Hadoop安装（伪分布式）与使用

实验目的

掌握Hadoop在linux环境的安装与部署，掌握hdfs的基本操作命令，初步认识MapReduce程序。

实验准备

linux操作系统
JDK 1.8的软件包
Hadoop 3.x软件包

注意事项

1.创建用户以及用户的权限分配
2.环境变量配置与生效；

知识准备

1.Linux系统中下载安装文件和解压缩

linux系统中需要下载用自带的火狐浏览器下载，并解压到指定的目录下。例如，现在要下载hadoop-3.2.1.tar.gz。下载的方法是，在Linux系统中（不是在Windows系统中），打开浏览器，一般自带了火狐（FireFox）浏览器。打开浏览器后，访问Hadoop官网，找到下载文件hadoop-3.2.1.tar.gz，点击下载。火狐浏览器会默认把下载文件都保存到当前用户的下载目录，由于本文全部采用hadoop用户登录Linux系统，所以，hadoop-3.2.1.tar.gz文件会被保存到“/home/hadoop/下载/”目录下。
数据软件安装包通常都是一个压缩文件，文件名以.tar.gz为后缀（或者简写为.tgz），这种压缩文件必须经过解压缩以后才能够安装。在Linux系统中，可以使用tar命令对后缀名为.tar.gz（或.tgz）的压缩文件进行解压。下载完安装文件hadoop-3.2.1.tar.gz以后，需要对文件进行解压。按照Linux系统使用的默认规范，用户安装的软件一般都是存放在“/usr/local/”目录下。假设这里使用hadoop用户登录Linux系统，请在Linux系统中打开一个终端，执行如下命令：

1.sudo tar -zxf ~/下载/hadoop-3.2.1.tar.gz -C /usr/local    # 解压到/usr/local中
2.cd /usr/local/
3.sudo mv ./hadoop-3.2.1/ ./hadoop      # 将文件夹名改为hadoop
4.sudo chown -R hadoop ./hadoop       # 修改文件权限

上面 tar命令表示把“/home/hadoop/下载/hadoop-3.2.1.tar.gz”这个文件解压缩后保存到“/usr/local”目录下。其中，各个参数的含义如下：
x : 从 tar 包中把文件提取出来；

z : 表示 tar 包是被 gzip 压缩过的，所以解压时需要用gunzip解压；
f : 表示后面跟着的是文件；
C：表示文件解压后转到指定的目录下。
文件解压缩以后，hadoop用户是没有这个解压后得到的目录的权限的，所以，这里通过chown命令为hadoop用户赋予针对/usr/local/hadoop这个目录的权限。

Hadoop基础知识

Hadoop被视为事实上的大数据处理标准， Hadoop的特点：高可靠性、高效性、高可扩展性、高容错性、成本低、运行在Linux平台上、支持多种编程语言等特性。
Hadoop目前已经在各个领域得到了广泛的应用，雅虎、Facebook、百度、淘宝、网易等公司都建立了自己的Hadoop集群。
经过多年发展，Hadoop项目已经变得非常成熟和完善，包括Common、Zookeeper、HDFS、MapReduce、HBase、Hive、Pig等子项目，其中，HDFS和MapReduce是Hadoop的两大核心组件。

任务一：Hadoop环境配置

实施步骤c

装好 Linux（centos） 系统之后，在安装 Hadoop 前还需要做一些必备工作。

1.创建hadoop步骤

如果你安装 Centos 的时候不是用的“hadoop”用户，那么需要增加一个名为hadoop 的用户（其实用户的名字无所谓，不过为了方便实验的进行还是要创建一个）。
首先在桌面点击鼠标右键，点击Open Teminal打开终端窗口，如下图：

打开终端窗口后，输入如下命令创建新用户 :

sudo useradd -m hadoop -s /bin/bash

执行效果如下图：

这条命令创建了可以登陆的 hadoop 用户，并使用 /bin/bash 作为 shell。接着使用如下命令设置密码，可简单设置为 hadoop，按提示输入两次密码：

sudo passwd hadoop

执行效果如下图：

可为 hadoop 用户增加管理员权限，方便部署，避免一些对新手来说比较棘手的权限问题。
查找sudoers文件路径并赋予权限：

whereis sudoers                      # 查找sudoers文件路径
ls -l /etc/sudoers                     # 查看权限
sudo chmod -v u+w /etc/sudoers      # 赋予读写权限

修改sudoers文件，输入如下命令：vim /etc/sudoers修改sudoers文件，添加新用户信息：

sudo vim /etc/sudoers

在sudoers文件中找到root用户配置，在复制root用户配置，将root改为用户hadoop，如下所示：

## Allow root to run any commands anywhere

root ALL=(ALL) ALL

hadoop ALL=(ALL) ALL #这个是新用户Hadoop

然后输入命令 wq! 保存修改。
最后注销当前用户，返回登陆界面。在登陆界面中选择刚创建的hadoop用户进行登陆。

2安装SSH、配置SSH无密码登陆

集群、单节点模式都需要用到 SSH 登陆（类似于远程登陆，你可以登录某台 Linux 主机，并且在上面运行命令），一般情况下，CentOS 默认已安装了 SSH client、SSH server，打开终端执行如下命令进行检验：

rpm -qa | grep ssh

如下图：

接着执行如下命令测试一下 SSH 是否可用：

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 为 Secure Shell的缩写，由 IETF 的网络小组（Network Working Group）所制定；它是建立在应用层基础上的安全协议。
SSH 是目前较可靠，专为远程登录会话和其他网络服务提供安全性的协议。利用 SSH 协议可以有效防止远程管理过程中的信息泄露问题。
SSH最初是UNIX系统上的一个程序，后来又迅速扩展到其他操作平台。
但这样登陆是需要每次输入密码的，我们需要配置成SSH无密码登陆比较方便。
为了在不同平台/网络主机之间的通信安全, 很多时候我们都要通过ssh进行认证. ssh认证方式主要有2种:
① 基于口令的安全认证: 每次登录的时候都要输入用户名和密码, 由于要在网络上传输密码, 可能存在中间人攻击的风险;
② 基于密钥的安全认证: 配置完成后就可以实现免密登录, 这种方式更加安全 —— 不需要在网络上传递口令, 只需要传输一次公钥. 常见的git的ssh方式就是通过公钥进行认证的.
首先输入exit退出刚才的ssh，回到了我们原先的终端窗口，然后利用 ssh-keygen 生成密钥，并将密钥加入到授权中.
注意: ssh连接是单向的, A能免密登录B, 并不能同时实现B能免密登录A.
更多关于ssh的知识请访问（https://www.cnblogs.com/shoufeng/p/11022258.html）

exit # 退出刚才的 ssh localhost
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
chmod 600 ./authorized_keys   # 修改文件权限

3. 安装Java环境

Hadoop3.2.1需要JDK版本在1.8及以上。需要按照下面步骤来自己手动安装JDK1.8。请把压缩格式的文件jdk-8u271-linux-x64.tar.gz下载到本地电脑，假设保存在“/Downloads/”目录下。
在Linux命令行界面中，执行如下Shell命令（注意：当前登录用户名是hadoop）：

cd /usr/lib
sudo mkdir jvm #创建/usr/lib/jvm目录用来存放JDK文件
cd ~ #进入hadoop用户的主目录
cd Downloads #注意区分大小写字母，刚才已经通过FTP软件把JDK安装包jdk-8u162-linux-x64.tar.gz上传到该目录下
sudo tar -zxvf ./jdk-8u271-linux-x64.tar.gz -C /usr/lib/jvm #把JDK文件解压到/usr/lib/jvm目录下

JDK文件解压缩以后，可以执行如下命令到/usr/lib/jvm目录查看一下：
可以看到，在/usr/lib/jvm目录下有个jdk1.8.0_271目录。下面继续执行如下命令，设置环境变量：

cd ~
vim ~/.bashrc

Vim中 按‘i’进入插入模式 修改完成后按esc 键退出输入模式 输入“:wq” 回车 退出并保存；上面命令使用vim编辑器 打开了hadoop这个用户的环境变量配置文件，请在这个文件的最后位置，添加如下几行内容：

```markup
export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_271
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

保存.bashrc文件并退出vim编辑器。然后，继续执行如下命令让.bashrc文件的配置立即生效：

```markup
source ~/.bashrc

这时，可以使用如下命令查看是否安装成功：

java -version

如果能够在屏幕上返回如下信息，则说明安装成功：

4. 安装Hadoop

Hadoop安装文件，可以到Hadoop官网下载hadoop-3.2.1.tar.gz。
我们选择将 Hadoop 安装至 /usr/local/ 中：

sudo tar -zxf ~/Downloads/hadoop-3.2.1.tar.gz -C /usr/local # 解压到/usr/local中
cd /usr/local/
sudo mv ./hadoop-3.2.1/ ./hadoop # 将文件夹名改为hadoop
sudo chown -R hadoop ./hadoop # 修改文件权限

Hadoop 解压后即可使用。输入如下命令来检查 Hadoop 是否可用，成功则会显示 Hadoop 版本信息：

cd /usr/local/hadoop
./bin/hadoop version

相对路径与绝对路径：请务必注意命令中的相对路径与绝对路径，本文后续出现的 ./bin/…，./etc/… 等包含 ./ 的路径，均为相对路径，以 /usr/local/hadoop 为当前目录。
如果你在hadoop上创建的不是和用户名一样的文件夹，那么用相对路径的话会报错，（因为没有改用户的目录），但你可以用绝对目录来访问。

5. Hadoop单机配置

Hadoop 默认模式为非分布式模式（本地模式），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。现在我们可以执行例子来感受下 Hadoop 的运行。
Hadoop 附带了丰富的例子（运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.1.jar 可以看到相关例子），包括 wordcount、join、terasort、grep 等。
关于wordcount的知识，可以看一个大佬的文章（https://www.cnblogs.com/xia520pi/archive/2012/05/16/2504205.html）
关于join的（https://www.cnblogs.com/sunshineKID/p/3593540.html）
关于terasort的（http://dongxicheng.org/mapreduce/hadoop-terasort-analyse/）
关于grep的（https://blog.csdn.net/successdd/article/details/79088926）

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-3.2.1.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/*                # 查看运行结果

注意这里的jar是一个命令，这里用来解压jar包。（别把它当作是./bin/hadoop下的目录）
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

6. Hadoop伪分布式配置

在设置Hadoop伪分布式配置前，我们还需要设置HADOOP环境变量，执行如下命令在 ~/.bashrc中设置：

gedit ~/.bashrc

注意（上面修改的是改登陆用户的环境变量，~指的是该登陆用户的目录，如果想切换到根目录cd /）
修改所有用户的环境变量：/etc/profile文件
只修改root用户的环境变量：~/.bashrc文件
只修改某个非root用户的环境变量：/home/非root用户名/.bashrc文件

这次我们选择用 gedit 而不是 vim 来编辑。gedit 是文本编辑器，类似于 Windows 中的记事本，会比较方便。保存后记得关掉整个 gedit 程序，否则会占用终端。在文件最后面增加如下内容：

# Hadoop Environment Variables
export HADOOP_HOME=/usr/local/hadoop
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

保存后，不要忘记执行如下命令使配置生效

source ~/.bashrc

这些变量在启动 Hadoop 进程时需要用到，不设置的话可能会报错（这些变量也可以通过修改 ./etc/hadoop/hadoop-env.sh 实现）。
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
关于Hadoop的配置文件，请参考（https://blog.csdn.net/jpcflyer/article/details/80100107）

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

加入如下配置：


hadoop.tmp.dir
file:/usr/local/hadoop/tmp
A base for other temporary directories.


fs.defaultFS
hdfs://localhost:9000



同样的，修改配置文件 hdfs-site.xml：

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

加入如下配置：


dfs.replication
1


dfs.namenode.name.dir
file:/usr/local/hadoop/tmp/dfs/name


dfs.datanode.data.dir
file:/usr/local/hadoop/tmp/dfs/data

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

（或许有的人想尝试再执行一下该命令。注意在这里不能二次再执行 NameNode 的格式化，否则后面会出错。）
成功的话，会看到 “successfully formatted” 的提示，具体返回信息类似如下：

如果在这一步时提示 Error: JAVA_HOME is not set and could not be found. 的错误，则说明之前设置JAVA_HOME环境变量那边就没设置好，请按课程先设置好JAVA_HOME变量，否则后面的过程都是进行不下去的。如果已经按照前面课程在.bashrc文件中设置JAVA_HOME，还是出现 Error: JAVA_HOME is not set and could not be found. 的错误，那么，请到hadoop的安装目录修改配置文件“/usr/local/hadoop/etc/hadoop/hadoop-env.sh”，在里面找到“export JAVA_HOME=${JAVA_HOME}”这行，然后，把它修改成JAVA安装路径的具体地址，比如“export JAVA_HOME=/usr/lib/jvm/default-java”，然后再次启动Hadoop。

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

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: NameNode、DataNode和SecondaryNameNode（如果 SecondaryNameNode 没有启动，请运行 sbin/stop-dfs.sh 关闭进程，然后再次尝试启动尝试）。如果没有 NameNode 或 DataNode ，那就是配置不成功，请仔细检查之前步骤，或通过查看启动日志排查原因。
（若果还没启动成功，就是上面多次执行 NameNode 的格式化的后果，为了偷懒这时就需要参考https://blog.csdn.net/qq_41059374/article/details/80695581）

成功启动后，可以访问 Web 界面 http://localhost:9870 查看 NameNode 和 Datanode 信息，还可以在线查看HDFS中的文件。(注意如果用的时虚拟机的话，就要在虚拟机的火狐浏览器中输入网址，在Windows的浏览器是访问不了的)

7. 关闭防火墙

CentOS系统默认开启了防火墙，在开启 Hadoop 集群之前，需要关闭集群中每个节点的防火墙。有防火墙会导致 ping 得通但 telnet 端口不通，从而导致 DataNode 启动了，但 Live datanodes 为 0 的情况。
在 CentOS 6.x 中，可以通过如下命令关闭防火墙：

sudo service iptables stop   # 关闭防火墙服务
sudo chkconfig iptables off  # 禁止防火墙开机自启，就不用手动关闭了

若用是 CentOS 7，需通过如下命令关闭（防火墙服务改成了 firewall）：

systemctl stop firewalld.service    # 关闭firewall
systemctl disable firewalld.service # 禁止firewall开机启动

任务二：HDFS与MapReduce基本操作

实施步骤

1. 创建HDFS用户目录

伪分布式读取的是HDFS上的数据，要使用HDFS，首先需要在HDFS中创建用户目录：

./bin/hdfs dfs -mkdir -p /user/hadoop

2. 上传文件到HDFS目录

接着将./etc/hadoop中的xml文件作为输入文件复制到分布式文件系统中，即将/usr/local/hadoop/etc/hadoop复制到分布式文件系统中的/user/hadoop/input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

复制完成后，可以通过如下命令查看文件列表：

./bin/hdfs dfs -ls input

在线浏览查看HDFS的文件，如下图所示：

3. 运行Hadoop实例

伪分布式运行MapReduce作业的方式跟单机模式相同，区别在于伪分布式读取的是HDFS中的文件（可以将单机步骤中创建的本地input文件夹，输出结果output文件夹都删掉来验证这一点）。

./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.1.jar grep input output 'dfs[a-z.]+'

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/*

结果如下，注意到刚才我们已经更改了配置文件，所以运行结果不同

我们也可以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/*

Hadoop运行程序时，输出目录不能存在，否则会提示错误“org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists”，因此若要再次执行，需要执行如下命令删除 output 文件夹:

./bin/hdfs dfs -rm -r output

若要关闭 Hadoop，则运行

./sbin/stop-dfs.sh

下次启动hadoop时，无需进行NameNode的初始化，只需要运行./sbin/start-dfs.sh就可以！

/usr/local/hadoop/sbin/start-dfs.sh

4. 启动YARN

伪分布式不启动YARN也可以，一般不会影响程序执行。新版Hadoop使用了新的MapReduce框架（MapReduce V2，也称为YARN，Yet Another Resource Negotiator）。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，YARN 的更多介绍在此不展开，有兴趣的可查阅相关资料。
上述通过./sbin/start-dfs.sh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。
首先修改配置文件 mapred-site.xml，同样使用gedit编辑会比较方便些，命令如下：

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

在mapred-site.xml 进行配置，信息如下：

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

关于mapred-site.xml的详细参考（https://www.cnblogs.com/yjt1993/p/9476573.html）

接着修改配置文件 yarn-site.xml，命令如下：

edit ./etc/hadoop/yarn-site.xml

配置信息如下：

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

关于yarn-site.xml的详细参考https://www.cnblogs.com/wenBlog/p/12220897.html

然后就可以启动 YARN 了（需要先执行过 ./sbin/start-dfs.sh）：

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

开启后通过 jps 查看，可以看到多了 NodeManager 和 ResourceManager 两个后台进程，如下图所示。

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。

但 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。因此在单机上是否开启 YARN 就看实际情况了。
同样的，关闭 YARN 的脚本如下：

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

没了没了没了……恭喜你操作了几个小时。