Ubuntu从零安装 Hadoop And Spark

安装 linux 以Ubuntu为例

选择镜像，虚拟机安装

虚拟机下，直接安装镜像即可，选择好自己的配置，一定要注意路径名选好，而且和你虚拟机的名称匹配，这里我的镜像是 ubuntu-20.04.2.0-desktop-amd64.iso

切换一下中文

注意重启之后，这一部分保留英文

安装 VMTools

为了方便 复制粘贴，建议安装 VMTools，这里不再给出如何安装

提前准备工作

创建用户

首先我们创建hadoop用户，并将/bin/bash 作为他的 默认 shell，并设置他的密码以及增加管理员权限
(CTRL + SHIFT + V 是linux 下的 粘贴快捷键)

sudo useradd -m hadoop -s /bin/bash
sudo passwd hadoop
sudo adduser hadoop sudo

设置成功后，我们退出，使用 hadoop 用户登录此linux系统

更新apt

sudo apt-get update

安装 Vim

vim 是 vi 的升级版，快捷好用，为了编辑文本，我们可以使用 vim，也可以使用 vi，或者是 gedit，看个人喜好

sudo apt-get install vim

安装 SSH

SSH 为 Secure Shell 的缩写。是较可靠，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。
具体查看 SSH的内容可以直接去百度
从客户端来看，SSH提供两种级别的安全验证。
第一种级别（基于口令的安全验证）
只要你知道自己帐号和口令，就可以登录到远程主机。所有传输的数据都会被加密，但是不能保证你正在连接的服务器就是你想连接的服务器。可能会有别的服务器在冒充真正的服务器，也就是受到“中间人”这种方式的攻击。
第二种级别（基于密匙的安全验证）
需要依靠密匙，也就是你必须为自己创建一对密匙，并把公用密匙放在需要访问的服务器上。如果你要连接到SSH服务器上，客户端软件就会向服务器发出请求，请求用你的密匙进行安全验证。服务器收到请求之后，先在该服务器上你的主目录下寻找你的公用密匙，然后把它和你发送过来的公用密匙进行比较。如果两个密匙一致，服务器就用公用密匙加密“质询”（challenge）并把它发送给客户端软件。客户端软件收到“质询”之后就可以用你的私人密匙解密再把它发送给服务器。
用这种方式，你必须知道自己密匙的口令。但是，与第一种级别相比，第二种级别不需要在网络上传送口令。
第二种级别不仅加密所有传送的数据，而且“中间人”这种攻击方式也是不可能的（因为他没有你的私人密匙）。但是整个登录的过程可能需要10秒 [2] 。

---

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电脑，并且在上面运行命令），Ubuntu 默认已安装了 SSH client，此外还需要安装 SSH server：

sudo apt-get install openssh-server

安装后，可以使用如下命令登陆本机：
localhost 等价于 127.0.0.1 本机 ip

ssh localhost

输入密码之后便可以进入

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。

首先退出（使用exit 命令）刚才的 ssh，就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：

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

重新尝试发现不需要密码了

安装 Hadoop 和 Java

Java

查看可用 java 版本

apt search openjdk 

apt安装 open jdk，这里选择 openjdk-14-jdk

sudo apt install openjdk-14-jdk

java --version 查看是否安装成功

java --version

配置java环境

下面我来介绍一下如何配置java 的环境
为方便，我们在 ~/.bashrc 中进行设置
修改home目录下的 .bashrc 文件
.bashrc 文件主要保存着个人的一些个性化设置，如：命令别名、环境变量等。 参考中有其他修改方法。

首先，我们打开配置文件

gedit ~/.bashrc

在配置文件中加入一行

export JAVA_HOME=/usr/lib/jvm/java-14-openjdk-amd64

请注意，这部分 JAVA_HOME=的内容需要你个人去文件目录中查看，毕竟下载的 openjdk版本不同

下面，我们让配置生效，并且验证配置是否成功

source ~/.bashrc    # 使变量设置生效
echo $JAVA_HOME     # 检验是否设置正确

安装 hadoop

在这里，我下载的是 hadoop-3.3.0.tar.gz，版本可以执行百度下载即可，选择一个下载速度快的

首先，我们将文件解压，到/usr/local 目录下，重命名并修改用户主，注意，选择自己的 hadoop 版本号

cd ~/下载
sudo tar -zxvf ./hadoop-3.3.0.tar.gz -C /usr/local  # 解压到/usr/local中
cd /usr/local/
sudo mv ./hadoop-3.3.0/ ./hadoop            # 将文件夹名改为hadoop
sudo chown -R hadoop:hadoop ./hadoop        # 修改文件权限

hadoop单机测试

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。

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-2.6.0.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

在此我们选择运行 grep 例子，即将 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

倘若提示 JAVA_HOME 未定义，你先 echo “$JAVA_HOME”，然后查看 ~/.bashrc 文件，以及 source ~/.bashrc 一下，再次输出 $JAVA_HOME 是否可以

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。

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 (gedit /usr/local/hadoop/etc/hadoop/core-site.xml)，将当中的

<configuration>
</configuration>

修改为下面配置：

<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>

同样的，修改配置文件 hdfs-site.xml：

<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>

配置完成后，执行 namenode 的格式化:

bin/hdfs namenode -format

注意
在这一步以及后面启动 Hadoop 时若提示 Error: JAVA_HOME is not set and could not be found. 的错误，则需要在文件 ./etc/hadoop/hadoop-env.sh 中设置 JAVA_HOME 变量，即找到 export JAVA_HOME=${JAVA_HOME}这一行，改为 export JAVA_HOME=/usr/lib/jvm/java-14-openjdk-amd64 (就是之前设置的JAVA_HOME位置)，再重新尝试即可。

下面我们输入命令，查看是否成功

./sbin/start-all.sh  #开启

jps

最后需要关闭

./sbin/stop-all.sh  # 关闭

输入命令后的运行效果如下

hadoop 伪分布式测试

注意测试的时候一定要打开 hadoop, 即运行 sbin/start-all.sh

运行完之后, sbin/stop-all.sh

链接

安装 Spark，并使用PySpark测试

Spark的安装

可以直接看这个参考网站，很合适
按照链接的做法

• 首先将下载好的 Spark 安装包解压至 /usr/local 的目录下
  
• 然后修改 /usr/local/spark/conf 目录下的配置文件
  spark-env.sh
  
  
• 之后，我们修改环境变量
  
  
  这里进行勘误，应该在 hadoop 用户下进行，否则修改的是 root 的配置文件，而不是我们 hadoop 用户的配置文件！

• 最后我们运行测试一下
  执行时会输出非常多的运行信息，输出结果不容易找到，可以通过 grep 命令进行过滤（命令中的 2>&1 可以将所有的信息都输出到 stdout 中，否则由于输出日志的性质，还是会输出到屏幕中）:

Spark的测试

运行的代码

出现一个问题

原来是路径写错了

参考链接

https://blog.csdn.net/qinzhaokun/article/details/47804923

http://dblab.xmu.edu.cn/blog/install-hadoop/

安装java

百度百科

延伸阅读 java 环境的两种配置方法