Decommission Status : Decommissioned
否则显示
Decommission Status : Decommission in progress
参考
《Hadoop权威指南》
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
