安装前准备
4台电脑组成的cluster。
目标:
在这4台电脑上配置fully distributed Hadoop-2.6.5, 因为之后要用这个Cluster来搭oozie,所以就不装最新的版本。
这个博客写的时候是搭在amazon aws上的,但是我最近发现,如果把Hadoop搭在云上,Hadoop一段时间不执行job,云会把一些Hadoop必须用到的端口关掉。这样会导致所有slave node上的Hadoop进程挂掉,因此无法正常运行Hadoop。
1.ssh 无密码通讯(对所有电脑都要操作)
在每台电脑,在终端输入下述命令,生成一对rsa public key和 private key:
ssh-keygen
然后在file和passphrase一路按回车,代表设置为默认。
在每台电脑中输入:
cd ~/.ssh
进入到~/.ssh目录。在这个目录下,一共会有三个文件:
id-rsa和id_rsa.pub是刚刚“ssh-keygen”生成的rsa public key和private key。"id_rsa.pub"这个后缀代表是public key。rsa算法允许我们通过public key访问private key,通过private key访问public key。private key是每台电脑自己要留住的,public key需要分享给其他电脑以供其他电脑访问本台电脑。每台电脑收到别的电脑分享的public key,然后把这个public key存在authorized_keys里面。这就意味着,如果A电脑的public key在B电脑的authorized_keys里面,那就意味着A电脑可以用private key和B电脑通讯。
所以,这一步是要把每台电脑的public key存到其他所有电脑的authorized_keys里面。所以我一共有四个节点,任意一个authorized_keys里就要存其他三台电脑的public key. (我比较懒,我在一台电脑把4个都存了,然后直接把authorized_keys复制给另外三个电脑)。此时就能实现无密码通讯了,直接在其他任意一台电脑命令行输入:
ssh 172.31.11.234
就能访问电脑"ubuntu@ip-172-31-11-234" ,上面的ip地址是这台电脑的private ip。其实也可以通过public ip访问:
ssh ubuntu@ip-172-31-11-234
但是这样访问并不是很方便,所以我们可以通过更改hosts文件来方便访问。
在每一台电脑的命令行输入:
sudo vim /etc/hosts
然后在里面把相应的private ip和名字对应起来,把其中一个设置成master,另外三个设置成slave。
设置之后,就可以直接通过下列命令行直接访问:
ssh master (也可以ssh slave1, ssh slave2, ssh slave3)
2.install Java(对所有电脑都要操作)
如果电脑里面没有Java的话,可以安装一个。首先输入如下命令更新apt-get:
sudo apt-get update
之后输入如下命令下载Java:
sudo apt-get install default-jdk
在命令行输入如下命令,查看新下载的java。这里需要注意,mac和linux的地址有所不同:
cd /usr/lib/jvm (这个是Linux的Java路径)
cd /Library/Java/JavaVirtualMachines
这是我在java路径下看到的几个jdk,最新的一个是"java-8-openjdk-amd64"。
修改~/.bash_profile里面的内容,加入JAVA_HOME。先在命令行输入:
vim ~/.bash_profile
因为我的电脑环境是linux,所以我在~/.bash_profile配置的内容如图所示:
source使其生效:
source ~/.bash_profile
3.下载解压Hadoop(仅需要对master node进行操作)
进入Hadoop官网,点击所需要版本的binary文件,我这里下载的是hadoop-2.6.5。 进入网页之后,会给一个镜像下载地址。
回到home目录(因为我打算把Hadoop安装在home目录下,当然也可以选择其他目录):
cd ~
在作为master node的那台电脑的命令行输入:
wget http://apache.mirrors.ionfish.org/hadoop/common/hadoop-2.6.5/hadoop-2.6.5.tar.gz
输入以下命令解压hadoop:
tar -xvzf hadoop-2.6.5.tar.gz
此时我电脑上hadoop-2.6.5的目录为:"/home/ubuntu/hadoop-2.6.5"。想知道hadoop的绝对路径,可以进入hadoop-2.6.5,然后在命令行输入pwd,得到hadoop的绝对路径。
4.配置~/.bash_profile(每台电脑都要进行这个操作)
对于每台电脑,编辑~/.bash_profile:
vim ~/.bash_profile
加入如下内容:
export HADOOP_HOME=/home/ubuntu/hadoop-2.6.5 (这个是我的Hadoop绝对路径,每台电脑我也都打算存在这个路径下)
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
同样的,每次修改~/.bash_profile之后,都要source一下使其生效:
source ~/.bash_profile
5.配置Hadoop
进入hadoop的配置目录:
cd hadoop-2.6.5/etc/hadoop/
在这里我们需要修改的文件有:a) core-site.xml, b) hdfs-site.xml, c) mapred-site.xml, d) yarn-site.xml, e) hadoop-env.sh, f) slaves, g) masters
core-site.xml里面配置如下:
<configuration>
<property>
<name>fs.defaultFS</name> #(这里配置的是hdfs)
<value>hdfs://master:9000/</value> # (master是我们在/etc/hosts里面配置的。根据/etc/hosts里面的名字来改)
</property>
<property>
<name>hadoop.tmp.dir</name> #(临时文件的存放位置)
<value>file:/home/ubuntu/hadoop-2.6.5/tmp</value> #(就是Hadoop的地址加上/tmp)
</property>
</configuration>
hdfs-site.xml配置如下:
<configuration>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/home/ubuntu/hadoop-2.6.5/dfs/name</value> #(这个路径要根据实际情况进行修改)
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/home/ubuntu/hadoop-2.6.5/dfs/data</value> # (这个路径要根据实际情况进行修改)
</property>
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
</configuration>
mapred-site.xml配置如下。注意这里需要把mapred-site.xml.template改成mapred-site.xml,再配置:
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
yarn-site.xml配置如下:
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
<property>
<name>yarn.resourcemanager.address</name>
<value>master:8032</value>
</property>
<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value>master:8030</value>
</property>
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>master:8035</value>
</property>
<property>
<name>yarn.resourcemanager.admin.address</name>
<value>master:8033</value>
</property>
<property>
<name>yarn.resourcemanager.webapp.address</name>
<value>master:8088</value>
</property>
</configuration>
最后需要在hadoop-env.sh里加入如下内容:
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64 (Java_home)
export HADOOP_PREFIX=/home/ubuntu/hadoop-2.6.5 (Hadoop的prefix)
# Set hadoop configuration path
export HADOOP_CONF_DIR=/home/ubuntu/hadoop-2.6.5/etc/hadoop/ (hadoop 配置路径)
export HADOOP_HOME=/home/ubuntu/hadoop-2.6.5 (hadoop_home)
# add hadoop packages(这里是)
export CLASSPATH=$CLASSPATH:$HADOOP_HOME/share/hadoop/*/lib/*.jar
export CLASSPATH=$CLASSPATH:$HADOOP_HOME/share/hadoop/*/*.jar
改完hadoop-env.sh之后要重新source一下:
source hadoop-env.sh
修改slaves文件如下:
修改master文件如下:
6.把配置好的Hadoop发给其他所有电脑
先回到home目录(cd ~),在命令行里依次输入以下三个命令,逐一发给其余每台电脑:
scp -r hadoop-2.6.5 slave1:~ (最后两个指的是,发给slave1电脑的~目录下,也就是home目录下)
scp -r hadoop-2.6.5 slave2:~
scp -r hadoop-2.6.5 slave3:~
7.启动hadoop
进入hadoop目录,在命令行输入下述命令,格式化namenode:
bin/hdfs namenode -format
格式化成功之后,可输入如下命令分别启动hdfs和yarn:
sbin/start-dfs.sh
sbin/start-yarn.sh
启动成功后,在各个电脑上输入jps查看当前进程,在master node上的显示如下:
在其余node上,显示如下:
这表示Hadoop配置完成~
8.来个例子吧
写个MyWordCount试试吧:
vim MyWordCount.java
里面写入如下程序:
import java.io.IOException;
//import java.util.*;
import java.util.StringTokenizer;
//import java.net.URI;
//import java.net.URISyntaxException;
import org.apache.hadoop.fs.Path;
//import org.apache.hadoop.conf.*;
import org.apache.hadoop.conf.Configuration;
//import org.apache.hadoop.io.*;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
//import org.apache.hadoop.mapreduce.*;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
//import org.apache.hadoop.util.*;
public class MyWordCount {
public static class WordMapper extends Mapper <Object, Text, Text, IntWritable>{
private final static IntWritable one = new IntWritable(1);
private Text word = new Text();
public void map (Object key, Text value, Context context) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()){
word.set(itr.nextToken());
context.write(word, one);
}
}
}
public static class WordReducer extends Reducer <Text, IntWritable, Text, IntWritable> {
private IntWritable result = new IntWritable();
public void reduce (Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException{
int sum = 0;
for (IntWritable val : values){
sum+=val.get();
}
result.set(sum);
context.write(key, result);
}
}
public static void main (String args []) throws Exception{
Configuration conf = new Configuration ();
Job job = Job.getInstance (conf, "MyWordCount");
FileInputFormat.addInputPath(job, new Path (args[0]));
FileOutputFormat.setOutputPath(job, new Path (args[1]));
job.setJarByClass(MyWordCount.class);
job.setMapperClass (WordMapper.class);
job.setReducerClass (WordReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
输入以下命令编译MyWordCount.java:
javac MyWordCount.java
编译生成了三个class文件:
打包生成jar文件:
jar cvf MyWordCount.jar *.class
现在有一个统计字数的Map/Reduce程序了。现在再准备一个输入文件:
vim A.txt
输入以下内容:
you are my sunshine
现在hdfs里新建一个新的文件夹:
bin/hdfs dfs -mkdir /input
然后把当前目录里面的A.txt放进hdfs的input文件夹里:
bin/hdfs dfs -put A.txt /input/
输入以下命令执行MyWordCount:
bin/hadoop jar MyWordCount.jar MyWordCount /input /output
其中,MyWordCount.jar是放在hadoop-2.6.5目录下的jar包,MyWordCount代表存在里面的MyWordCount.class, /input是在hdfs中存放输入文件的文件夹,/output是输出的文件夹。值得注意的是,/output必须是hdfs不存在的一个文件夹,否则执行会失败。
执行结束后,可用如下命令将存在hdfs中的output取回本地:
bin/hdfs dfs -get /output
在output文件夹里,有两个文件,一个是_SUCCESS,代表执行成功。par-r-0000里存放输出结果。
可通过如图所示命令,查看结果: