CentOS搭建HaDoop伪分布式环境

参考：腾讯云动手实验 https://cloud.tencent.com/developer/labs/lab/10190

Hadoop 是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。

安装Java环境

安装JDK

[root@localhost ~]# yum -y install java-1.8.0-openjdk java-1.8.0-openjdk-devel

安装完成后，输入 java 和 javac 命令，如果能输出对应的命令帮助，则表明jdk已正确安装。

配置Java环境变量

[root@localhost ~]# vim .bashrc
# 末尾添加
export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk
[root@localhost ~]# source .bashrc
[root@localhost ~]# java -version
openjdk version "1.8.0_252"
OpenJDK Runtime Environment (build 1.8.0_252-b09)
OpenJDK 64-Bit Server VM (build 25.252-b09, mixed mode)
[root@localhost ~]# $JAVA_HOME/bin/java -version
openjdk version "1.8.0_252"
OpenJDK Runtime Environment (build 1.8.0_252-b09)
OpenJDK 64-Bit Server VM (build 25.252-b09, mixed mode)

安装Hadoop

下载Hadoop

[root@localhost ~]# wget https://archive.apache.org/dist/hadoop/common/hadoop-2.7.4/hadoop-2.7.4.tar.gz

安装Hadoop

解压安装

[root@localhost ~]#  tar zxf hadoop-2.7.4.tar.gz 
[root@localhost ~]# mv hadoop-2.7.4 /usr/local/hadoop
[root@localhost ~]# /usr/local/hadoop/bin/hadoop version
Hadoop 2.7.4

Hadoop伪分布式环境配置

Hadoop伪分布式模式使用多个守护线程模拟分布的伪分布运行模式。

设置Hadoop的环境变量

[root@localhost ~]# vim ~/.bashrc
# 末尾添加
export HADOOP_INSTALL=$HADOOP_HOME
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin
[root@localhost ~]# source ~/.bashrc

修改Hadoop配置文件

修改core-site.xml文件

[root@localhost ~]# vim /usr/local/hadoop/etc/hadoop/core-site.xml 
# 在<configuration></configuration>之间添加如下：
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>location to store temporary files</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>

修改hdfs-site.xml文件

[root@localhost ~]# vim /usr/local/hadoop/etc/hadoop/hdfs-site.xml
# 在<configuration></configuration>之间添加如下：
    <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>

格式化NameNode

[root@localhost ~]# hdfs namenode -format

启动NameNode和DataNode守护进程

[root@localhost ~]# start-dfs.sh
# 启动时会启动ssh，需要确认yes，并输入root密码

检查启动是否成功

[root@localhost ~]# jps
65665 SecondaryNameNode
65507 DataNode
65782 Jps
65386 NameNode

运行Hadoop伪分布式实例

Hadoop自带了丰富的例子，包括 wordcount、grep、sort 等。下面将以grep例子为教程，输入一批文件，从中筛选出符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数。

# hadoop自带的例子
[root@localhost ~]# hadoop jar /usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.4.jar 
# 创建用户目录hadoop
[root@localhost ~]# hdfs dfs -mkdir -p /user/hadoop

准备实验数据

下面将以 Hadoop 所有的 xml 配置文件作为输入数据来完成实验。执行下面命令在 HDFS 中新建一个 input 文件夹并将 hadoop 配置文件上传到该文件夹下：

[root@localhost ~]# hdfs dfs -mkdir /user/hadoop/input
[root@localhost ~]# hdfs dfs -put /usr/local/hadoop/etc/hadoop/*.xml /user/hadoop/input

查看上传后的文件

[root@localhost ~]# hdfs dfs -ls /user/hadoop/input
Found 8 items
-rw-r--r--   1 root supergroup   4436 2020-04-30 19:56 /user/hadoop/input/capacity-scheduler.xml
-rw-r--r--   1 root supergroup   1070 2020-04-30 19:56 /user/hadoop/input/core-site.xml
-rw-r--r--   1 root supergroup   9683 2020-04-30 19:56 /user/hadoop/input/hadoop-policy.xml
-rw-r--r--   1 root supergroup   1133 2020-04-30 19:56 /user/hadoop/input/hdfs-site.xml
-rw-r--r--   1 root supergroup    620 2020-04-30 19:56 /user/hadoop/input/httpfs-site.xml
-rw-r--r--   1 root supergroup   3518 2020-04-30 19:56 /user/hadoop/input/kms-acls.xml
-rw-r--r--   1 root supergroup   5540 2020-04-30 19:56 /user/hadoop/input/kms-site.xml
-rw-r--r--   1 root supergroup    690 2020-04-30 19:56 /user/hadoop/input/yarn-site.xml

运行实验

上述命令以 HDFS 文件系统中的 input 为输入数据来运行 Hadoop 自带的 grep 程序，提取其中符合正则表达式 dfs[a-z.]+ 的数据并进行次数统计，将结果输出到 HDFS 文件系统的 output 文件夹下。

[root@localhost ~]# hadoop jar /usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.4.jar \
grep /user/hadoop/input /user/hadoop/output 'dfs[a-z.]+'

查看结果

[root@localhost ~]# hdfs dfs -cat /user/hadoop/output/*
# 显示以下则成功
1	dfsadmin
1	dfs.replication
1	dfs.namenode.name.dir
1	dfs.datanode.data.dir

删除HDFS上的输出结果

运行 Hadoop 程序时，为了防止覆盖结果，程序指定的输出目录不能存在，否则会提示错误，因此在下次运行前需要先删除输出目录。

[root@localhost ~]# hdfs dfs -rm -r /user/hadoop/output

关闭Hadoop进程

[root@localhost ~]# stop-dfs.sh

再次启动时，只需要执行start-dfs.sh

完成！