hadoop2.7完全分布式集群搭建以及任务测试

chenkehao

　　要想深入的学习hadoop数据分析技术，首要的任务是必须要将hadoop集群环境搭建起来，本文主要讲述如何搭建一套hadoop完全分布式集群环境。
　　环境配置：2台64位的redhat6.5 +  1台64位centos6.9 + Hadoop + java7
　　一、先配置服务器的主机名
　　Namenode节点对应的主机名为master
　　Datanode节点对应的主机名分别为node1、node2
　　1、 在每一台服务器上执行vim /etc/hosts， 先删除hosts里面的内容，然后追加以下内容：
　　192.168.15.135 master 172.30.25.165 node1 172.30.25.166 node2
　　2、 在每一台服务器上执行vim  /etc/sysconfig/network，修改红色部分的内容，对应上面所说的hostname，对于master节点那么hostname就为master
　　NETWORKING=yes HOSTNAME= master NETWORKING_IPV6=yes IPV6_AUTOCONF=no
　　类似的，在node1服务器节点上应该为：
　　NETWORKING=yes HOSTNAME= node1 NETWORKING_IPV6=yes IPV6_AUTOCONF=no
　　类似的，在node2服务器节点上应该为：
　　NETWORKING=yes HOSTNAME= node2 NETWORKING_IPV6=yes IPV6_AUTOCONF=no
　　这两步的作用很关键，如果配置不成功，进行分布式计算的时候有可能找不到主机名
　　二、安装SSH，并让master免验证登陆自身服务器、节点服务器
　　1、 执行下面命令，让master节点能够免验证登陆自身服务器
　　ssh-keygen -t dsa -P'' -f ~/.ssh/id_dsa cat ~/.ssh/id_dsa.pub>> ~/.ssh/authorized_keys exportHADOOP\_PREFIX=/usr/local/hadoop
　　HADOOP_PREFIX表示自己安装的hadoop路径
　　2、 让主结点(master)能通过SSH免密码登录两个子结点（slave）
　　为了实现这个功能，两个slave结点的公钥文件中必须要包含主结点的公钥信息，这样当master就可以顺利安全地访问这两个slave结点了。操作过程如下：
　　在node1上执行
　　scp root@master:~/.ssh/id_dsa.pub ~/.ssh/master_dsa.pub cat~/.ssh/master_dsa.pub >> ~/.ssh/authorized_keys
　　在node2上执行
　　scp root@master:~/.ssh/id_dsa.pub ~/.ssh/master_dsa.pub cat~/.ssh/master_dsa.pub >> ~/.ssh/authorized_keys
　　如上过程显示了node1结点通过scp命令远程登录master结点，并复制master的公钥文件到当前的目录下，这一过程需要密码验证。接着，将master结点的公
　　钥文件追加至authorized_keys文件中，通过这步操作，如果不出问题，master结点就可以通过ssh远程免密码连接node1结点了。在master结点中操作如:

　　当然值得注意的是：首次登陆是需要确认的，node1结点首次连接时需要，“YES”确认连接，这意味着master结点连接node1结点时需要人工询问，无法自动连接，输入yes后成功接入，紧接着注销退出至master结点。要实现ssh免密码连接至其它结点，还差一步，只需要再执行一遍ssh node1，如果没有要求你输入”yes”，就算成功了。
　　三、下载并解压hadoop安装包，配置hadoop
　　1、 关于安装包的下载就不多说了，不过可以提一下目前我使用的版本为hadoop-2.7.1
　　2、 配置namenode,修改site文件
　　下面开始修改hadoop的配置文件了，即各种site文件，文件存放在etc/Hadoop/下，主要配置core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml这三个文件。
　　这里我只把我的实例贴出来，经供参考，更多详细配置请参照官方文档
　　core-site.xml：
　　  fs.defaultFS hdfs://master:9000  
　　hdfs-site.xml：
　　  dfs.replication 1   dfs.namenode.secondary.http-address master:9001  
　　mapred-site.xml：
　　  mapreduce.framework.name yarn   mapreduce.jobhistory.address master:10020   mapreduce.jobhistory.webapp.address master:19888  
　　yarn-site.xml：
　　  yarn.nodemanager.aux-services mapreduce_shuffle   yarn.nodemanager.aux-services.mapreduce.shuffle.class org.apache.hadoop.mapred.ShuffleHandler   yarn.resourcemanager.address master:8032   yarn.resourcemanager.scheduler.address master:8030   yarn.resourcemanager.resource-tracker.address master:8031   yarn.resourcemanager.admin.address master:8033   yarn.resourcemanager.webapp.address master:8088  
　　3、 配置namenode,修改env环境变量文件
　　配置之前要说的话：你必须确保你已经安装了java6或者java7，并且java的环境变量已经配置好，由于本文的重点不在此，故不详细说明，我系统java的环境变量为/usr/java/jdk1.7.0_71
　　所以讲hadoop-env.sh、mapred-env.sh、yarn-env.sh这几个文件中的JAVA_HOME改为/usr/java/jdk1.7.0_71，如下图所示：

　　文件中的其他一些配置项，请参考官方文档
　　4、 slaves文件配置,增加如下两行内容：
　　node1 node2
　　四、向节点服务器node1、node2复制我们刚刚在master服务器上配置好的hadoop
　　scp–r hadoop root@node1:/usr/local/hadoop scp–r hadoop root@node2:/usr/local/hadoop
　　五、格式化namenode，在master节点上执行如下命令：
　　bin/hdfs namenode-format

　　只要出现“successfully formatted”就表示成功了。
　　六、启动hadoop
　　这一步也在主结点master上进行操作：

　　七、用jps检验各后台进程是否成功启动
　　master

　　node1

　　node2

　　八、向hadoop集群系统提交第一个mapreduce任务
　　到这里为止我们已经完成了一个真正意义上的hadoop完全分布式环境搭建，下面我们要像这个集群系统提交第一个mapreduce任务
　　1、  bin/hdfs dfs -mkdir /tmp 在虚拟分布式文件系统上创建一个测试目录tmp
　　2、  bin/hdfs dfs -copyFromLocal ./ LICENSE.txt /tmp 将当前目录下的LICENSE文件复制到虚拟分布式文件系统中
　　3、bin/hdfs dfs-ls /tmp查看文件系统中是否存在我们所复制的文件
　　下面这张图显示了一系列的操作过程

　　3、  运行如下命令向hadoop提交单词统计任务
　　bin/hadoop jar./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.1.jar wordcount/tmp/LICENSE.txt /tmp-output
　　最后会显示一个运算结果：

　　到这里为止，你已经完成了第一个任务的分布式计算
　　注意：在你重新格式化分布式文件系统之前，需要将文件系统中的数据先清除，否则，datanode将创建不成功，这一点很重要
　　关于一些常见的端口
　　master:8088能显示你的集群状态
　　master: 50070能进行一些节点的管理
　　除此之外，还有很多有用的端口，当然这也是和你的配置文件相关的，最后，贴上两张图片：