Hadoop in Action 翻译 第二章

静默

Starting Hadoop
  　　内容简介:
　　1.       Hadoop 架构中的各个模块。
　　2.       安装Hadoop，以及三种操作模式：单机，伪分布式，以及分布式。
　　3.       安装基于web的Hadoop监控工具
　　     这一章节将主要介绍如何安装Hadoop。如果你的工作不要安装Hadoop,或者已经完整安装了Hadoop，那么你也许想跳过这一章。不过通过这一章节你可以了解如何在你的开发环境中安装Hadoop，如果是这样，你可以略过一些配置的细节。在2.1章节，我们将介绍一下hadoop的各个组成部分。此后的2.2，2.3，和2.4我们将分别介绍如何安装 单机，伪分布式，以及分布式的Hadoop。2.5我们将介绍一些基于web的Hadoop集群监测工具。
  Hadoop的各个组成部分
  　　      在之前的章节中，我们讨论了分布式存储与分布式运算。现在我们看一下Hadoop是如何实现这些想法的吧。在一个配置完整的集群上运行hadoop意味着在集群中运行一系列后台（deamon）程序，每台服务器上运行的程序并不相同，deamons负责不同的角色，有的角色只在一台服务器上，有的需要多台服务器。
　　这些角色包括：
　　1.       NameNode
　　2.       DataNode
　　3.       Secondary NameNode
　　4.       JobTracker
　　5.       TaskTracker
　　下面我们将接受各个角色在Hadoop中的作用.
　　
  NameNode
  　　      我们从最重要的daemons说起---NameNode。
　　      Hadoop 在分布式存储和分布式计算方面都使用主/从（master/slave)架构。分布式存储叫Hadoop File System.或者HDFS。NameNode就是HDFS主服务器（master),它控制着从服务器（slave)的后台程序处理低级别的I/O任务,这些从服务器就是后面要提到的DataNode.NameNode是HDFS的守护者；负责跟踪文件是如何分割成小数据块的，这些小块分别都存储到了那个数据节点上，以及整个分布式文件系统的健康环境。NameNode的功能就是内存以及I/O的集中管理。因此，一般来说，NameNode所在的服务器不会存储任何用户信息或者运行计算，其目的就在与尽量不要让这些程序降低服务器的性能。也就是说NameNode服务器一般来说不能同时兼任DataNode或者TashTracker。由此引发一个问题，就是NameNode是Hadoop cluster中的一个单点，如果是其他服务器出现软硬件的问题，宕机了，Hadoop集群可以继续运转，或者也可以快速的重启。但是，一旦NameNode服务器down掉了，就没这么简单了。
  DataNode
  

      集群中的每一个从服务器都会运行一个DataNode后台程序。此后台程序负责读写HDFS数据块到本地的文件系统。当你想通过客户端在HDFS控制下的文件块中进行某个数据的读写操作的时候，NameNode将会告诉客户端到哪个DataNode进行此操作。客户端将直接与此DataNode服务器上的deamons程序进行通信，并操作相关的数据块。而且，DataNode之间可以相互复制数据块，作为冗余备份。

　　图2.1是NameNode和DataNodes之间的角色实例。在此图中，我们看到两个数据文件，一个是/user/chuck/data1另一个是/user/james/data2.data1占据了1，2，3这3个数据块。data2占据4和5这两个数据块。文件中的内容分布于多个DataNodes之间。在此实例中，每个数据块有3个冗余处理。比如，数据块1(存放data1）就在右边三个DataNodes上都有。这样可以确保，一旦一个Datanode崩溃了，客户端仍然可以从其他DataNodes获得数据。
　　   DataNode会不断的向NameNode汇报运行状态。从DataNode初始化开始，每一个DataNode要向NameNode汇报每个数据存储的数据内容。数据mapping完成后，DataNode会继续通知NameNode本地的数据变化，同时也会接收NameNode法国来的创建，移动，删除本地数据块等指令。
　　
  Secondary NameNode（在0.21.0中已经被其他节点所取代）
  　　Secondary NameNode (SNN) 是一个用来监控HDFS状态的辅助deamon。就像NameNode一样，每一个集群都有一个SNN，并且它实际上是属于一台单独的服务器。没有一个DataNode和TaskTracker运行在统一台服务器上。SNN不同于NameNode之处在于这个进程并不接收或者记录任何实时的数据变化。但是，它会与NameNode进行通信，以便间歇的保存HDSF元数据的快照。由于NameNode是单点的，所以通过SNN的快照功能，可以将NameNode的宕机时间和数据损失降低到最小。同时，如果NameNode发生问题，SNN可以及时的作为备用NameNode使用。我们将在第八章中的集群管理的最佳实践中介绍它。
  JobTracker
  　　JobTracker deamon用来链接你的应用程序与Hadoop。一旦你提交代码到集群之中，JobTracker 决定那个文件去被处理，并且为不同的task分配节点，并且监控所有运行的task。一旦某个task失败了，JobTracker就会自动重新开启这个task，也许这个task会在不同的节点上，具体运行情况取决于重启的预设值。每一个Hadoop集群只有一个JobTracker。它一般会作为集群的一个master节点。
  TaskTracker
  　　与存储进程相结合的，运算进程也遵循主从架构：如图2.2所示，JobTracker是主节点，统领左右MR任务（job），TaskTrackers在各自的从节点上管理每个独立的task。
　　      每个TaskTracker负责独立执行具体的task，而JobTracker负责分配task。虽然每个从节点上都有一个且唯一的一个TaskTracker，但是每个TaskTracker可以部署在多个JVMs之上，用于并行处理多个map以及reduce任务（task）。
　　      TaskTracker的一个重要职责就是与JobTracker交互。如果JobTracker无法准时的获取到TaskTracker提交的信息，JobTracker就会假定TaskTracker已经崩溃了，JobTracker就会将任务分配给其他节点处理。
　　      为了覆盖每一个Hadoop进程，我们在图2.3中描述了一个典型的Hadoop集群。这张图描述了一个主节点专门运行NameNode和JobTracker程序，以及一个单独的节点运行SNN。在小的集群中，SNN可以属于某个从节点上。而在大型集群中，NameNode和JobTracker会分别部署在两台服务器上。而在每个从服务器上，会部署一个DataNode和TaskTracker，以便与能这个从服务器上运行的数据处理程序直接处理本机的数据。
　　      我们会接下来要完整的安装一个hadoop集群。首先先建立一个主节点以便可以控制各个节点之间的通道（channel)。如果你不许要安装hadoop，或者已经安装好了一个hadoop环境，你可以跳过下面介绍安装SSH通道这一节。你当然也可以选择在单机或者伪集群上运行Hadoop，这对开发很重要。在2.3节中，将介绍配置如何配置单机或者伪集群的Hadoop.
  Setting up SSH for a Hadoop cluster
  

略

  Running Hadoop
  

现在我们看一下在运行Hadoop之前，我们需要配置那些东西

Hadoop的配置目录：

　　[hadoop-user@master]$ cd $HADOOP_HOME
　　[hadoop-user@master]$ ls -l conf/
　　total 100
　　-rw-rw-r-- 1 hadoop-user hadoop 2065 Dec 1 10:07 capacity-scheduler.xml
　　-rw-rw-r-- 1 hadoop-user hadoop 535 Dec 1 10:07 configuration.xsl
　　-rw-rw-r-- 1 hadoop-user hadoop 49456 Dec 1 10:07 hadoop-default.xml
　　-rw-rw-r-x 1 hadoop-user hadoop 2314 Dec 1 10:07 hadoop-env.sh
　　-rw-rw-r-- 1 hadoop-user hadoop 2234 Dec 1 10:07 hadoop-site.xml
　　-rw-rw-r-- 1 hadoop-user hadoop 2815 Dec 1 10:07 log4j.properties
　　-rw-rw-r-- 1 hadoop-user hadoop 28 Dec 1 10:07 masters
　　-rw-rw-r-- 1 hadoop-user hadoop 84 Dec 1 10:07 slaves
　　-rw-rw-r-- 1 hadoop-user hadoop 401 Dec 1 10:07 sslinfo.xml.example

首先，我们需要在环境变量中指定JAVA_HOME，此设置可以也可以在conf/hadoop-env.sh中配置。比如

export JAVA_HOME=/usr/share/jdk

在我的Ubuntu系统中，java的安装目录为：

export JAVA_HOME=/usr/lib/jvm/java-6-sun

当你再熟悉hadoop的具体配置后，你就可以按照你的需求修改这个配置文件了。比如修改日志地址和java class-path等等。主要的Hadoop都保存在xml配置文件中。在0.20版本以前，这些配置文件是 hadoop-default.xml 和 hadoop-site.xml。在hadoop-default.xml文件中保存这Hadoop的默认设置。而hadoop-site.xml是一些特殊的设置，如果两个文件中有相同的设置，hadoop-site.xml将会覆盖hadoop-default.xml中的配置。当然，在实际操作中，你可以只配置hadoop-site.xml文件。

在version0.20以后的版本，hadoop-site.xml文件被分为core-site.xml, hdfs-site.xml, 和 mapred-site.xml三个文件，后面的章节我们将讲解这几个文件是如何保存配置的。如果你使用早期版本的Hadoop，你需要将所有的配置都配置在hadoop-site.xml中。

下面的章节将提供一些不同操作类型的配置文件样例。

  Local (standalone) mode
  

单机模式是Hadoop的默认模式.直接从源码编译后未配置的安装方式,将运行于此种模式下.

三个配置文件都不用任何配置(0.20以前使用的是hadoop-site.xml):

  如果使用空配置文件,Hadoop将完整运行于本地服务器上.因为没有必要与其他节点相连,单机模式将不适用HDFS,或者其他任何Hadoop程序.它主要用来开发与debug Mapreduce程序的逻辑部分,而不会与Hadoop的其他程序相交互.第一章运行的程序就是在单机模式下运行的.