Hadoop集群安装--Ubuntu

542179528

　　我家宝最近在自学Hadoop，于是乎跟着一起玩玩，在此为她整理一篇基础搭建的博客，希望对她能有所帮助。同样，开始之前先来了解下，什么是Hadoop。
　　Hadoop是一个由Apache基金会所开发的分布式系统基础架构。它是根据Google公司发表的MapReduce和Google文件系统的论文自行实现而成。Hadoop框架透明地为应用提供可靠性和数据移动。它实现了名为MapReduce的编程范式：应用程序被分区成许多小部分，而每个部分都能在集群中的任意节点上运行或重新运行。
　　Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。
　　用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop的框架最核心的设计就是HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。
　　搭建
　　搭建集群的话，需要最少两台机器来搭建一个多节点的Hadoop环境，我这里使用Hadoop最新稳定的2.7.3版本和三台云主机（1主两从，Ubuntu1404 LTS）。

• 　　修改hosts文件
  

　　保证三台机器的网络是可达的前提下，更改主机名，并修改hosts文件：
# hostnamectl  set-hostname master   // 在master节点上执行　　
# hostnamectl  set-hostname slave-1  // 在slave-1节点上执行
　　
# hostnamectl  set-hostname slave-2  // 在slave-2节点上执行
　　
分别把三台机器的hosts文件进行修改：
　　
# vim /etc/hosts
　　
192.168.1.2  master
　　
192.168.1.3  slave-1
　　
192.168.1.4  slave-2
　　2.在master和slave节点上安装java:
# add-apt-repository ppa:webupd8team/java  //添加ppa　　
# apt-get update
　　
# apt-get installoracle-java8-installer
　　
# java -version  //检验Java版本
　　
java version "1.8.0_121"
　　
Java(TM) SE Runtime Environment (build 1.8.0_121-b13)
　　
Java HotSpot(TM) 64-Bit Server VM (build 25.121-b13, mixed mode)
　　3.禁用IPv6
　　现在Hadoop目前对IPv6不是很好，在一些Linux发行版上可能造成一些未知bug。在Hadoop Wiki上提供了方法来禁用，我这里修改sysctl.conf文件，添加以下几行：
# vim /etc/sysctl.conf　　
net.ipv6.conf.all.disable_ipv6 = 1
　　
net.ipv6.conf.default.disable_ipv6 = 1
　　
net.ipv6.conf.lo.disable_ipv6 = 1
　　
# sysctl -p  //使其立即生效
　　4.创建Hadoop User
　　在master和slave节点上执行：
# addgroup hdgroup  //创建hadoop group　　
# adduser —ingroup hdgroup hduser  //创建Hadoop User并加入Hadoop group
　　
Adding user `hduser' ...
　　
Adding new user `hduser' (1001) with group `hdgroup' ...
　　
Creating home directory `/home/hduser' ...
　　
Copying files from `/etc/skel' ...
　　
Enter new UNIX password:            //输入密码之后一路回车即可
　　
Retype new UNIX password:
　　
passwd: password updated successfully
　　
Changing the user information for hduser
　　
Enter the new value, or press ENTER for the default
　　
       Full Name []:
　　
       Room Number []:
　　
       Work Phone []:
　　
       Home Phone []:
　　
       Other []:
　　
Is the information correct? [Y/n]
　　Hadoop要求无密码登录，所以需要生成秘钥,这里注意要用刚才创建的普通hduser用户,分别在master和slave上执行如下操作：
# su - hduser　　
$ ssh-keygen -N ''
　　
Generating public/private rsa key pair.
　　
Enter file in which to save the key (/home/hduser/.ssh/id_rsa):
　　
Created directory '/home/hduser/.ssh'.
　　
Your identification has been saved in /home/hduser/.ssh/id_rsa.
　　
Your public key has been saved in /home/hduser/.ssh/id_rsa.pub.
　　
The key fingerprint is:
　　
5b:ae:c6:5a:ce:66:51:d3:6c:6c:14:9b:b2:8a:da:e9 hduser@master
　　
The key's randomart image is:
　　
+--[ RSA 2048]----+
　　
|            ..   |
　　
|            .o   |
　　
|          .=o    |
　　
|          oo*    |
　　
|        S.o+     |
　　
|       ..=       |
　　
|      ..+..      |
　　
|     o ==.       |
　　
|    ..E=+        |
　　
+-----------------+
　　
$ ssh-copy-id hduser@master
　　
$ ssh-copy-id hduser@slave-1
　　
$ ssh-copy-id hduser@slave-2
　　5.下载和安装Hadoop
　　登录Hadoop的官方下载地址，选择你需要的版本，复制下载链接，这里我选用最新的2.7.3版本:

　　打开链接之后，右键复制链接地址：

　　在master和slave上分别执行（你也可以在一台机器上下载完之后拷贝到另外两台上）：
$ cd /home/hduser　　
$ wget -c
　　
$ tar -zxvf hadoop-2.7.3.tar.gz
　　
$ mv hadoop-2.7.3 hadoop
　　6.更改环境变量
　　首先确定之前安装的java home目录，查找办法如下（在任意一台机器上执行）：
hduser@master:~$ env | grep -i java　　
JAVA_HOME=/usr/lib/jvm/java-8-oracle
　　分别在master和slave节点上执行以下操作,编辑".bashrc"文件，添加如下几行：
$ vim .bashrc   //编辑文件，添加如下几行　　
export HADOOP_HOME=/home/hduser/hadoop
　　
export JAVA_HOME=/usr/lib/jvm/java-8-oracle
　　
PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
　　
$ source  .bashrc   //source使其立即生效
　　分别在master和slave节点上执行以下操作,更改Hadoop-env的JAVA_HOME：
$ vim /home/hduser/hadoop/etc/hadoop/hadoop-env.sh　　
#export JAVA_HOME=${JAVA_HOME}   //更改此行，或者注释掉新加以下一行
　　
export JAVA_HOME=/usr/lib/jvm/java-8-oracle
　　7.Hadoop配置
　　Hadoop的配置这里主要涉及四个配置文件：etc/hadoop/core-site.xml，etc/hadoop/hdfs-site.xml, etc/hadoop/yarn-site.xml and etc/hadoop/mapred-site.xml.
　　这里摘录网络上的一段话，在继续下面的操作之前一定要阅读这段，以便更好的理解：

• 　　Hadoop Distributed File System: A distributed file system that provides high-throughput access to application data. A HDFS cluster primarily consists of a NameNode that manages the file system metadata and DataNodes that store the actual data. If you compare HDFS to a traditional storage structures ( e.g. FAT, NTFS), then NameNode is analogous to a Directory Node structure, and DataNode is analogous to actual file storage blocks.
  
• 　　Hadoop YARN: A framework for job scheduling and cluster resource management.
  
• 　　Hadoop MapReduce: A YARN-based system for parallel processing of large data sets.
  

　　①在master和slave节点上更改"core-site.xml"文件，master和slave节点应该使用相同"fs.defaultFS"值，而且必须指向master节点;在“configuration”中间添加如下配置：
　　
  hadoop.tmp.dir
　　
  /home/hduser/tmp
　　
  Temporary Directory.
　　

　　

　　

　　
  fs.defaultFS
　　
  hdfs://master:54310
　　
  Use HDFS as file storage engine
　　

　　最终core-site.xml配置文件如下图所示：

　　如果tmp目录不存在，需要手动创建一个：
$ mkdir /home/hduser/tmp　　
$ chown -R hduser:hdgroup /home/hduser/tmp //非hduser用户创建虚赋权
　　②只在master节点上更改"mapred-site.xml"文件，由于没有这个文件，需要需要复制那个template文件生成一个：
$ cd /home/hduser/hadoop/　　
$ cp -av etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml
　　编辑xml配置文件，在“configuration”中间添加如下配置：
　　
mapreduce.jobtracker.address
　　
master:54311
　　
The host and port that the MapReduce job tracker runs
　　
  at. If “local”, then jobs are run in-process as a single map
　　
  and reduce task.
　　

　　

　　

　　
mapreduce.framework.name
　　
yarn
　　
The framework for running mapreduce jobs
　　

　　③在master和slave节点上更改"hdfs-site.xml"文件，在“configuration”中间添加如下配置：
　　
dfs.replication
　　
2
　　
Default block replication.
　　
  The actual number of replications can be specified when the file is created.
　　
  The default is used if replication is not specified in create time.
　　

　　

　　

　　
dfs.namenode.name.dir
　　
/data/hduser/hdfs/namenode
　　
Determines where on the local filesystem the DFS name node should store the name table(fsimage). If this is a comma-delimited list of directories then the name table is replicated in all of the directories, for redundancy.
　　

　　

　　

　　
dfs.datanode.data.dir
　　
/data/hduser/hdfs/datanode
　　
Determines where on the local filesystem an DFS data node should store its blocks. If this is a comma-delimited list of directories, then data will be stored in all named directories, typically on different devices. Directories that do not exist are ignored.
　　

　　并创建刚才配置文件中指定的目录：
$ mkdir -p /home/hduser/data/hduser/hdfs/{namenode,datanode}　　
$ chown -R hduser:hdgroup /home/hduser/data/  //如果非hduser用户创建的需要赋权
　　1).这里dfs.replication的默认值为3，这里我设置了2个副本，代表每个存储到HDFS的文件都有额外一个副本，这里的值可以视集群规模而定。
　　2)dfs.namenode.name.dir和dfs.datanode.name.dir是namenode和datanode存放HDFS数据块文件的位置，如果没有需要手动创建。
　　④在master和slave节点上更改"yarn-site.xml"文件，master和slave节点应该使用相同的值，并且指向master节点。在“configuration”中间添加如下配置：
　　
yarn.nodemanager.aux-services
　　
mapreduce_shuffle
　　

　　

　　
yarn.resourcemanager.scheduler.address
　　
master:8030
　　

　　

　　
yarn.resourcemanager.address
　　
master:8032
　　

　　

　　
  yarn.resourcemanager.webapp.address
　　
  master:8088
　　

　　

　　
  yarn.resourcemanager.resource-tracker.address
　　
  master:8031
　　

　　

　　
  yarn.resourcemanager.admin.address
　　
  master:8033
　　

　　⑤更新slave文件
　　在master节点上修改slave文件,添加master和slave节点的主机名或者ip地址，并去掉"localhost"：
$ vim /home/hduser/hadoop/etc/hadoop/slaves　　
master
　　
slave-1
　　
slave-2
　　⑥格式化namenode：
　　在启动cluster之前需要先格式化namenode，在master上执行：
$ hdfs namenode -format　　看到类似提示INFO："Storage directory /home/hduser/data/hduser/hdfs/namenode has been successfully formatted."表示格式化成功。
　　⑦启动服务
　　可以直接使用Hadoop提供的脚本"start-all.sh"启动所有服务，也可以把dfs和yarn分别启动。可以使用绝对路径:/home/hduser/hadoop/sbin/start-all.sh，也可以直接调用start-all.sh脚本（因为前面已经改过PATH的路径）：
$ start-all.sh　　如下图所示没有看到任何错误信息，表示集群已成功启动：

　　⑧验证查看
　　使用jps命令分别在master和slave上查看启动的服务

　　网页验证：
　　浏览器打开：http://master:50070

　　查看yarn web console: http://master:8088/cluster/nodes
　　如果所有node均正常启动，这里能够全部显示：

　　Hadoop解压的share目录里给我们提供了几个example的jar包，我们执行一个看下效果：
$ hadoop jar /home/hduser/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar  pi 30 100　　执行之后通过浏览器访问：http://master:8088/cluster/apps
　　能够看到当前执行的任务：

　　写在最后：

• 　　如果在新增了节点或者删除节点的时候出现了问题，首先删除slave的hadoop.tmp.dir，然后重新启动试试看，如果还是不行,尝试把Master的hadoop.tmp.dir删除（意味着dfs上的数据也会丢失）然后需要重新namenode –format。
  
• 　　如果有任何报错信息记得去查log日志，文件位置在Hadoop的安装目录logs文件夹下。