Hadoop环境搭建

学习hadoop一段时间了，今天开始对学习的知识进行回顾和记录。

1、环境及软件依赖：

Ubuntu 16.04.2 

Hadoop 2.8.0

2、创建hadoop用户

• 创建hadoop用户。

　　创建了可以登陆的 hadoop 用户，并使用 /bin/bash 作为 shell

sudo useradd -m hadoop -s /bin/bash

• 设置密码

sudo passwd hadoop

• 增加管理员权限

　　方便部署，避免一些权限问题。

sudo adduser hadoop sudo

• 注销当前用户，用hadoop 用户进行登陆

3、安装配置SSH

集群、单节点模式都需要用到 SSH 登陆。

• 安装SSH server。Ubuntu 默认已安装了 SSH client，此外还需要安装 SSH server：

sudo apt-get install openssh-server

• 登陆本机测试：

ssh localhost

　　此时会有如下提示(SSH首次登陆提示)，输入 yes 。然后按提示输入密码 hadoop，这样就登陆到本机了。

• SSH无密码登陆

　　利用 ssh-keygen 生成密钥，并将密钥加入到授权中：

cd ~/.ssh/                     # 若没有该目录，请先执行一次ssh localhost
ssh-keygen -t rsa              # 会有提示，都按回车就可以
cat ./id_rsa.pub >> ./authorized_keys  # 加入授权

• SSH无密码登陆测试

ssh localhost

 

4、安装JAVA环境

Java环境可选择 Oracle 的 JDK，或是 OpenJDK。

• 安装OpenJDK

sudo apt-get install openjdk-7-jre openjdk-7-jdk

• 设置环境变量

　　在 ~/.bashrc 中进行设置（扩展阅读：设置Linux环境变量的方法和区别）:

vim ~/.bashrc

　　获取OpenJDK的安装路径，除去路径末尾的 “/bin/javac”，剩下的就是正确的路径了：

dpkg -L openjdk-7-jdk | grep '/bin/javac'

　　在文件最前面添加如下单独一行（注意 = 号前后不能有空格），将“JDK安装路径”改为上述命令得到的路径，并保存：

export JAVA_HOME=JDK安装路径

　　让该环境变量生效:

source ~/.bashrc    # 使变量设置生效

• 验证安装

echo $JAVA_HOME     # 检验变量值
java -version
$JAVA_HOME/bin/java -version  # 与直接执行 java -version 一样

5、安装Hadoop

• 安装。

　　下载hadoop-2.8.0,将 Hadoop 安装至 /usr/local/ 中:

sudo tar -zxf hadoop-2.8.0.tar.gz -C /usr/local    # 解压到/usr/local中
cd /usr/local/
sudo mv ./hadoop-2.8.0/ ./hadoop            # 将文件夹名改为hadoop
sudo chown -R hadoop ./hadoop       # 修改文件权限

• 验证Hadoop安装

　　检查 Hadoop 是否可用，成功则会显示 Hadoop 版本信息

./bin/hadoop version

6、hadoop单机示例

　　Hadoop 默认模式为非分布式模式，无需进行其他配置即可运行。非分布式即单 Java 进程，方便进行调试。

　　在此我们选择运行 grep 例子，我们将 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/*          # 查看运行结果

　　备注：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。

7、hadoop伪分布配置及示例

　　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。

• 配置文件修改。

　　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 。

　　修改配置文件 core-site.xml，修改为如下：

<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>
</configuration>

 　　修改配置文件 core-site.xml，修改为如下：

<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>

•  NameNode 的格式化。

　　成功的话，会看到 “successfully formatted” 和 “Exitting with status 0” 的提示，若为 “Exitting with status 1” 则是出错。

bin/hdfs namenode -format

• 开启 NameNode 和 DataNode 守护进程

./sbin/start-dfs.sh

• 验证是否成功：

　　启动完成后，可以通过命令 jps 来判断是否成功启动。

　　

　　成功启动后，可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。

• 示例

 　　使用上面单机模式的例子（运行 grep 例子，我们将 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）。

　　1）在 HDFS 中创建用户目录：

　　2） xml 文件作为输入文件复制到分布式文件系统中：

　　我们使用的是 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是 /user/hadoop/input

./bin/hdfs dfs -mkdir input
./bin/hdfs dfs -put ./etc/hadoop/*.xml input

./bin/hdfs dfs -ls input  #查看文件列表

　　3）执行处理

　　Hadoop 运行程序时，输出目录不能存在，否则会提示错误 

./bin/hdfs dfs -rm -r output    # 删除 output 文件夹

./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'

　　4）查看结果

　　查看运行结果的命令（查看的是位于 HDFS 中的输出结果）：

./bin/hdfs dfs -cat output/*

　　将运行结果取回到本地：

 

rm -r ./output    # 先删除本地的 output 文件夹（如果存在）
./bin/hdfs dfs -get output ./output     # 将 HDFS 上的 output 文件夹拷贝到本机
cat ./output/*

 

　　5)其他操作

　　关闭hadoop　　

 

./sbin/stop-dfs.sh

 

　　启动hadoop

./sbin/start-dfs.sh

 

8、启动YARN

YARN 是从 MapReduce 中分离出来的，负责资源管理与任务调度。YARN 运行于 MapReduce 之上，提供了高可用性、高扩展性。

伪分布式不启动 YARN 也可以，一般不会影响程序执行。上述通过启动 Hadoop，仅仅是启动了 MapReduce 环境，我们可以启动 YARN ，让 YARN 来负责资源管理与任务调度。

1) 配置

配置 mapred-site.xml：

mv ./etc/hadoop/mapred-site.xml.template ./etc/hadoop/mapred-site.xml

<configuration>
        <property>
             <name>mapreduce.framework.name</name>
             <value>yarn</value>
        </property>
</configuration>

配置 yarn-site.xml：

<configuration>
        <property>
             <name>yarn.nodemanager.aux-services</name>
             <value>mapreduce_shuffle</value>
        </property>
</configuration>

2）启动YARN

./sbin/start-yarn.sh      # 启动YARN，需要先启动hadoop
./sbin/mr-jobhistory-daemon.sh start historyserver  # 开启历史服务器，才能在Web中查看任务运行

3)验证

开启后通过jpg查看，可以看到多了 NodeManager 和 ResourceManager 两个后台进程。

4）示例

启动 YARN 之后，运行实例的方法还是一样的，仅仅是资源管理方式、任务调度不同。观察日志信息可以发现，不启用 YARN 时，是 “mapred.LocalJobRunner” 在跑任务，启用 YARN 之后，是 “mapred.YARNRunner” 在跑任务。启动 YARN 有个好处是可以通过 Web 界面查看任务的运行情况：http://localhost:8088/cluster，如下图所示:

YARN 主要是为集群提供更好的资源管理与任务调度，然而这在单机上体现不出价值，反而会使程序跑得稍慢些。如果不想启动 YARN，务必把配置文件 mapred-site.xml 重命名，改成 mapred-site.xml.template，需要用时改回来就行。否则在该配置文件存在，而未开启 YARN 的情况下，运行程序会提示 “Retrying connect to server: 0.0.0.0/0.0.0.0:8032” 的错误。

5）其他操作

关闭YARN

./sbin/stop-yarn.sh
./sbin/mr-jobhistory-daemon.sh stop historyserver

9、知识提示：

• ~的含义

在 Linux 系统中，~ 代表的是用户的主文件夹，即 “/home/用户名” 这个目录，如你的用户名为 hadoop，则 ~ 就代表 “/home/hadoop/”。 
所以切换用户后配置失效。

 

1. ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'

转载于:https://www.cnblogs.com/rewhite/p/7231631.html