参考了很多网上和助教的教程,但是都不完全适用于这次的作业,顺便为了记录一下自己的学习过程,我决定写出这篇教程。
本篇教程中英文混杂,请谅解。
Linux学习要点:
- 作为一个user, 不要轻易使用sudo命令,比如在打开/修改user自身安装的软件的文件,以及修改配置文件时,都不要轻易使用sudo;
- 在update或者install时,可以使用sudo命令;
- 学习Linux时,不要总是看着教程上的命令完成工作,这样永远记不住命令。知道自己想干嘛后,以一个user身份去尝试做;
- 修改环境变量时,只需要在
~/.bashrc
文件里修改,因为这个文件是用户的配置文件。不能在全局的配置文件中修改。
教程环境
- Google Cloud Platform
- Ubuntu 14.04 LTS
- Instance: 2 cores, 8GB ROM, 50GB storage
- Openjdk-7-jdk/jre
- Hadoop 2.9.2
现在开始
- install SSH
- install Openjdk JDK&JRE
- install Hadoop-2.9.2
安装SSH server:
~$ sudo apt-get install openssh-server
生成SSH密钥:
> ierg5730-gcp-key@vm-slave-1:~$ssh-keygen
# remember not to set passphase
> ierg5730-gcp-key@vm-slave-1:~$cat id_rsa.pub >> authorized_keys
# to test
> ierg5730-gcp-key@vm-slave-1:~$ssh localhost
SSH成功后,便可进行下一步。
安装Openjdk JDK and JRE:
~$ sudo apt-get install openjdk-7-jdk
~$ sudo apt-get install openjdk-7-jre
安装 hadoop 2.9.2, 首先下载安装包:
~$ wget http://ftp.cuhk.edu.hk/pub/packages/apache.org/hadoop/common/hadoop-2.9.2/hadoop-2.9.2.tar.gz
解压hadoop压缩包,
>ierg5730-gcp-key@vm-slave-1:~$ tar -zxf hadoop-2.9.2.tar.gz
# if you want to change the name of this file(change name from 'hadoop-2.9.2' to 'hadoop')
>ierg5730-gcp-key@vm-slave-1:~$ mv hadoop-2.9.2 hadoop
(个人习惯)将hadoop-2.9.2
文件重命名为hadoop
,教程之后的~/hadoop
地址即代表~/hadoop-2.9.2
,重命名命令如下:
$mk hadoop-2.9.2 hadoop
修改JAVA_HOME:
>vim ~/.bashrc
>export JAVA_HOME=/usr/lib/jvm/java-7-openjdk-amd64
# after edit .bashrc, remember to source it
>source ~/.bashrc
修改Hadoop配置文件中的JAVA_HOME:
>ierg5730-gcp-key@vm-slave-1:~/hadoop/etc/hadoop$ vim hadoop-env.sh
# add under line to this file
export JAVA_HOME=/usr/lib/jvm/java-7-openjdk-amd64
关于SSH连接,如果A想连B,就将A生成的公钥添加到B中,就可以用A来连B了(command: ssh B_id)(最开始将不同虚拟机的公钥放在彼此中时,可以在GCP中的虚拟机设置里面添加。)
建立SSH连接后,就可以通过SCP进行文件传输了,很开心。
同样,管理多台机器的ssh连接是,可以通过在/etc/hosts
添加:
ip nickname
# for example:
10.0.220.171 vm-master
这样的形式来使用nickname连接(例如: ssh vm-master
)。
需要注意的是,使用GCP或者AWS时,这里的IP地址要填写内网IP,而不是外部IP,因为内网IP是持续不变的,而外网IP是会随着虚拟机重启而变化。
前期准备工作已经做完,现在只需修改Hadoop配置文件中的一部分就可以搭建单节点为伪分布式Hadoop。
一下内容主要参考Apache Hadoop官方教程:
https://hadoop.apache.org/docs/stable/hadoop-project-dist/hadoop-common/SingleCluster.html
因为本文搭建的是伪分布式单节点,所以只需要参考文档中Pseudo-Distributed Operation
部分即可,至于是否安装Yarn,则看个人需要(本人未安装)。
下面开始集群的搭建
首先要开始对四台机器进行SSH配置,
即:将每台机器的公钥分别放入其他机器的GCP设置中。
本人的虚拟机名称如下:
集群搭建主要参考homework0后面给出的教程进行,同时,也进行一些微小的改动,下面记录一下需要改动的地方
先放教程:
https://www.edureka.co/blog/setting-up-a-multi-node-cluster-in-hadoop-2.X
教程中只配置两台机器,而且他们的名称刚好就是master
和slave
,所以在任何需要master
和slave
的时候,一定要替换成自己的机器名称。
如果你按照之前的配置一路走下来的话,那你可以无视教程中的STEP1~ STEP11, 按照之后的步骤进行就OK。
需要注意的一点是:
- 在编辑所有机器的
masters
文件时,都是一致的,即:将master的名称写上去; - 只有
master
上的slaves
文件是唯一的,即:将master
和所有slave
的名称都写上去;所有slave
上的slaves
文件都是一样的,即:将所有slave
的名称都写上去。 - 因为教程中只有两个节点,所以在Step17中,
dfs.replication
的value只有2,这里我们有四个节点,因此要改为4。
集群搭建完成后,开始再次使用teragen生成数据:
关于Teragen生成数据大小的解释如下:
使用Teragen来产生数据,示例如下:
hadoop jar hadoop--examples.jar teragen 参数1 参数2
teragen的参数解释:
参数1:表示要产生的数据的行数。Teragen每行数据的大小是100B。
要产生1T的数据,需要的行数=1024102410241024/100=10995116277行
参数2 : 产生的数据放置的文件夹地址
题目要求我们分别生成一个2G和一个20G的文件,通过计算得到我们需要生成的的行数:
2*1024*1024*1024/100 = 21,474,837 lines
20*1024*1024*1024/100 = 214,748,365 lines
20G那个真心不小,我生成它之后,开始跑terasort进行排序,结果,花了1000多港币在上面。很烦。
分割线,上面的未完待续
编译及打包JAVA程序
将写好的JAVA程序放到Linux master机器上后,我们需要先将JAVA程序编译并打包。
在这部分,我们需要Hadoop系统中的jar包来编译我们的JAVA程序,首先进入~/hadoop
目录,然后输入命令bin/hadoop classpath
,程序就会输出所有编译JAVA程序所需要的Jar包地址,示例输出如下所示:
ierg5730-gcp-key@vm-master:~/hadoop$ bin/hadoop classpath
/home/ierg5730-gcp-key/hadoop/etc/hadoop:/home/ierg5730-gcp-key/hadoop/share/hadoop/common/lib/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/common/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/hdfs:/home/ierg5730-gcp-key/hadoop/share/hadoop/hdfs/lib/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/hdfs/*:
/home/ierg5730-gcp-key/hadoop/share/hadoop/yarn:/home/ierg5730-gcp-key/hadoop/share/hadoop/yarn/lib/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/yarn/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/mapreduce/lib/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/mapreduce/*:/home/ierg5730-gcp-key/hadoop/etc/hadoop:/home/ierg5730-gcp-key/hadoop/share/hadoop/common/lib/*:
/home/ierg5730-gcp-key/hadoop/share/hadoop/common/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/hdfs:/home/ierg5730-gcp-key/hadoop/share/hadoop/hdfs/lib/*:
/home/ierg5730-gcp-key/hadoop/share/hadoop/hdfs/*:
/home/ierg5730-gcp-key/hadoop/share/hadoop/yarn:/home/ierg5730-gcp-key/hadoop/share/hadoop/yarn/lib/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/yarn/*:/home/ierg5730-gcp-key/hadoop/share/hadoop/mapreduce/lib/*:
/home/ierg5730-gcp-key/hadoop/share/hadoop/mapreduce/*:/home/ierg5730-gcp-key/hadoop/contrib/capacity-scheduler/*.jar:/home/ierg5730-gcp-key/hadoop/contrib/capacity-scheduler/*.jar
于是我们下一步就可以对JAVA程序进行编译。示例如下,假设我们的程序名为WordCount.java
:
vm-master:~/hadoop$ javac -cp $(bin/hadoop classpath) WordCount.java
或者我们可以通过设置CLASSPATH来完成编译,方法如下:
- 首先,进入打开用户配置文件:
vm-master:~/hadoop$ vi ~/.bashrc
; - 在该文件中插入两条语句:
export HADOOP_HOME=/home/{user_name}/hadoop export HADOOP_CLASSPATH=$($HADOOP_HOME/bin/hadoop classpath)
- 保存并退出,然后执行
vm-master:~$ source .bashrc
,使这些环境变量被保存。 - 通过
echo $HADOOP_CLASSPATH
来检测该环境变量是否正常; - 这样我们就可以直接通过指定
HADOOP_CLASSPATH
来编译:vm-master:~/hadoop$ javac -classpath $HADOOP_CLASSPATH WordCount.java
紧接着我们要制作jar包:
jar cvf WordCount.jar *.class