Hadoop的shell脚本分析

woyoudn

　　前记：
　　这些天一直学习hadoop,学习中也遇到了许多的问题，主要是对hadoop的shell脚本和hadoop的源码概念不够清楚，所以我就对hadoop的bin目录下的shell脚本进行了研究，有一些成果想记录下来，也希望大家前来批评指正。
　　分析原因：
　　很多hadoop的初学者对hadoop的脚本不是很清楚，不知道为什么可以在命令行中启动hadoop,也不知道为什么有时在命令行中运行hadoop命令时会出现java的错误。等等这些问题，究其原因我认为是大家对shell脚本不太了解。我曾学过一些shell编程的知识，可是对hadoop的shell程序细节还不是全部了解，我想从宏观上分析一下hadoop脚本的运行流程。
　　脚本分析：
　　start-all.sh：
　　Java代码
　　1. # Start all hadoop daemons.  Run this on master node.
　　2.
　　3. bin=`dirname "$0"`
　　4. bin=`cd "$bin"; pwd`
　　5.
　　6. . "$bin"/hadoop-config.sh
　　7.
　　8. # start dfs daemons
　　9. "$bin"/start-dfs.sh --config $HADOOP_CONF_DIR
　　10.
　　11.# start mapred daemons
　　12."$bin"/start-mapred.sh --config $HADOOP_CONF_DIR
　　分析：
　　正如注释的一样，这个脚本是在master上运行的，即我们运行namenode和jobtracker的主机。它首先启动了hadoop-config.sh脚本，查看hadoop-config.sh，我们可以知道它的作用是对一些变量进行赋值，这些变量有HADOOP_HOME（hadoop的安装目录），HADOOP_CONF_DIR（hadoop的配置文件目录），HADOOP_SLAVES（--hosts指定的文件的地址），为了让大家更好地理解，下面贴出hadoop-config.sh的部分代码
　　Java代码
　　1. #check to see it is specified whether to use the slaves or the
　　2. # masters file
　　3. if [ $# -gt 1 ]
　　4. then
　　5.     if [ "--hosts" = "$1" ]
　　6.     then
　　7.         shift
　　8.         slavesfile=$1
　　9.         shift
　　10.        export HADOOP_SLAVES="${HADOOP_CONF_DIR}/$slavesfile"
　　11.    fi
　　前面的注释意思是：判断是使用slaves文件，还是master文件，这里为什么要判断呢？那我们带着疑问接着分析下去吧。然后start-all.sh根据hadoop/conf目录下的配置信息启动了start-dfs.sh和start-mapred.sh两个脚本，下面我们去看看这两个脚本又做了些什么吧。
　　start-dfs.sh:
　　Java代码
　　1. # Start hadoop dfs daemons.
　　2. # Optinally upgrade or rollback dfs state.
　　3. # Run this on master node.
　　4.
　　5. usage="Usage: start-dfs.sh [-upgrade|-rollback]"
　　6.
　　7. bin=`dirname "$0"`
　　8. bin=`cd "$bin"; pwd`
　　9.
　　10.. "$bin"/hadoop-config.sh
　　11.
　　12.# get arguments
　　13.if [ $# -ge 1 ]; then
　　14.    nameStartOpt=$1
　　15.    shift
　　16.    case $nameStartOpt in
　　17.      (-upgrade)
　　18.        ;;
　　19.      (-rollback)
　　20.        dataStartOpt=$nameStartOpt
　　21.        ;;
　　22.      (*)
　　23.          echo $usage
　　24.          exit 1
　　25.        ;;
　　26.    esac
　　27.fi
　　28.
　　29.# start dfs daemons
　　30.# start namenode after datanodes, to minimize time namenode is up w/o data
　　31.# note: datanodes will log connection errors until namenode starts
　　32."$bin"/hadoop-daemon.sh --config $HADOOP_CONF_DIR start namenode $nameStartOpt
　　33."$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR start datanode $dataStartOpt
　　34."$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR --hosts masters start secondarynamenode
　　分析：
　　根据前面的注释信息，我们发现这个脚本用于启动集群的DFS，我们知道DFS由namenode,datanode,secondarynamenode组成，所以在脚本的最后它又启动了3个进程，分别根据配置文件启动了namenode,datanode,secondarynamenode。其实这个时候你应该已经知道start-mapred.sh干了什么事了。
　　start-mapred.sh：
　　Java代码
　　1. # Start hadoop map reduce daemons.  Run this on master node.
　　2.
　　3. bin=`dirname "$0"`
　　4. bin=`cd "$bin"; pwd`
　　5.
　　6. . "$bin"/hadoop-config.sh
　　7.
　　8. # start mapred daemons
　　9. # start jobtracker first to minimize connection errors at startup
　　10."$bin"/hadoop-daemon.sh --config $HADOOP_CONF_DIR start jobtracker
　　11."$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR start tasktracker
　　分析：
　　正如你所想，它的作用用于启动mapreduce，所以它的最后同样根据配置文件启动了jobtracker和tasktracker，呵呵，现在发现其实脚本干的事没有想象的那么难了吧。如果你对shell代码看得仔细一点，你会发现hadoop-daemon.sh脚本用于启动namenode和jobtracker,而hadoop-daemons.sh脚本用于启动datanode,secondarynamenode和tasktracker。也就是说hadoop-daemon.sh用于启动master上的进程，而hadoop-daemons.sh用于启动slaves和secondarynamenode主机上的进程（这里考虑的是slaves,secondarynamenode和master配置在了不同主机上的情况）。如果我们分析一下它们俩的代码，你会发现其实它们是有联系的。
　　hadoop-daemons.sh:
　　Java代码
　　1. # Run a Hadoop command on all slave hosts.
　　2.
　　3. usage="Usage: hadoop-daemons.sh [--config confdir] [--hosts hostlistfile] [start|stop] command args..."
　　4.
　　5. # if no args specified, show usage
　　6. if [ $# -le 1 ]; then
　　7.   echo $usage
　　8.   exit 1
　　9. fi
　　10.
　　11.bin=`dirname "$0"`
　　12.bin=`cd "$bin"; pwd`
　　13.
　　14.. $bin/hadoop-config.sh
　　15.
　　16.exec "$bin/slaves.sh" --config $HADOOP_CONF_DIR cd "$HADOOP_HOME" \; "$bin/hadoop-daemon.sh" --config $HADOOP_CONF_DIR "$@"
　　分析：
　　看到程序倒数第二行开头的那个exec关键字了吗？它执行了slaves.sh和hadoop-daemon.sh两个脚本，并且把hadoop-daemons.sh命令的参数也传入了hadoop-daemon.sh。呵呵，现在你知道这两个脚本的关系了吧，其实hadoop-daemons.sh中调用了hadoop-daemon.sh，但在调用之前它先执行了slaves.sh脚本，现在你想看看slaves.sh干了啥吗？呵呵，我们也来分析一下吧。
　　slaves.sh:
　　Java代码
　　1. if [ "$HOSTLIST" = "" ]; then
　　2.   if [ "$HADOOP_SLAVES" = "" ]; then
　　3.     export HOSTLIST="${HADOOP_CONF_DIR}/slaves"
　　4.   else
　　5.     export HOSTLIST="${HADOOP_SLAVES}"
　　6.   fi
　　7. fi
　　8.
　　9. for slave in `cat "$HOSTLIST"|sed  "s/#.*$//;/^$/d"`; do
　　10. ssh $HADOOP_SSH_OPTS $slave $"${@// /\\ }" \
　　11.   2>&1 | sed "s/^/$slave: /" &
　　12. if [ "$HADOOP_SLAVE_SLEEP" != "" ]; then
　　13.   sleep $HADOOP_SLAVE_SLEEP
　　14. fi
　　15.done
　　分析：
　　由于篇幅问题，以上只贴出了slaves.sh的关键代码，对于启动slaves来说，代码中的HOSTLIST变量是slaves配置文件的地址。再往后看，你会看到非常醒目的一个关键字：ssh,其实这个时候你应该明白了，slave.sh脚本的作用就是通过ssh远程登录到每个在slaves中配置的主机上。所以hadoop-daemons.sh的功能就是先远程登录slaves，在slaves上运行hadoop-daemon.sh脚本。如果你思考的再多一点，那又是怎么启动secondarynamenode的呢？难道也是先远程登录到slaves中配置的主机上吗？答案一定是否定的。而是先远程登录到master中配置的主机上，然后再启动hadoop-daemon.sh脚本，如果你仔细一点，可以看到start-dfs.sh脚本的最后一行命令是启动secondarynamenode,命令传入了“--hosts master”这就指定了按照master中配置的主机来启动secondarynamenode。Hadoop-config.sh负责对“--hosts master”进行解析。
　　下面你是不是对hadoop-daemon.sh脚本又产生了兴趣了呢？那我们一起来分析吧。
　　hadoop-daemon.sh:
　　Java代码
　　1. usage="Usage: hadoop-daemon.sh [--config ] [--hosts hostlistfile] (start|stop)  "
　　2.
　　3.
　　4. case $startStop in
　　5.
　　6.   (start)
　　7.
　　8.     mkdir -p "$HADOOP_PID_DIR"
　　9.
　　10.    if [ -f $pid ]; then
　　11.      if kill -0 `cat $pid` > /dev/null 2>&1; then
　　12.        echo $command running as process `cat $pid`.  Stop it first.
　　13.        exit 1
　　14.      fi
　　15.    fi
　　16.
　　17.    if [ "$HADOOP_MASTER" != "" ]; then
　　18.      echo rsync from $HADOOP_MASTER
　　19.      rsync -a -e ssh --delete --exclude=.svn --exclude='logs/*' --exclude='contrib/hod/logs/*' $HADOOP_MASTER/ "$HADOOP_HOME"
　　20.    fi
　　21.
　　22.    hadoop_rotate_log $log
　　23.    echo starting $command, logging to $log
　　24.    cd "$HADOOP_HOME"
　　25.    nohup nice -n $HADOOP_NICENESS "$HADOOP_HOME"/bin/hadoop --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &
　　26.    echo $! > $pid
　　27.    sleep 1; head "$log"
　　28.    ;;
　　29.
　　30.  (stop)
　　31.
　　32.    if [ -f $pid ]; then
　　33.      if kill -0 `cat $pid` > /dev/null 2>&1; then
　　34.        echo stopping $command
　　35.        kill `cat $pid`
　　36.      else
　　37.        echo no $command to stop
　　38.      fi
　　39.    else
　　40.      echo no $command to stop
　　41.    fi
　　42.    ;;
　　43.
　　44.  (*)
　　45.    echo $usage
　　46.    exit 1
　　47.    ;;
　　48.
　　49.esac
　　分析：
　　以上是hadoop-daemon.sh的关键代码，用于判断执行该脚本时是启动（start）一个进程，还是停止(stop)一个进程。执行该脚本的方式可以查看代码上方的usage变量值(注：[]括起来的表示可有可无，|表示或者，括起来表示参数)。这里的参数可以是start或者stop。后面的参数你知道可以是哪些吗？呵呵，其实可以是namenode,jobtracker,secondarynamenode,datanode,tasktracker,如果你在master上自己用hadoop-daemon.sh启动datanode和tasktracker就会有问题，因为hadoop-daemon.sh没有远程登录到slaves主机上哦。执行的结果会在master上启动一个datanode或tasktracker进程，而不是按照slaves配置文件在每个slave上启动datanode和tasktracker哦。
　　分析了以上这些脚本之后，我想还有一些脚本，比如说：start-balancer.sh,start-jobhistoryserver.sh就不需要分析了吧。不过看了这些脚本之后，我们发现脚本都是一个执行另一个脚本，到最后都是执行了hadoop-daemon.sh。以启动（start）为例，那hadoop-daemon.sh脚本又是怎么来启动那么多的进程的呢？我们又要回到hadoop-daemon.sh的代码了，之前我们看到hadoop-daemon.sh的一段关键代码是用于判断“启动”还是“停止”进程的，在shell中停止一个进程很方便，用kill命令就可以了，但是该脚本是怎么启动进程的呢？我们继续分析脚本中(start)后面的代码，如果你仔细一点，可以发现其实有这样一段代码：
　　Java代码
　　1. "$HADOOP_HOME"/bin/hadoop --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &
　　分析：
　　现在你明白我想要说明什么问题了吗，呵呵，其实hadoop-daemon.sh启动进程也是执行了其它的脚本，它就是hadoop/bin/hadoop。其实说到这里hadoop脚本的秘密就快浮出水面了。你还记得博客开头我们提出的问题吗？为什么有时在命令行执行hadoop命令时会出现java的错误信息呢，秘密就在这个hadoop/bin/hadoop脚本里。下面我们来看一下hadoop的核心脚本吧
　　hadoop:
　　Java代码
　　1. 片段一：
　　2. cygwin=false
　　3. case "`uname`" in
　　4. CYGWIN*) cygwin=true;;
　　5. esac
　　6.
　　7. 片段二：
　　8. # for developers, add Hadoop classes to CLASSPATH
　　9. if [ -d "$HADOOP_HOME/build/classes" ]; then
　　10.  CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/classes
　　11.fi
　　12.if [ -d "$HADOOP_HOME/build/webapps" ]; then
　　13.  CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build
　　14.fi
　　15.if [ -d "$HADOOP_HOME/build/test/classes" ]; then
　　16.  CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/test/classes
　　17.fi
　　18.if [ -d "$HADOOP_HOME/build/tools" ]; then
　　19.  CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/tools
　　20.fi
　　21.
　　22.
　　23.片段三：
　　24.
　　25.elif [ "$COMMAND" = "namenode" ] ; then
　　26.  CLASS='org.apache.hadoop.hdfs.server.namenode.NameNode'
　　27.  HADOOP_OPTS="$HADOOP_OPTS $HADOOP_NAMENODE_OPTS"
　　28.elif [ "$COMMAND" = "secondarynamenode" ] ; then
　　29.  CLASS='org.apache.hadoop.hdfs.server.namenode.SecondaryNameNode'
　　30.  HADOOP_OPTS="$HADOOP_OPTS $HADOOP_SECONDARYNAMENODE_OPTS"
　　31.elif [ "$COMMAND" = "datanode" ] ; then
　　32.  CLASS='org.apache.hadoop.hdfs.server.datanode.DataNode'
　　33.
　　34.片段四：
　　35. exec "$JAVA" -Dproc_$COMMAND $JAVA_HEAP_MAX $HADOOP_OPTS -classpath "$CLASSPATH" $CLASS "$@"
　　分析：
　　由于篇幅原因，我只贴出了hadoop脚本具有代表价值的四段代码。下面我们一个个来分析吧
　　片段一：
　　我们知道在window操作系统上可以通过安装cygwin软件来模拟linux系统环境，这段代码就是用于判断我们的hadoop命令是运行在linux环境上，还是模拟的linux环境上，因为两种情况下文件的路径不相同，hadoop脚本为了区分这两种情况，做出了判断。
　　片段二：
　　这些操作是将一些目录的路径自动地加到环境变量（CLASSPATH）中。
　　片段三：
　　其实这个片段才是精华，它根据COMMAND的值给CLASS指定一个对应的java类，
　　片段四：
　　呵呵，根据CLASS的值，脚本执行了该java类哦，如果你看了hadoop的源码，你会发现，这些类里都有main方法。