Hadoop 0.21.0 集群配置小记

wyyy721

　　经过两个晚上的努力，完成了一个三台机器的hadoop集群的配置，两台linux+一台windows7的组合，比较怪异，但毕竟是出于学习的目的，所以就尝试了不同的平台。何况hadoop本身就具有跨平台的特性。下面介绍一下整个配置的过程一些关键的地方和一些问题的解决：



使用版本：0.21.0
　　
主要参考资料：
　　[1]http://hadoop.apache.org/common/docs/r0.21.0/cn/cluster_setup.html这部分中文的内容有点旧，没有针对0.20+版本进行更新
[2]http://www.ibm.com/developerworks/cn/opensource/os-cn-hadoop1/index.html
[3]http://www.ibm.com/developerworks/cn/opensource/os-cn-hadoop2/index.html
[4]http://www.ibm.com/developerworks/cn/opensource/os-cn-hadoop3/index.html



集群组成：
　　HDFS是Hadoop应用用到的一个最主要的分布式存储系统。一个HDFS集群主要由一个NameNode和很多个Datanode组成：Namenode管理文件系统的元数据，而Datanode存储了实际的数据。从任务角度，集群又由jobTracker和taskTracker组成，其中jobTracker负责调度，而taskTracker负责具体的任务的处理；jobTracker和namenode可以分别配置于不同的机器上，也可以位中同一台机器，而taskTracker和datanode最好在同一台机器上。在我这里，由于环境的限制，jobTracker和namenode一同配置在作为master的192.168.1.67上，而另外两台，66和55分为作为slave，配置datanode+tasknode。其中66为ubuntu10.10 server,而55为win7 旗舰版。



关于配置方面
　　先说明下关于windows下使用hadoop的配置，因为其相对比较特殊

• 需要安装cygwin，具体安装方法请参考资料[2]，在安装cygwin时，注意要添加openssh组件，为了方便起见，最好安装一些文本编辑器，如vim,或者nano。在安装完成cygwin之后，要配置好ssh server，参见http://www.360doc.com/content/11/0319/14/3804236_102576048.shtml.注意 ，如果是win7，那么由于权限问题，需要我们建立一个用户来运行sshd服务，在cygwin中的命令行里都会有相应提示，大家注意看，按着做就成。 在建立该用户的时候，要注意的是，用户名和密码要和另外两台服务器的用户名密码相同，这样才方便集群管理。
  
• 
  如果启动hadoop出现java.lang.NoClassDefFoundError:org/apache/hadoop/util/PlatformName错误，则要修改${HADOOP_HOME}/bin/hadoop-config.sh文件中的第190行的一下的内容
  JAVA_PLATFORM=`CLASSPATH=${CLASSPATH} ${JAVA} -Xmx32m ${HADOOP_JAVA_PLATFORM_OPTS} org.apache.hadoop.util.PlatformName | sed -e "s/ /_/g"`
  
  
   为
  JAVA_PLATFORM=`CLASSPATH=${CLASSPATH} ${JAVA} -Xmx32m -classpath ${HADOOP_COMMON_HOME}/hadoop-common-0.21.0.jar org.apache.hadoop.util.PlatformName | sed -e "s/ /_/g"`
  
  
   参见http://www.blogjava.net/snoics/archive/2011/03/10/333408.html
  

　　其它一些注意事项：
 
　　在0.21版本中，${HADOOP_HOME}/conf/下的配置文件中，不再有hadoop-site.xml，由core-site.xml,hdfs-site.xml,mapred-site.xml取而代之，

• 在core-site中，配置fs.default.name属性，即NameNode的URI，值为hdfs://主机名:商品/
  
• 在hdfs-site.xml中，
  

•  
  
  
  • 配置dfs.data.dir，即DataNode存放块数据的本地文件系统路径，值可以是以逗号分割的路径列表
    
  • 配置dfs.name.dir，即NameNode持久存储名字空间及事务日志的本地文件系统路径。
    
  
  
  

例如

<configuration>
<property>
<name>dfs.data.dir</name>
<value>/data/hadoop-jobs/data</value>
</property>
<property>
<name>dfs.name.dir</name>
<value>/data/hadoop-jobs/name</value>
</property>
<property>
<name>dfs.replication</name>
<value>1</value>
<!-- set to 1 to reduce warnings when
running on a single node -->
</property>
</configuration>

• 在mapred-site.xml中，配置mapred.job.tracker即JobTracker的主机（或者IP）和端口。
  

以上提到的JobTracker，NameNode的端口可以自行设定。


另外在${HADOOP_HOME}/conf/slaves中，输入作为datanode的机器的IP及端口，一行一个；在同一文件夹下的masters中，输入namenode的ip及端口；

完成这些配置以后，需要在每一台机器的hosts文件中，添加每台机器的主机名称和IP，保证相互之间可以成功访问。


最后


在分配的NameNode上，运行下面的命令启动HDFS：
$ bin/start-dfs.sh

bin/start-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动DataNode守护进程。

在分配的JobTracker上，运行下面的命令启动Map/Reduce：
$ bin/start-mapred.sh

bin/start-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动TaskTracker守护进程。

根据控制台的输出，可以判断系统启动是否成功。启动完成之后，访问http://{namenode-IP}:50070,可以进入集群的web控制台,查看系统情况。

具体的任务运行，请参看参考资料[4]