Windows10+VMware Workstation Pro+Ubuntu 16.04+Hadoop-2.6.5+IDEA环境搭建（单机&伪分布式&集群）

（注：下面出现的"czifan"为用户名，需替换成自己的用户名）

本篇博客是在实践该篇博客的过程中的一些补充和修改~

0 - 安装VMware Workstation Pro

• 首先下载VM安装包（安装包链接）
• 根据提示安装VM即可

1 - 安装虚拟机（Ubuntu 16.04）

• 下载ubuntu镜像（推荐中科大镜像源）
• 打开VM，点击“主页”→“创建新的虚拟机“进行虚拟机创建即可
• 配置步骤不赘述，但有如下几个注意点：
  • 在硬件兼容性中必须选择”Workstation 6.5-7.x“ ！！！（不然的话后续启动虚拟机时候会报错）
  • 推荐”自定义（高级）“安装方式
  • 虚拟机配置使用默认即可（内存还是建议开大一点）
  • 一般安装的时候自带安装VM Tools，即可以在本机和虚拟机复制粘贴文件，但由于安装包文件比较大，负责粘贴容易卡死，推荐使用本机和虚拟机的共享文件夹，具体配置过程可见此教程
  • 如果出现“无法创建虚拟机，不具备执行此操作的权限”，请检查虚拟机保存文件夹路径是否规范（比如不能有空格等等）

2 - 配置SSH

更新apt包 

sudo apt-get update

安装ssh server

sudo apt-get install openssh-server

配置ssh

ssh localhost

如果出现如下报错

The authenticity of host 'localhost (127.0.0.1)' can't be established.
ECDSA key fingerprint is SHA256:gxlILe0dd3MNNVD5pXq/AdMcGj+MDA7y1o//BEghD+k.
Are you sure you want to continue connecting (yes/no)? 
Host key verification failed.

编辑/etc/ssh/ssh_config文件，加入下面两行保存重新运行"ssh localhost"即可

StrictHostKeyChecking no
UserKnownHostsFile /dev/null

配置无密码登陆，进行初次登陆之后，会自动在~目录下创建一个.ssh文件夹，进入该文件夹

cd ~/.ssh/

使用rsa算法生成密钥和公钥对，一路回车即可

ssh-keygen -t rsa

生成成功可看到保存的位置（默认保存路径~/.ssh/id_rsa）

Your identification has been saved in /home/czifan/.ssh/id_rsa.
Your public key has been saved in /home/czifan/.ssh/id_rsa.pub.

把公钥加入到授权中

cat ./id_rsa.pub >> ./authorized_keys

再次运行"ssh localhost"就无需密码了!

3 - 配置java环境

可先用如下命令查看是否以及安装java

java -version

如果已经有java环境请略过这一小节！

首先，在官网下载jdk安装包，这里选择的是Linux x64的tar.gz包（如果下载时需要Oracle账号，可用这个博客提供的），也可以在此博客提供的链接下载，以下用的是jdk-8u221-linux-x64.tar.gz。

创建一个目录来管理java环境

sudo mkdir -p /usr/local/java

将安装包放入该目录下，即/usr/local/java/jdk-8u221-linux-x64.tar.gz

进入该目录并解压安装包

cd /usr/local/java
sudo tar xvzf jdk-8u221-linux-x64.tar.gz

 解压成功之后便有路径/usr/local/java/jdk1.8.0_221/

接下来需要配置环境变量，在文件/etc/profile末尾添加如下内容

JAVA_HOME=/usr/local/java/jdk1.8.0_221
PATH=$PATH:$HOME/bin:$JAVA_HOME/bin
export JAVA_HOME
export PATH

告诉系统java jdk的位置

sudo update-alternatives --install "/usr/bin/java" "java" "/usr/local/java/jdk1.8.0_221/bin/java" 1  
sudo update-alternatives --install "/usr/bin/javac" "javac" "/usr/local/java/jdk1.8.0_221/bin/javac" 1  
sudo update-alternatives --install "/usr/bin/javaws" "javaws" "/usr/local/java/jdk1.8.0_221/bin/javaws" 1

将其设置为默认方式

sudo update-alternatives --set java  /usr/local/java/jdk1.8.0_221/bin/java 
sudo update-alternatives --set javac  /usr/local/java/jdk1.8.0_221/bin/javac 
sudo update-alternatives --set javaws  /usr/local/java/jdk1.8.0_221/bin/javaws

重新加载环境变量

source /etc/profile

 检验是否安装成功

java -version

[out]
java version "1.8.0_221"
Java(TM) SE Runtime Environment (build 1.8.0_221-b11)
Java HotSpot(TM) 64-Bit Server VM (build 25.221-b11, mixed mode)

4 - 配置hadoop环境

首先下载hadoop安装包，可以去网站下载，注意带src的是源码，需要编译，这里选择的是编译好的版本hadoop-2.6.5.tar.gz

将安装包解压到路径/usr/local

 

sudo tar -zxf hadoop-2.6.5.tar.gz -C /usr/local

 

重命名并修改权限

cd /usr/local
sudo mv ./hadoop-2.6.5/ ./hadoop
sudo chown -R czifan ./hadoop

将hadoop配置到环境变量里面，方面以后的运行

打开/etc/bash.bashrc，在末尾添加如下内容

export JAVA_HOME=/usr/local/java/jdk1.8.0_221
export JRE_HOME=${JAVA_HOME}/jre
export HADOOP_HOME=/usr/local/hadoop
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin:$PATH

执行下述命令重载环境变量配置

source /etc/bash.bashrc

执行如下命令进行验证

hadoop version

有如下提示表示安装成功，安装成功即是hadoop的单机模式

Hadoop 2.6.5
Subversion Unknown -r Unknown
Compiled by root on 2017-05-24T14:32Z
Compiled with protoc 2.5.0
From source with checksum f05c9fa095a395faa9db9f7ba5d754
This command was run using /usr/local/hadoop/share/hadoop/common/hadoop-common-2.6.5.jar

这里可以测试以下单机配置，执行如下命令（默认在/usr/local/hadoop路径下），可以看到hadoop内置的例子

cd /usr/local/hadoop
hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.5.jar

选取一个例子进行测试，执行如下命令

sudo mkdir ./input
sudo cp ./etc/hadoop/*.xml ./input
ls ./input
hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.5.jar grep ./input/ ./out 'dfs[a-z.]+'

查看输出

cat ./out/*


[out] 1   dfsadmin

这里需要注意，hadoop默认不会覆盖结果，如果再次运行将会报错，所以需要删除输出结果（输入也顺带删掉，避免混乱）

sudo rm -r ./out ./input

 

5 - 配置伪分布式

 hadoop的运行方式是由配置文件决定的，因此在搭建伪分布式的时候需要修改相应的配置文件。

首先编辑/usr/local/hadoop/etc/hadoop/core-site.xml文件，内容如下

<configuration>
        <property>
                <name>hadoop.tmp.dir</name>
                <value>/usr/local/hadoop/tmp</value>
                <description>Abase for other temporary directories.</description>
        </property>
        <property>
                <name>fs.defaultFS</name>
                <value>hdfs://localhost:9000</value>
        </property>
</configuration>

其中hdfs://localhost:9000指明了使用的文件系统

然后编辑/usr/local/hadoop/etc/hadoop/hdfs-site.xml文件，内容如下

<configuration>
        <property>
                <name>dfs.replication</name>
                <value>1</value>
        </property>
        <property>
                <name>dfs.namenode.name.dir</name>
                <value>/usr/local/hadoop/tmp/dfs/name</value>
        </property>
        <property>
                <name>dfs.datanode.data.dir</name>
                <value>/usr/local/hadoop/tmp/dfs/data</value>
        </property>
</configuration>

dfs.replication指备份的份数。这里指定了dfs.namenode.name.dir和dfs.datanode.data.dir的原因在于如果不指定，hadoop会使用临时目录/tmp/hadoop-hadoop，而这个目录在重启时有可能会被系统清理掉，从而导致需要重新执行下面要介绍的格式化（format），而会产生一系列的不方便。

配置文件编辑好之后，进行namenode的格式化

hdfs namenode -format

注意到，在每一次格式化时会为namenode生成一个新的namespaceID，如果多次对namenode进行format，hadoop.tmp.dir目录下的namespaceID并不会更新，会因为namespaceID不一致而影像后续配置，因此在第2-n次对namenode进行format之前，需要先删除/usr/local/hadoop/tmp/dfs目录下的data！！！

开启namenode和datanode的守护进程

start-dfs.sh

注意，如果开启的时候报错"localhost: Error: JAVA_HOME is not set and could not be found."，则在/usr/local/hadoop/etc/hadoop/hadoop-env.sh文件中添加如下内容然后重新执行start-dfs.sh启动即可

# Set Hadoop-specific environment variables here.

# The only required environment variable is JAVA_HOME.  All others are
# optional.  When running a distributed configuration it is best to
# set JAVA_HOME in this file, so that it is correctly defined on
# remote nodes.

# The java implementation to use.
export JAVA_HOME=/usr/local/java/jdk1.8.0_221

验证

jps

[out]
7973 SecondaryNameNode
7783 DataNode
7676 NameNode
8078 Jps

同时出现上面是个即成功

• 如果没有出现SecondaryNameNode，运行stop-dfs.sh关闭进程之后再运行start-dfs.sh重新启动，再用jps测试
• 如果没有DataNode，可能是虚拟机出现了“假死”情况，重启虚拟机，开启start-dfs.sh后再用jps进行测试；同时这种情况也可能是上述的多次格式化没有删除data文件夹的缘故

用例子测试伪分布式。伪分布式和单机的区别在于，需要采用hdfs文件管理系统管理文件。

首先在hdfs中创建用户目录

hdfs dfs -mkdir -p /user/hadoop

创建输入文件夹

hdfs dfs -mkdir /user/hadoop/input

将hadoop自带的例子的input相关文件复制到输入文件夹

hdfs dfs -put /usr/local/hadoop/etc/hadoop/*.xml /user/hadoop/input
hdfs dfs -ls /user/hadoop/input

运行例子进行运算

hadoop jar /usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.5.jar grep /user/hadoop/input output 'dfs[a-z]+'

查看结果

hdfs dfs -cat output/*

[out] 1   dfsadmin

输出和单机配置时候一样！

6 - 搭建集群

伪分布式是在一个机器中模拟多个节点，而实际过程中往往需要多台机器来构成分布式计算系统，这一小节需要在之前伪分布的基础上采用两台虚拟机搭建集群，分别是主节点Master和从节点Slave1。

为了方便，可以直接利用VM的克隆功能将上面伪分布式的虚拟机进行克隆，途径是“右键已存在虚拟机→管理→克隆”。

将上述虚拟机克隆出两个虚拟机，一个命名为Master，另一个命名为Slave1。

同时配置Master和Slave1。

（注：下述[M]表示在Master中的操作，[S]表示在Slave1中的操作，---->表示修改的意思）

修改/etc/hostname内容重命名虚拟机名称：

[M] localhost ----> Master

[S] localhost ----> Slave1

修改/etc/hosts内容：

[M] 127.0.0.1   localhost ----> 127.0.0.1   Master
[M] 添加一行： Slave1的ip地址   Slave1

[S] 127.0.0.1   localhost ----> 127.0.0.1   Slave1
[S] 添加一行： Master的ip地址   Master

（ip地址可以通过ifconfig命令查看）

 配置ssh使得Master和Slave1之间可以无密码登陆。

注意到，如果采用伪分布式的虚拟机，我们修改了ssh_config的配置，现在需要多机器之间交互，需要把配置修改回去，打开/etc/ssh/ssh_config文件，如果存在下述两行，将其删掉（Master和Slave1都需要此操作）：

StrictHostKeyChecking no
UserKnownHostsFile /dev/null

 配置ssh：

[M] cd ~/.ssh
[M] ssh-keygen -t rsa
[M] cat ./id_rsa.pub >> ./authorized_keys
[M] ssh-copy-id -i ~/.ssh/id_rsa.pub czifan@Slave1

[S] cd ~/.ssh
[S] ssh-keygen -t rsa
[S] cat ./id_rsa.pub >> ./authorized_keys
[S] ssh-copy-id -i ~/.ssh/id_rsa.pub czifan@Master

 若上述过程出现询问"(yes/no)"，键入"yes"回车即可。

完成ssh配置之后，Master和Slave1之间应该可以ping通！可以用ping检验一下。

而后需要修改下Master和Slave1的hadoop配置文件。

Master和Slave1都修改/usr/local/hadoop/etc/hadoop/slaves，将原来的localhost删除，添加两行，分别是Master和Slave1：

localhost
---->
Master
Slave1

Master和Slave1都修改/usr/local/hadoop/etc/hadoop/core-site.xml如下：

<configuration>
        <property>
                <name>fs.defaultFS</name>
                <value>hdfs://Master:9000</value>
        </property>
        <property>
                <name>hadoop.tmp.dir</name>
                <value>file:/usr/local/hadoop/tmp</value>
                <description>Abase for other temporary directories.</description>
        </property>
</configuration>

Master和Slave1都修改/usr/local/hadoop/etc/hadoop/hdfs-site.xml如下：

 

<configuration>
        <property>
                <name>dfs.namenode.secondary.http-address</name>
                <value>Master:50090</value>
        </property>
        <property>
                <name>dfs.replication</name>
                <value>2</value>
        </property>
　　　　 <property>
　　　　　　　　　　<name>dfs.namenode.name.dir</name>
　　　　　　　　　　<value>file:/usr/local/hadoop/tmp/dfs/name</value>
　　　　 </property>
　　　　 <property>
　　　　　　　　　　<name>dfs.datanode.data.dir</name>
　　　　　　　　　　<value>file:/usr/local/hadoop/tmp/dfs/data</value>
　　　　 </property>
</configuration>

Master和Slave1都先复制一个mapred-site.xml.template为mapred-site.xml如下：

cp /usr/local/hadoop/etc/hadoop/mapred-site.xml.template /usr/local/hadoop/etc/hadoop/mapred-site.xml

再对其进行修改，如下：

<configuration>
        <property>
                <name>mapreduce.framework.name</name>
                <value>yarn</value>
        </property>
        <property>
                <name>mapreduce.jobhistory.address</name>
                <value>Master:10020</value>
        </property>
        <property>
                <name>mapreduce.jobhistory.webapp.address</name>
                <value>Master:19888</value>
        </property>
</configuration>

Master和Slave1都修改/usr/local/hadoop/etc/hadoop/yarn-site.xml如下：

<configuration>
        <property>
                <name>yarn.resourcemanager.hostname</name>
                <value>Master</value>
        </property>
        <property>
                <name>yarn.nodemanager.aux-services</name>
                <value>mapreduce_shuffle</value>
        </property>
</configuration>

然后在Master和Slave1上都执行下述指令来修改权限：

sudo chown -R czifan:czifan /usr/local/hadoop/

然后需要在Master节点下完成对NameNode的初始化，注意到，我们在搭建伪分布式的时候提到第2-N次format的时候需要先删除/usr/local/hadoop/tmp/dfs下的data文件夹。由于我们是克隆伪分布式虚拟机的结果，因此需要在Master和Slave1上都运行如下命令：

sudo rm -r /usr/local/hadoop/tmp/dfs/data

而后对Master上的NameNode进行初始化，如下：

[M] hdfs namenode -format

启动hadoop，在Master上执行如下命令：

start-dfs.sh
start-yarn.sh
mr-jobhistory-daemon.sh start historyserver

输入jps命令验证，如果有如下输出，则集群搭配成功！

 

[M] jps
输出：
DataNode
ResourceManager
JobHistoryServer
Jps
SecondaryNameNode
NameNode
NodeManager

[S] jps
输出
DataNode
Jps
NodeManager

7 - 搭建IDEA开发环境

hadoop需要将编写的程序打包成jar包。这里选用的开发环境为IDEA+gradle，IDEA从官网下载安装即可。何为gradle？可看此文章，简单说就是一个统一方便的编译工具。注意，老版本的IDEA可能需要自己安装gradle，新版本的都已经集成好了无需额外安装。

使用IDEA创建gradle项目

修改build.gradle文件中的repositories如下，换成国内源在导包的时候可以快很多！

repositories {
    maven {
        url 'http://maven.aliyun.com/nexus/content/groups/public/'
    }
}

在build.gradle文件中修改dependencies如下，导入hadoop需要的包

dependencies {
    testCompile group: 'junit', name: 'junit', version: '4.12'
    compile group: 'org.apache.hadoop', name: 'hadoop-mapreduce-client-core', version: '2.6.5'
    compile group: 'org.apache.hadoop', name: 'hadoop-common', version: '2.6.5'
    compile group: 'org.apache.hadoop', name: 'hadoop-client', version: '2.6.5'
}

在build.gradle文件中添加如下内容，为后续自动打包配置（其中的XXX请替换成对应的工程名和类名）

jar {
    baseName 'XXX'
    String appMainClass = 'XXXX'
    manifest {
        attributes 'Main-Class': appMainClass
    }
}

在代码写好之后，从IDEA右侧的Gradle菜单中找到路径“YourProjectName/Tasks/build”中的jar，运行即可自动打包，打包结果存储在项目的build文件夹中。

8 - 参考资料

https://blog.csdn.net/weixin_42001089/article/details/81865101

https://blog.csdn.net/sinat_41464121/article/details/82895297

mirrors.ustc.edu.cn/ubuntu-releases/16.04/

https://www.oracle.com/technetwork/java/javase/downloads/java-archive-downloads-javase7-521261.html

https://www.cnblogs.com/xiaostudy/p/9940167.html

https://baijiahao.baidu.com/s?id=1621983882899369902&wfr=spider&for=pc

https://blog.csdn.net/beishanyingluo/article/details/97675724

http://archive.apache.org/dist/hadoop/common/

https://www.jetbrains.com/idea/

https://www.jianshu.com/p/2d887a9b69fb