【Hadoop和Spark伪分布式安装与使用】

Hadoop和Spark伪分布式安装与使用（第二期）

上期已将Hadoop安装好了，接下来我们继续Hadoop的配置

12、Hadoop单机配置

Hadoop 默认模式为非分布式模式，非分布式即单 Java 进程，方便进行调试。运行一个grep 例子，将 input 文件夹中的所有文件作为输入，筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数，最后输出结果到 output 文件夹中。

cd /usr/local/hadoop
mkdir ./input
cp ./etc/hadoop/*.xml ./input   # 将配置文件作为输入文件
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/* 

执行成功后如下所示，输出了作业的相关信息，输出的结果是符合正则的单词 dfsadmin 出现了1次

注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。

rm -r ./output

13、Hadoop伪分布式配置

Hadoop 可以在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行，节点既作为 NameNode 也作为 DataNode，同时，读取的是 HDFS 中的文件。

Hadoop 的配置文件位于/usr/local/hadoop/etc/hadoop/中，伪分布式需要修改2个配置文件core-site.xml 和 hdfs-site.xml。Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

修改配置文件 core-site.xml (通过 gedit 编辑会比较方便，在这里安装一下gedit：sudo apt-get install gedit（执行此命令）)

gedit ./etc/hadoop/core-site.xml

在core-site.xml文件中添加如下配置（不要把里面的内容删掉，只在下图位置处加入配置就好）

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
    <property>
        <name>hadoop.http.staticuser.user</name>        #解决web端无法删除上传文件
        <value>hadoop</value>
    </property>
</configuration>

修改配置文件hdfs-site.xml

gedit ./etc/hadoop/hdfs-site.xml

在hdfs-site.xml文件中添加如下配置

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

Hadoop配置文件说明：

Hadoop 的运行方式是由配置文件决定的（运行 Hadoop 时会读取配置文件），因此如果需要从伪分布式模式切换回非分布式模式，需要删除 core-site.xml 中的配置项。

此外，伪分布式虽然只需要配置 fs.defaultFS 和 dfs.replication 就可以运行（官方教程如此），不过若没有配置 hadoop.tmp.dir 参数，则默认使用的临时目录为/tmp/hadoo-hadoop，而这个目录在重启时有可能被系统清理掉，导致必须重新执行 format 才行。所以我们进行了设置，同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir，否则在接下来的步骤中可能会出错。

配置完成后，执行 NameNode 的格式化：

cd /usr/local/hadoop
./bin/hdfs namenode -format

查看格式化后的信息，结果如下图

接着开启 NameNode 和 DataNode 守护进程

cd /usr/local/hadoop
./sbin/start-dfs.sh  #start-dfs.sh是个完整的可执行文件，中间没有空格

然后我这里出了两个警告：

解决办法如下（修改两个配置文件）：

sudo vim /etc/profile

在文件中添加下面内容（注意JDK版本）：

export JAVA_HOME=/usr/lib/jvm/jdk-21.0.2
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH
export HADOOP_HOME=/usr/local/hadoop
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin

sudo vim ~/.bashrc

在文件最前面添加如下内容：

export HADOOP_HOME=/usr/local/hadoop
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

然后保存退出，执行下面命令：

source /etc/profile
source ~/.bashrc

注意：在这个时候重启虚拟机，然后重新开启 NameNode 和 DataNode，命令行和上面一样，但结果还是留下了一条警告：

先翻译：警告util.NativeCodeLoader：无法为您的平台加载本机Hadoop库…在适用的情况下使用内置的java类，这个警告实在是虽然可能没有什么阻挡使用Hadoop的，但是它会在你启动Hadoop时候出现，还会在你输入每一个命令enter之后出现

我在百度和博客上遨游了一圈，我的建议是这种警告无所谓，网上的很多处理方法都是把这类警告消除了，虽然让我们这些强迫症看上去舒服了，但是有很多细节问题，特别是对于写程序，警告和错误都是很有利的信息，这有利于我们完善自己的程序或者系统，所以大家如果实在看不下去了，那你就把警告消除好了，可自行百度。

启动完成后，可以通过命令 jps 来判断是否成功启动，若成功启动则会列出如下进程：

在这里，你可以访问web界面http://localhost:9870/dfshealth.html#tab-overview有，查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件（注意，这个网址输在ubuntu里面的浏览器上，因为你访问的本地指的是虚拟机，所以不能用Windows上的浏览器进入）。

附录

附录一：彻底卸载Java环境

开始卸载，首先检查版本号

java -version  #该命令将显示已安装的Java版本和其他相关信息。

我这里的版本是11，如果你的版本是16或者其他的，那就要把11该成你电脑上安装的相应版本号。

如果你安装了多个版本的jdk，可以用下面的命令查看，然后卸载对应版本号的jdk

dpkg -l | grep -i jdk

接下来输入以下四行命令来卸载（按提示输入Y）：

sudo apt-get --purge remove openjdk-11-jdk
sudo apt-get --purge remove openjdk-11-jdk-headless
sudo apt-get --purge remove openjdk-11-jre
sudo apt-get --purge remove openjdk-11-jre-headless

执行以下命令删除Java安装目录：

sudo rm -rf /usr/lib/jvm/*

在卸载Java后，可能仍然存在一些残留文件和配置。为了彻底清理Java相关的文件和配置，可以执行以下步骤：

1、清理环境变量：编辑~/.bashrc文件，使用文本编辑器打开该文件：

sudo vim ~/.bashrc

检查是否存在与Java相关的JAVA_HOME和PATH环境变量，并删除或注释掉这些行。保存文件并关闭文本编辑器。

2、清理系统环境变量：编辑/etc/environment文件：

sudo vim /etc/environment

同样，检查是否存在与Java相关的JAVA_HOME和PATH环境变量，并删除或注释掉这些行。保存文件并关闭文本编辑器。

3、清理其他残留文件：执行以下命令清理其他可能存在的Java残留文件：

sudo rm -rf ~/.java
sudo rm -rf ~/.m2/repository

上述命令将删除用户主目录中与Java相关的隐藏文件和Maven存储库。

最后验证卸载是否完成，有以下两步：

1、执行以下命令来检查Java是否已从系统中移除：

java -version

如果Java已成功卸载，该命令将显示"Command ‘java’ not found"或类似的消息。

2、检查系统中是否还存在Java相关的文件和目录：

ls -la /usr/lib/jvm

如果该目录为空或不存在，说明Java已完全卸载。

附录二：重装Java环境

下载地址：https://www.oracle.com/java/technologies/downloads/

下载好后转到第一期，继续9、10两步，再看一下11的Hadoop的文件拖拽方式，然后回到这一步，执行以下命令（注意大小写和空格）：

cd /usr/lib
sudo mkdir jvm  #创建/usr/lib/jvm目录用来存放JDK文件
cd
sudo tar -zxvf ~/Downloads/jdk-21_linux-x64_bin.tar.gz -C /usr/lib/jvm

继续执行如下命令，设置环境变量：

sudo vim ~/.bashrc

在这个文件的开头位置，添加如下几行内容（请把jdk-21.0.2改为你自己安装的版本号）：

export JAVA_HOME=/usr/lib/jvm/jdk-21.0.2
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH
export HADOOP_HOME=/usr/local/hadoop
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

继续执行如下命令让.bashrc文件的配置立即生效：

source ~/.bashrc

用下面命令来检验是否安装成功，有版本号则证明安装成功

java -version

附录三：多次格式化namenode的解决办法

删除 hadoop 三台节点配置路径下的残留文件：

rm -rf /usr/local/hadoop/tmp          # 删除hdfs缓存文件

rm -rf /usr/local/hadoop/tmp/dfs/name     # 删除NN缓存目录

rm -rf /usr/local/hadoop/tmp/dfs/data                # 删除DN缓存目录

然后手动创建配置文件

mkdir -p /usr/local/hadoop/tmp
mkdir -p /usr/local/hadoop/tmp/dfs/name
mkdir -p /usr/local/hadoop/tmp/dfs/data

然后重新格式化

到此，我们只是完成了一小部分，继续加油吧~