Hadoop 集群搭建

一、单机
1.准备Linux环境
    1.0点击VMware快捷方式，右键打开文件所在位置 -> 双击vmnetcfg.exe -> VMnet1 host-only ->修改subnet ip 设置网段：192.168.1.0    子网掩码：255.255.255.0 -> apply -> ok(使主机虚拟网卡和虚拟机网络在同一子网中，网关使用默认的）
        回到windows --> 打开网络和共享中心 -> 更改适配器设置 -> 右键VMnet1 -> 属性 -> 双击IPv4 -> 设置windows的IP：192.168.1.100 子网掩码：255.255.255.0 -> 点击确定
        在虚拟软件上 --My Computer -> 选中虚拟机 -> 右键 -> settings -> network adapter ->net -> ok    
    1.1修改主机名
        vim /etc/sysconfig/network
        NETWORKING=yes
        HOSTNAME=hcc    ###

    1.2修改IP
        两种方式：
        第一种：通过Linux图形界面进行修改（强烈推荐）
            进入Linux图形界面 -> 右键点击右上方的两个小电脑 -> 点击Edit connections -> 选中当前网络System eth0 -> 点击edit按钮 -> 选择IPv4 -> method选择为manual -> 点击add按钮 -> 添加IP：192.168.1.101 子网掩码：255.255.255.0 网关：192.168.1.1 -> apply
    
        第二种：修改配置文件方式（屌丝程序猿专用）
            vim /etc/sysconfig/network-scripts/ifcfg-eth0
            
            DEVICE="eth0"
            BOOTPROTO="static"               ###
            HWADDR="00:0C:29:3C:BF:E7"
            IPV6INIT="yes"
            NM_CONTROLLED="yes"
            ONBOOT="yes"
            TYPE="Ethernet"
            UUID="ce22eeca-ecde-4536-8cc2-ef0dc36d4a8c"
            IPADDR="192.168.1.101"           ###
            NETMASK="255.255.255.0"          ###
            GATEWAY="192.168.2.2"            ###
            DNS1="8.8.8.8"
            DNS2="114.114.114.114"
    1.3修改主机名和IP的映射关系
        vim /etc/hosts        
        192.168.1.101    hcc
    
    1.4关闭防火墙
    //临时关闭 systemctl stop firewalld 
    //禁止开机启动 systemctl disable firewalld 
    Removed symlink /etc/systemd/system/multi-user.target.wants/firewalld.service. 
    Removed symlink /etc/systemd/system/dbus-org.fedoraproject.FirewallD1.service.        
    
    1.5重启Linux
        reboot

2.安装JDK
    2.1上传alt+p 后出现sftp窗口，然后put d:\xxx\yy\ll\jdk-7u_65-i585.tar.gz
    
    2.2解压jdk
        #创建文件夹
        mkdir /home/hadoop/app
        #解压
        tar -zxvf jdk-7u55-linux-i586.tar.gz -C /home/hadoop/app
        
    2.3将java添加到环境变量中
        vim /etc/profile
        #在文件最后添加
        export JAVA_HOME=/home/hadoop/app/jdk-7u_65-i585
        export PATH=$PATH:$JAVA_HOME/bin
    
        #刷新配置
        source /etc/profile
        
3.安装hadoop2.4.1
    先上传hadoop的安装包到服务器上去/home/hadoop/
    注意：hadoop2.x的配置文件$HADOOP_HOME/etc/hadoop
    伪分布式需要修改5个配置文件
    3.1配置hadoop
    第一个：hadoop-env.sh
        vim hadoop-env.sh
        #第27行
        export JAVA_HOME=/usr/java/jdk1.7.0_65
        
    第二个：core-site.xml

        <!-- 指定HADOOP所使用的文件系统schema（URI），HDFS的老大（NameNode）的地址 -->
        <property>
            <name>fs.defaultFS</name>
            <value>hdfs://hcc-1206-01:9000</value>
        </property>
        <!-- 指定hadoop运行时产生文件的存储目录 -->
        <property>
            <name>hadoop.tmp.dir</name>
            <value>/home/hadoop/hadoop-2.4.1/tmp</value>
    </property>
        
    第三个：hdfs-site.xml   hdfs-default.xml  (3)
        <!-- 指定HDFS副本的数量 -->
        <property>
            <name>dfs.replication</name>
            <value>1</value>
    </property>
        
    第四个：mapred-site.xml (mv mapred-site.xml.template mapred-site.xml)
        mv mapred-site.xml.template mapred-site.xml
        vim mapred-site.xml
        <!-- 指定mr运行在yarn上 -->
        <property>
            <name>mapreduce.framework.name</name>
            <value>yarn</value>
    </property>
        
    第五个：yarn-site.xml
        <!-- 指定YARN的老大（ResourceManager）的地址 -->
        <property>
            <name>yarn.resourcemanager.hostname</name>
            <value>hcc-1206-01</value>
            </property>
        <!-- reducer获取数据的方式 -->
           <property>
            <name>yarn.nodemanager.aux-services</name>
            <value>mapreduce_shuffle</value>
            </property>
         
    3.2将hadoop添加到环境变量
    
    vim /etc/proflie
        export JAVA_HOME=/usr/java/jdk1.7.0_65
        export HADOOP_HOME=/hcc/hadoop-2.4.1
        export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

    source /etc/profile
    
    3.3格式化namenode（是对namenode进行初始化）
        hdfs namenode -format (hadoop namenode -format)
        
    3.4启动hadoop
        先启动HDFS
        sbin/start-dfs.sh    
        再启动YARN
        sbin/start-yarn.sh
        
    3.5验证是否启动成功
        使用jps命令验证
        27408 NameNode
        28218 Jps
        27643 SecondaryNameNode
        28066 NodeManager
        27803 ResourceManager
        27512 DataNode
        http://192.168.1.101:50070 （HDFS管理界面）
        http://192.168.1.101:8088 （MR管理界面）
        
4.配置ssh免登陆
    #生成ssh免登陆密钥
    ssh-keygen -t rsa （四个回车）执行完这个命令后，会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）
    #进入到我的home目录
    cd ~/.ssh
    将公钥拷贝到要免登陆的机器上
    scp id_rsa.pub node01:/home/hcc
    cat id_rsa.pub >> .ssh/authorized_keys
    

二、集群搭建
注意：apache提供的hadoop-2.4.1的安装包是在32位操作系统编译的，因为hadoop依赖一些C++的本地库，
所以如果在64位的操作上安装hadoop-2.4.1就需要重新在64操作系统上重新编译

1.修改Linux主机名
2.修改IP
3.修改主机名和IP的映射关系
    ######注意######如果你们公司是租用的服务器或是使用的云主机（如华为用主机、阿里云主机等）
    /etc/hosts里面要配置的是内网IP地址和主机名的映射关系    
4.关闭防火墙
5.ssh免登陆
6.安装JDK，配置环境变量等

集群规划：
    主机名        IP                安装的软件                    运行的进程
    hcc01    192.168.1.201    jdk、hadoop                    NameNode、DFSZKFailoverController(zkfc)
    hcc02    192.168.1.202    jdk、hadoop                    NameNode、DFSZKFailoverController(zkfc)
    hcc03    192.168.1.203    jdk、hadoop                    ResourceManager
    hcc04    192.168.1.204    jdk、hadoop                    ResourceManager
    hcc05    192.168.1.205    jdk、hadoop、zookeeper        DataNode、NodeManager、JournalNode、QuorumPeerMain
    hcc06    192.168.1.206    jdk、hadoop、zookeeper        DataNode、NodeManager、JournalNode、QuorumPeerMain
    hcc07    192.168.1.207    jdk、hadoop、zookeeper        DataNode、NodeManager、JournalNode、QuorumPeerMain
    
说明：
    1.在hadoop2.0中通常由两个NameNode组成，一个处于active状态，另一个处于standby状态。Active NameNode对外提供服务，而Standby NameNode则不对外提供服务，仅同步active namenode的状态，以便能够在它失败时快速进行切换。
    hadoop2.0官方提供了两种HDFS HA的解决方案，一种是NFS，另一种是QJM。这里我们使用简单的QJM。在该方案中，主备NameNode之间通过一组JournalNode同步元数据信息，一条数据只要成功写入多数JournalNode即认为写入成功。通常配置奇数个JournalNode
    这里还配置了一个zookeeper集群，用于ZKFC（DFSZKFailoverController）故障转移，当Active NameNode挂掉了，会自动切换Standby NameNode为standby状态
    2.hadoop-2.2.0中依然存在一个问题，就是ResourceManager只有一个，存在单点故障，hadoop-2.4.1解决了这个问题，有两个ResourceManager，一个是Active，一个是Standby，状态由zookeeper进行协调
安装步骤：
    1.安装配置zooekeeper集群（在hcc05上）
        1.1解压
            tar -zxvf zookeeper-3.4.5.tar.gz -C /hcc/
        1.2修改配置
            cd /hcc/zookeeper-3.4.5/conf/
            cp zoo_sample.cfg zoo.cfg
            vim zoo.cfg
            修改：dataDir=/hcc/zookeeper-3.4.5/tmp
            在最后添加：
            server.1=hcc05:2888:3888
            server.2=hcc06:2888:3888
            server.3=hcc07:2888:3888
            保存退出
            然后创建一个tmp文件夹
            mkdir /hcc/zookeeper-3.4.5/tmp
            再创建一个空文件
            touch /hcc/zookeeper-3.4.5/tmp/myid
            最后向该文件写入ID
            echo 1 > /hcc/zookeeper-3.4.5/tmp/myid
        1.3将配置好的zookeeper拷贝到其他节点(首先分别在hcc06、hcc07根目录下创建一个hcc目录：mkdir /hcc)
            scp -r /hcc/zookeeper-3.4.5/ hcc06:/hcc/
            scp -r /hcc/zookeeper-3.4.5/ hcc07:/hcc/
            
            注意：修改hcc06、hcc07对应/hcc/zookeeper-3.4.5/tmp/myid内容
            hcc06：
                echo 2 > /hcc/zookeeper-3.4.5/tmp/myid
            hcc07：
                echo 3 > /hcc/zookeeper-3.4.5/tmp/myid
    
    2.安装配置hadoop集群（在hcc01上操作）
        2.1解压
            tar -zxvf hadoop-2.4.1.tar.gz -C /hcc/
        2.2配置HDFS（hadoop2.0所有的配置文件都在$HADOOP_HOME/etc/hadoop目录下）
            #将hadoop添加到环境变量中
            vim /etc/profile
            export JAVA_HOME=/usr/java/jdk1.7.0_55
            export HADOOP_HOME=/hcc/hadoop-2.4.1
            export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin
            
            #hadoop2.0的配置文件全部在$HADOOP_HOME/etc/hadoop下
            cd /home/hadoop/app/hadoop-2.4.1/etc/hadoop
            
            2.2.1修改hadoo-env.sh
                export JAVA_HOME=/home/hadoop/app/jdk1.7.0_55
                
            2.2.2修改core-site.xml
                <configuration>
                    <!-- 指定hdfs的nameservice为ns1 -->
                    <property>
                        <name>fs.defaultFS</name>
                        <value>hdfs://ns1/</value>
                    </property>
                    <!-- 指定hadoop临时目录 -->
                    <property>
                        <name>hadoop.tmp.dir</name>
                        <value>/home/hadoop/app/hadoop-2.4.1/tmp</value>
                    </property>
                    
                    <!-- 指定zookeeper地址 -->
                    <property>
                        <name>ha.zookeeper.quorum</name>
                        <value>hcc05:2181,hcc06:2181,hcc07:2181</value>
                    </property>
                </configuration>
                
            2.2.3修改hdfs-site.xml
            <configuration>
                <!--指定hdfs的nameservice为ns1，需要和core-site.xml中的保持一致 -->
                <property>
                <name>dfs.nameservices</name>
                <value>ns1</value>
                </property>
                <!-- ns1下面有两个NameNode，分别是nn1，nn2 -->
                <property>
                <name>dfs.ha.namenodes.ns1</name>
                <value>nn1,nn2</value>
                </property>
                <!-- nn1的RPC通信地址 -->
                <property>
                <name>dfs.namenode.rpc-address.ns1.nn1</name>
                <value>node01:9000</value>
                </property>
                <!-- nn1的http通信地址 -->
                <property>
                <name>dfs.namenode.http-address.ns1.nn1</name>
                <value>node01:50070</value>
                </property>
                <!-- nn2的RPC通信地址 -->
                <property>
                <name>dfs.namenode.rpc-address.ns1.nn2</name>
                <value>node02:9000</value>
                </property>
                <!-- nn2的http通信地址 -->
                <property>
                <name>dfs.namenode.http-address.ns1.nn2</name>
                <value>node02:50070</value>
                </property>
                <!-- 指定NameNode的元数据在JournalNode上的存放位置 -->
                <property>
                <name>dfs.namenode.shared.edits.dir</name>
                <value>qjournal://node05:8485;node06:8485;node07:8485/ns1</value>
                </property>
                <!-- 指定JournalNode在本地磁盘存放数据的位置 -->
                <property>
                <name>dfs.journalnode.edits.dir</name>
                <value>/home/hcc/hadoop/journaldata</value>
                </property>
                <!-- 开启NameNode失败自动切换 -->
                <property>
                <name>dfs.ha.automatic-failover.enabled</name>
                <value>true</value>
                </property>
                <!-- 配置失败自动切换实现方式 -->
                <property>
                <name>dfs.client.failover.proxy.provider.ns1</name>
                <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
                </property>
                <!-- 配置隔离机制方法，多个机制用换行分割，即每个机制暂用一行-->
                <property>
                <name>dfs.ha.fencing.methods</name>
                <value>
                        sshfence
                        shell(/bin/true)
                    </value>
                </property>
                <!-- 使用sshfence隔离机制时需要ssh免登陆 -->
                <property>
                <name>dfs.ha.fencing.ssh.private-key-files</name>
                <value>/home/hcc/.ssh/id_rsa</value>
                </property>
                <!-- 配置sshfence隔离机制超时时间 -->
                <property>
                <name>dfs.ha.fencing.ssh.connect-timeout</name>
                <value>30000</value>
                </property>
            </configuration>
            
            2.2.4修改mapred-site.xml
                <configuration>
                    <!-- 指定mr框架为yarn方式 -->
                    <property>
                        <name>mapreduce.framework.name</name>
                        <value>yarn</value>
                    </property>
                </configuration>    
            
            2.2.5修改yarn-site.xml
                <configuration>
                        <!-- 开启RM高可用 -->
                        <property>
                           <name>yarn.resourcemanager.ha.enabled</name>
                           <value>true</value>
                        </property>
                        <!-- 指定RM的cluster id -->
                        <property>
                           <name>yarn.resourcemanager.cluster-id</name>
                           <value>yrc</value>
                        </property>
                        <!-- 指定RM的名字 -->
                        <property>
                           <name>yarn.resourcemanager.ha.rm-ids</name>
                           <value>rm1,rm2</value>
                        </property>
                        <!-- 分别指定RM的地址 -->
                        <property>
                           <name>yarn.resourcemanager.hostname.rm1</name>
                           <value>hcc03</value>
                        </property>
                        <property>
                           <name>yarn.resourcemanager.hostname.rm2</name>
                           <value>hcc04</value>
                        </property>
                        <!-- 指定zk集群地址 -->
                        <property>
                           <name>yarn.resourcemanager.zk-address</name>
                           <value>hcc05:2181,hcc06:2181,hcc07:2181</value>
                        </property>
                        <property>
                           <name>yarn.nodemanager.aux-services</name>
                           <value>mapreduce_shuffle</value>
                        </property>
                </configuration>
            
                
            2.2.6修改slaves(slaves是指定子节点的位置，因为要在hcc01上启动HDFS、在hcc03启动yarn，所以hcc01上的slaves文件指定的是datanode的位置，hcc03上的slaves文件指定的是nodemanager的位置)
                hcc05
                hcc06
                hcc07

            2.2.7配置免密码登陆
                #首先要配置hcc01到hcc02、hcc03、hcc04、hcc05、hcc06、hcc07的免密码登陆
                #在hcc01上生产一对钥匙
                ssh-keygen -t rsa
                #将公钥拷贝到其他节点，包括自己
                ssh-coyp-id hcc01
                ssh-coyp-id hcc02
                ssh-coyp-id hcc03
                ssh-coyp-id hcc04
                ssh-coyp-id hcc05
                ssh-coyp-id hcc06
                ssh-coyp-id hcc07
                #配置hcc03到hcc04、hcc05、hcc06、hcc07的免密码登陆
                #在hcc03上生产一对钥匙
                ssh-keygen -t rsa
                #将公钥拷贝到其他节点
                ssh-coyp-id hcc04
                ssh-coyp-id hcc05
                ssh-coyp-id hcc06
                ssh-coyp-id hcc07
                #注意：两个namenode之间要配置ssh免密码登陆，别忘了配置hcc02到hcc01的免登陆
                在hcc02上生产一对钥匙
                ssh-keygen -t rsa
                ssh-coyp-id -i hcc01                
        
        2.4将配置好的hadoop拷贝到其他节点
            scp -r /hcc/ hcc02:/
            scp -r /hcc/ hcc03:/
            scp -r /hcc/hadoop-2.4.1/ hadoop@hcc04:/hcc/
            scp -r /hcc/hadoop-2.4.1/ hadoop@hcc05:/hcc/
            scp -r /hcc/hadoop-2.4.1/ hadoop@hcc06:/hcc/
            scp -r /hcc/hadoop-2.4.1/ hadoop@hcc07:/hcc/
        ###注意：严格按照下面的步骤
        2.5启动zookeeper集群（分别在hcc05、hcc06、tcast07上启动zk）
            cd /hcc/zookeeper-3.4.5/bin/
            ./zkServer.sh start
            #查看状态：一个leader，两个follower
            ./zkServer.sh status
            
        2.6启动journalnode（分别在在hcc05、hcc06、tcast07上执行）
            cd /hcc/hadoop-2.4.1
            sbin/hadoop-daemon.sh start journalnode
            #运行jps命令检验，hcc05、hcc06、hcc07上多了JournalNode进程
        
        2.7格式化HDFS
            #在hcc01上执行命令:
            hdfs namenode -format
            #格式化后会在根据core-site.xml中的hadoop.tmp.dir配置生成个文件，这里我配置的是/hcc/hadoop-2.4.1/tmp，然后将/hcc/hadoop-2.4.1/tmp拷贝到hcc02的/hcc/hadoop-2.4.1/下。
            scp -r tmp/ hcc02:/home/hadoop/app/hadoop-2.4.1/
            ##也可以这样，建议hdfs namenode -bootstrapStandby
        
        2.8格式化ZKFC(在hcc01上执行即可)
            hdfs zkfc -formatZK
        
        2.9启动HDFS(在hcc01上执行)
            sbin/start-dfs.sh

        2.10启动YARN(#####注意#####：是在hcc03上执行start-yarn.sh，把namenode和resourcemanager分开是因为性能问题，因为他们都要占用大量资源，所以把他们分开了，他们分开了就要分别在不同的机器上启动)
            sbin/start-yarn.sh

        
    到此，hadoop-2.4.1配置完毕，可以统计浏览器访问:
        http://192.168.1.201:50070
        NameNode 'hcc01:9000' (active)
        http://192.168.1.202:50070
        NameNode 'hcc02:9000' (standby)
    
    验证HDFS HA
        首先向hdfs上传一个文件
        hadoop fs -put /etc/profile /profile
        hadoop fs -ls /
        然后再kill掉active的NameNode
        kill -9 <pid of NN>
        通过浏览器访问：http://192.168.1.202:50070
        NameNode 'hcc02:9000' (active)
        这个时候hcc02上的NameNode变成了active
        在执行命令：
        hadoop fs -ls /
        -rw-r--r--   3 root supergroup       1926 2014-02-06 15:36 /profile
        刚才上传的文件依然存在！！！
        手动启动那个挂掉的NameNode
        sbin/hadoop-daemon.sh start namenode
        通过浏览器访问：http://192.168.1.201:50070
        NameNode 'hcc01:9000' (standby)
    
    验证YARN：
        运行一下hadoop提供的demo中的WordCount程序：
        hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.4.1.jar wordcount /profile /out
    
    OK，大功告成！！！

            
        
测试集群工作状态的一些指令 ：
bin/hdfs dfsadmin -report     查看hdfs的各节点状态信息
bin/hdfs haadmin -getServiceState nn1         获取一个namenode节点的HA状态
sbin/hadoop-daemon.sh start namenode  单独启动一个namenode进程
./hadoop-daemon.sh start zkfc   单独启动一个zkfc进程