hadoop伪分布搭建

环境

本教程使用 Ubuntu 14.04 64位 作为系统环境（Ubuntu 12.04 也行，32位、64位均可），请自行安装系统。

Hadoop版本

Hadoop 有两个主要版本，Hadoop 1.x.y 和 Hadoop 2.x.y 系列，比较老的教材上用的可能是 0.20 这样的版本。Hadoop 2.x 版本在不断更新，本教程均可适用。如果需安装 0.20，1.2.1这样的版本，本教程也可以作为参考，主要差别在于配置项，配置请参考官网教程或其他教程。

新版是兼容旧版的，书上旧版本的代码应该能够正常运行（我自己没验证，欢迎验证反馈）。装好了 Ubuntu 系统之后，在安装 Hadoop 前还需要做一些必备工作。

创建hadoop用户

 

如果你安装 Ubuntu 的时候不是用的 "hadoop" 用户，那么需要增加一个名为 hadoop 的用户。

首先按 ctrl+alt+t 打开终端窗口，输入如下命令创建新用户 

  
  

   
   

    
    sudo useradd -m hadoop -s /bin/bash
   
   
  
  

sudo命令

本文中会大量使用到sudo命令。sudo是ubuntu中一种权限管理机制，管理员可以授权给一些普通用户去执行一些需要root权限执行的操作。当使用sudo命令时，就需要输入您当前用户的密码.

 

密码

在Linux的终端中输入密码，终端是不会显示任何你当前输入的密码，也不会提示你已经输入了多少字符密码。而在windows系统中,输入密码一般都会以“*”表示你输入的密码字符

 

输入法中英文切换

ubuntu中终端输入的命令一般都是使用英文输入。linux中英文的切换方式是使用键盘“shift”键来切换，也可以点击顶部菜单的输入法按钮进行切换。ubuntu自带的Sunpinyin中文输入法已经足够读者使用。

 

Ubuntu终端复制粘贴快捷键

在Ubuntu终端窗口中，复制粘贴的快捷键需要加上 shift，即粘贴是 ctrl+shift+v。

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
   
   
  
  

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：

  
  

   
   

    
    sudo adduser hadoop sudo
   
   
  
  

最后注销当前用户（点击屏幕右上角的齿轮，选择注销），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。

网络配置

点击编辑连接

 

然后设置固定IP

 

更新apt

用 hadoop 用户登录后，我们先更新一下 apt，后续我们使用 apt 安装软件，如果没更新可能有一些软件安装不了。按 ctrl+alt+t 打开终端窗口，执行如下命令：

  
  

   
   

    
    sudo apt-get update
   
   
  
  

后续需要更改一些配置文件，我比较喜欢用的是 vim（vi增强版，基本用法相同），建议安装一下（如果你实在还不会用 vi/vim 的，请将后面用到vim 的地方改为 gedit，这样可以使用文本编辑器进行修改，并且每次文件更改完成后请关闭整个 gedit 程序，否则会占用终端）：

  
  

   
   

    
    sudo apt-get install vim
   
   
  
  

安装软件时若需要确认，在提示处输入 y 即可。

 

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），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：

  
  

   
   

    
    ssh localhost
   
   
  
  

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
   
   
  
  

~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/"。 此外，命令中的 # 后面的文字是注释，只需要输入前面命令即可。

此时再用 ssh localhost 命令，无需输入密码就可以直接登陆了，如下图所示。

安装Java环境

Java环境可选择 Oracle 的 JDK，或是 OpenJDK，按中说的，新版本在 OpenJDK 1.7 下是没问题的。为图方便，这边直接通过命令安装 OpenJDK 7。

  
  

   
   

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

安装好 OpenJDK 后，需要找到相应的安装路径，这个路径是用于配置 JAVA_HOME 环境变量的。执行如下命令：

  
  

   
   

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

该命令会输出一个路径，除去路径末尾的 “/bin/javac”，剩下的就是正确的路径了，如输出路径为 /usr/lib/jvm/java-7-openjdk-amd64/bin/javac，则我们需要的路径为 /usr/lib/jvm/java-7-openjdk-amd64。

接着需要配置一下 JAVA_HOME 环境变量，为方便，我们在 ~/.bashrc 中进行设置

  
  

   
   

    
    vim ~/.bashrc
   
   
  
  

在文件最前面添加如下单独一行（注意 = 号前后不能有空格

 

编辑完成之后按esc  输入如下：

 

接着还需要让该环境变量生效，执行如下代码：

  
  

   
   

    
    source ~/.bashrc    # 使变量设置生效
   
   
  
  

设置好后我们来检验一下是否设置正确：

  
  

   
   

    
    echo $JAVA_HOME     # 检验变量值
   
   
   
   

    
    java -version
   
   
   
   

    
    $JAVA_HOME/bin/java -version  # 与直接执行 java -version 一样
   
   
  
  

如果设置正确的话，$JAVA_HOME/bin/java -version 会输出 java 的版本信息，且和 java -version 的输出结果一样，如下图所示：

 

这样，Hadoop 所需的 Java 运行环境就安装好了。

安装 Hadoop 2

用的hadoop版本是2.6.4

可以用xhell和xtp往虚拟机传文件，此网址为教程

http://www.xker.com/page/e2014/0707/132788.html

解压到/usr/local

  
  

   
   

    
    sudo tar -zxf ~/下载/hadoop-2.6.0.tar.gz -C /usr/local# 解压到/usr/local中
   
   
   
   

    
    cd /usr/local/
   
   
   
   

    
    sudo mv ./hadoop-2.6.0/./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。例如在 /usr/local/hadoop 目录中执行 ./bin/hadoop version 等同于执行 /usr/local/hadoop/bin/hadoop version。可以将相对路径改成绝对路径来执行，但如果你是在主文件夹 ~ 中执行 ./bin/hadoop version，执行的会是 /home/hadoop/bin/hadoop version，就不是我们所想要的了。

Hadoop单机配置(非分布式)

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-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，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
   
   
  
  

执行成功后如下所示，输出了作业的相关信息，输出的结果是符合正则的单词 dfsadmin 出现了1次

 

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
   
   
  
  

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，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 (通vim 编辑会比较方便: vim ./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>
   
   
  
  

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:

  
  

   
   

    
    ./bin/hdfs namenode -format
   
   
  
  

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。

 

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，请按教程先设置好 JAVA_HOME 变量，否则后面的过程都是进行不下去的。

 

接着开启 NameNode 和 DataNode 守护进程

  
  

   
   

    
    ./sbin/start-dfs.sh  #start-dfs.sh是个完整的可执行文件，中间没有空格
   
   
  
  

若出现如下SSH提示，输入yes即可。

 

启动时可能会出现如下 WARN 提示：WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable WARN 提示可以忽略，并不会影响正常使用。

 

启动 Hadoop 时提示 Could not resolve hostname

如果启动 Hadoop 时遇到输出非常多“ssh: Could not resolve hostname xxx”的异常情况，如下图所示：

 

这个并不是 ssh 的问题，可通过设置 Hadoop 环境变量来解决。首先按键盘的 ctrl + c 中断启动，然后在 ~/.bashrc 中，增加如下两行内容（设置过程与 JAVA_HOME 变量一样，其中 HADOOP_HOME 为 Hadoop 的安装目录）：

  
  

   
   

    
    export HADOOP_HOME=/usr/local/hadoop
   
   
   
   

    
    export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
   
   
  
  

保存后，务必执行 source ~/.bashrc 使变量设置生效，然后再次执行 ./sbin/start-dfs.sh 启动 Hadoop。

 

 

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。

Hadoop无法正常启动的解决方法

一般可以查看启动日志来排查原因，注意几点：

· 启动时会提示形如 "DBLab-XMU: starting namenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-namenode-DBLab-XMU.out"，其中 DBLab-XMU 对应你的机器名，但其实启动日志信息是记录在 /usr/local/hadoop/logs/hadoop-hadoop-namenode-DBLab-XMU.log 中，所以应该查看这个后缀为 .log 的文件；

· 每一次的启动日志都是追加在日志文件之后，所以得拉到最后面看，对比下记录的时间就知道了。

· 一般出错的提示在最后面，通常是写着 Fatal、Error、Warning 或者 Java Exception 的地方。

· 可以在网上搜索一下出错信息，看能否找到一些相关的解决方法。

此外，若是 DataNode 没有启动，可尝试如下的方法（注意这会删除 HDFS 中原有的所有数据，如果原有的数据很重要请不要这样做）：

  
  

   
   

    
    # 针对 DataNode 没法启动的解决方法
   
   
   
   

    
    ./sbin/stop-dfs.sh   # 关闭
   
   
   
   

    
    rm -r ./tmp     # 删除 tmp 文件，注意这会删除 HDFS 中原有的所有数据
   
   
   
   

    
    ./bin/hdfs namenode -format   # 重新格式化 NameNode
   
   
   
   

    
    ./sbin/start-dfs.sh  # 重启
   
   
  
  

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

 

运行Hadoop伪分布式实例

上面的单机模式，grep 例子读取的是本地数据，伪分布式读取的则是 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
   
   
  
  

注意

有三种shell命令方式。
1. hadoop fs
2. hadoop dfs
3. hdfs dfs

hadoop fs适用于任何不同的文件系统，比如本地文件系统和HDFS文件系统
hadoop dfs只能适用于HDFS文件系统
hdfs dfs跟hadoop dfs的命令作用一样，也只能适用于HDFS文件系统

 

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
   
   
  
  

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-*.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    # 删除 output 文件夹
   
   
  
  

若要关闭 Hadoop，则运行

  
  

   
   

    
    ./sbin/stop-dfs.sh
   
   
  
  

注意

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