Hadoop配置文件汇总

（一）基本集群配置

共8个配置文件

• hadoop-env.sh
• yarn-env.sh
• mapred-env.sh
• core-site.xml
• hdfs-site.xml
• yarn-site.xml
• mapred-site.xml
• slaves
• ssh免密登录

修改JAVA_HOME为绝对路径

• hadoop-env.sh
• yarn-env.sh
• mapred-env.sh

core-site.xml

（NameNode地址，Hadoop运行产生文件存储地址）

core-cite.xml  # 设置后本地模式不可用，因为namenode地址修改为Hdfs了，默认是file:///

<!-- 指定HDFS 中NameNode 的地址-->
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost102:9000</value>
</property>
 
<!-- 指定Hadoop 运行时产生文件的存储目录-->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/module/hadoop-2.7.2/data/tmp</value>
</property>

hdfs-site.xml

（SecondaryNameNode地址，副本数）

 <!-- 指定HDFS 副本的数量-->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
 
<!-- 指定Hadoop 辅助名称节点主机配置-->
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>localhost104:50090</value>
</property>

yarn-site.xml

（ResourceManager地址，Reducer获取数据方式，历史服务器的日志聚集）

 <!-- Reducer 获取数据的方式-->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
 
<!-- 指定YARN 的ResourceManager 的地址-->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>localhost103</value>
</property>
 
<!-- 日志聚集功能使能-->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
 
<!-- 日志保留时间设置7 天-->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
 

mapred-site.xml

（JobHistory Server配置，MR运行在Yarn上）

<!-- 指定MR 运行在YARN 上-->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
 
<!-- 历史服务器端地址-->
<property>
<name>mapreduce.jobhistory.address</name>
<value>localhost103:10020</value>
</property>
 
<!-- 历史服务器web 端地址-->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>localhost103:19888</value>
</property>

配置slaves

• 配置etc/hadoop/slaves，文件中是所有DataNode节点主机，注意：该文件中添加的内容结尾不允许有空格，不允许有空行。

配置SSH免密登录（为了群起集群，使用系统自带的脚本）

• 用法：ssh 主机IP
• 原理：主机1生成私钥和公钥，公钥发送给主机2，主机1发送主机2的信息用公钥解密，主机2发送给主机1的信息用私钥解密，主机1就可以在本机上登录主机2与其进行通信

  • 生成公钥和私钥：cd，cd .ssh/，ssh-keygen -t rsa，三次回车生成私钥id_rsa和公钥id_rsa.pub
  • 拷贝公钥到目标主机上：ssh-copy-id localhost102，103，104，自己主机也要拷贝，NameNode要和每一个主机通信

• 102（运行NameNode）、102root（很多操作需要root用户完成）、103（运行ResourceManager）都需要设置ssh免密登录
• xsync etc/hadoop 分发脚本，其他脚本

#!/bin/bash
#1 获取输入参数个数，如果没有参数，直接退出
pcount=$#
if((pcount==0)); then
echo no args;
exit;
fi
 
#2 获取文件名称
p1=$1
fname=`basename $p1`
echo fname=$fname
 
#3 获取上级目录到绝对路径
pdir=`cd -P $(dirname $p1); pwd`
echo pdir=$pdir
 
#4 获取当前用户名称
user=`whoami`
 
#5 循环
for((host=103; host<105; host++)); do
echo ------------------- localhost$host --------------
rsync -rvl $pdir/$fname $user@localhost$host:$pdir
done

（二）项目经验配置

HDFS 存储多目录

## 配置hdfs-site.xml 注意新挂载磁盘的访问权限问题
<property>
    <name>dfs.datanode.data.dir</name>
    <value>file:///${hadoop.tmp.dir}/dfs/data1,file:///hd2/dfs/
data2,file:///hd3/dfs/data3,file:///hd4/dfs/data4</value>
</property>
 
## 开启数据均衡命令 参数10表示各个磁盘利用率相差不超过10%
bin/start-balancer.sh –threshold 10
 
## 停止数据均衡命令
bin/stop-balancer.sh

支持LZO 压缩配置

hadoop 本身并不支持lzo 压缩，故需要使用twitter提供的hadoop-lzo开源组件进行编译，使用编译后的hadoop-lzo.jar

## 将编译后的jar拷贝到hadoop-2.7.2/share/hadoop/common/目录
 
## 配置core-site.xml支持lzo压缩
<property>
    <name>io.compression.codecs</name>
    <value>org.apache.hadoop.io.compress.GzipCodec,
    org.apache.hadoop.io.compress.DefaultCodec,
    org.apache.hadoop.io.compress.BZip2Codec,
    org.apache.hadoop.io.compress.SnappyCodec,
    com.hadoop.compression.lzo.LzoCodec,
    com.hadoop.compression.lzo.LzopCodec
    </value>
</property>
<property>
    <name>io.compression.codec.lzo.class</name>
    <value>com.hadoop.compression.lzo.LzoCodec</value>
</property>
 
## 注意分发jar包和配置文件 生效需要重启集群
 
## lzo创建索引 lzo可切片特性依赖于索引文件 故需要手动创建索引
hadoop jar /path/to/your/hadoop-lzo.jar com.hadoop.compression.lzo.DistributedLzoIndexer /path/to/file.lzo
 

HDFS基准测试

• HDFS读写性能测试：10个文件，每个128M

## hdfs写性能测试
hadoop jar /opt/module/hadoop-2.7.2/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-2.7.2-tests.jar TestDFSIO -write -nrFiles 10 -fileSize 128MB
 
## hdfs读性能测试
hadoop jar /opt/module/hadoop-2.7.2/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-2.7.2-tests.jar TestDFSIO -read -nrFiles 10 -fileSize 128MB
 
## 删除测试数据
hadoop jar /opt/module/hadoop-2.7.2/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-2.7.2-tests.jar TestDFSIO -clean

• 使用Sort 程序评测MapReduce，每个节点10个Map，每个Map大约1G数据

## 使用RandomWriter来产生随机数，每个节点运行10 个Map任务，每个Map产生大约1G 大小的二进制随机数
hadoop jar /opt/module/hadoop-2.7.2/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar randomwriter random-data
 
## 执行sort程序
hadoop jar /opt/module/hadoop-2.7.2/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar sort random-data sorted-data
 
## 验证数据是否真正排好序了
hadoop jar /opt/module/hadoop-2.7.2/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-2.7.2-tests.jar testmapredsort -sortInput random-data -sortOutput sorted-data

Hadoop参数调优

• HDFS参数调优
• NameNode工作线程池，用来处理不同DataNode并发心跳及客户端并发元操作。对于大集群或者有大量客户端的集群来说，需要增大默认值10为 20 * logN，N为集群大小

## hdfs-site.xml
dfs.namenode.handler.count

• YARN参数调优
• 数据统计主要用HiveSQL，没有数据倾斜，小文件已经做了合并处理，开启的JVM 重用，而且IO 没有阻塞，内存用了不到50%。但是还是跑的非常慢，而且数据量洪峰过来时，整个集群都会宕掉。
  • 内存利用率不够，一般是Yarn 的2个配置造成的，可以根据Map任务和Reduce任务调整

## yarn-site.xml
yarn.nodemanager.resource.memory-mb  # 单节点yarn可使用的物理内存 默认8G
yarn.scheduler.maximum-allocation-mb  # 单个任务可申请的物理内存 默认8G

• Hadoop宕机
  • MR造成宕机：控制Yarn同时运行的任务数和每个任务申请的最大内存
  • 写入文件过量造成NameNode宕机：调高kafka存储大小，控制kafka写入速度，高峰时使用kafka进行缓存