搭建Hadoop集群 (二)
前面的步骤请看 搭建Hadoop集群 (一)
安装Hadoop
解压安装
登录master, 下载解压hadoop 2.6.2压缩包到/home/hm/文件夹. (也可以从主机拖拽或者psftp压缩包到master)
[hm@master ~]$ tar -xzvf hadoop-2.6.2.tar.gz -C ~ [hm@master ~]$ mv hadoop-2.6.2 hadoop
[hm@master ~]$ cd hadoop/
修改环境变量
[hm@master hadoop]$ vi etc/hadoop/hadoop-env.sh
找到export JAVA_HOME=${JAVA_HOME}, 修改为绝对路径:
# The java implementation to use. export JAVA_HOME=/usr/lib/jvm/java-1.7.0-openjdk-1.7.0.95.x86_64
建议同时把etc/hadoop/yarn-env.sh和mapred-env.sh的JAVA_HOME也相应修改.
Optional - 修改$PATH
方便在任何路径下执行hadoop命令和Java命令
[hm@master hadoop]$ cd ~
[hm@master ~]$ vi .bash_profile
修改为:
# User specific environment and startup programs export HADOOP_PREFIX=/home/hm/hadoop export JAVA_HOME=/usr/lib/jvm/java-1.7.0-openjdk-1.7.0.95.x86_64 PATH=$PATH:$HOME/bin:$HADOOP_PREFIX/bin:$HADOOP_PREFIX/sbin:$JAVA_HOME/bin export PATH
使更改立即生效:
[hm@master ~]$ source .bash_profile
测试环境变量设置
[hm@master hadoop]$ bin/hadoop
可以看到hadoop命令的usage信息.
[hm@master ~]$ jps
可以看到jvm中的进程信息.
配置分布式Hadoop集群
修改配置文件
hadoop/etc/hadoop/core-site.xml
创建tmp目录, 用于放置hdfs产生的临时文件, 不配置的话, 默认位置是/tmp/hadoop-{username}/, 导致机器重启后每次都需要重新format NameNode.
[hm@master hadoop]$ mkdir tmp
<configuration> <property> <name>fs.defaultFS</name> <value>hdfs://master:9100</value> </property> <property> <name>hadoop.tmp.dir</name> <value>file:/home/hm/hadoop/tmp</value> </property> </configuration>
file: 代表在本地文件系统中, hdfs: 则代表在分布式文件系统中.
注意提前查看端口是否有被占用
[hm@master hadoop]$ netstat -nap | grep 9100
hadoop/etc/hadoop/hdfs-site.xml
创建hdfs文件系统目录:
[hm@master hadoop]$ mkdir dfs
修改配置文件
<configuration> <property> <name>dfs.namenode.name.dir</name> <value>file:/home/hm/hadoop/dfs/name</value> <description> </description> </property> <property> <name>dfs.datanode.data.dir</name> <value>file:/home/hm/hadoop/dfs/data</value> <description> </description> </property> <property> <name>dfs.replication</name> <value>2</value> </property> </configuration>
hadoop/etc/hadoop/mapred-site.xml
默认不存在, 需要从template复制或者改名
[hm@master hadoop]$ cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml
<configuration> <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> </configuration>
hadoop/etc/hadoop/yarn-site.xml
<configuration> <!-- Site specific YARN configuration properties --> <property> <description>The hostname of the RM.</description> <name>yarn.resourcemanager.hostname</name> <value>master</value> </property> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <property> <name>yarn.nodemanager.aux-services.mapreduce_shuffle.class</name> <value>org.apache.hadoop.mapred.ShuffleHandler</value> </property> </configuration>
添加master, slave节点的hostname, 或者ip
该文件主要被hadoop的某些脚本调用, 作用是从master一次性向多台slave发生命令. 因此前提是ssh免密码登录必须配置好.
[hm@master hadoop]$ vi etc/hadoop/slaves
修改为:
slave1
slave2
Optional - 实现机架感知 (rack-aware)
http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-common/RackAwareness.html
Logging
通过修改etc/hadoop/log4j.properties可以自定义hadoop daemons的log设置
更多配置
比如NodeManagers的状态监控等等, 都可以在yarn-site.xml中配置, 详细参见官方文档:
http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-common/ClusterSetup.html
将配置好的Hadoop安装包拷贝到Slaves
这样可以节省很多安装部署的时间, 但必须要保证slave和master拥有同样的文件目录结构, 用户和用户组的名字以及权限.
[hm@master hadoop]$ scp -r hadoop/ hm@slave1:~
[hm@master hadoop]$ scp -r hadoop/ hm@slave2:~
此外, 记得修改slave机器上的环境变量, e.g. .bash_profile文件, 内容和master保持一致.
启动HDFS
格式化分布式文件系统
[hm@master hadoop]$ bin/hdfs namenode -format
关闭防火墙
CentOS 6.7, 默认会有防火墙开启, DataNode发给NameNode的心跳信息会被挡在防火墙外.
需要去防火墙里设置master, slave对应的端口, 或者不考虑安全性的话, 直接关闭所有集群虚拟机的防火墙. 步骤:
1. 检查防火墙状态
[hm@master ~]$ sudo /etc/init.d/iptables status
2. 停止防火墙
[hm@master ~]$ sudo /etc/init.d/iptables stop
可以把防火墙设置为开机不自启
[hm@master hadoop]$ sudo chkconfig iptables off
[hm@master hadoop]$ chkconfig --list iptables
启动HDFS
[hm@master hadoop]$ sbin/start-dfs.sh
检查启动结果:
在master上, 输入jps, 可以看到NameNode和SecondaryNameNode两个daemon
[hm@master hadoop]$ jps
24440 Jps
24153 NameNode
24325 SecondaryNameNode
在slave1和slave2上, 输入jps, 可以看到DataNode的daemon
[hm@slave1 hadoop]$ jps
23852 DataNode
23927 Jps
检查集群状态
[hm@master hadoop]$ bin/hdfs dfsadmin -report
或者登录 http://master:50070 查看. Live DataNodes应该>0. 否则查看DataNode节点的log看具体原因.
启动YARN
[hm@master hadoop]$ sbin/start-yarn.sh
此时查看jps结果, 在master上可以看到多了ResourceManager的daemon
[hm@master hadoop]$ jps
24153 NameNode
24762 Jps
24506 ResourceManager
24325 SecondaryNameNode
在slave上则多了NodeManager的daemon
[hm@slave1 hadoop]$ jps
23852 DataNode
23971 NodeManager
24082 Jps
至此, 整个集群环境配置完成.
Web Interface
http://master:50070 NameNode信息, 应该可以看到slave1, slave2的信息.
http://master:8088 ResourceManager信息
注意: 如果虚拟机启用了proxy, 必须把master加入到proxy的Ignored Hosts里面, 否则上述URL无法访问.
运行MapReduce Job
这里以自带的wordcount为例.
准备工作
在hdfs里创建input文件夹: (/user/hm是hm用户在hdfs的默认home)
[hm@master hadoop]$ bin/hdfs dfs -mkdir -p /user/hm/input/wordcount
创建一个测试文件, 添加些内容, 并上传到hdfs里
[hm@master hadoop]$ vi tmp/helloworld
hello hadoop
hello master
hello slave
hello slave too
[hm@master hadoop]$ bin/hdfs dfs -put tmp/helloworld input/wordcount
查看内容是否成功上传到hdfs
[hm@master hadoop]$ bin/hdfs dfs -ls input/wordcount
或者想看看内容是否一致
[hm@master hadoop]$ bin/hdfs dfs -text input/wordcount/helloworld
重复上述步骤, 多上传几个文件.
运行wordcount程序
[hm@master hadoop]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.2.jar wordcount input/wordcount output/wordcount
查看运行输出结果:
[hm@master hadoop]$ bin/hdfs dfs -cat output/wordcount/* hadoop 1 hello 4 master 1 slave 2 too 1
停止YARN和HDFS
运行结束, 不再需要执行其他任务了, 就可以关闭守护进程:
[hm@master hadoop]$ sbin/stop-yarn.sh
[hm@master hadoop]$ sbin/stop-dfs.sh
如果希望下次重新格式化hdfs, 最好把相关的文件删除, 然后重启机器. 也建议删除不再需要的log文件释放虚拟机空间.
[hm@master hadoop]$ rm -rf dfs/ [hm@master hadoop]$ rm -rf tmp/* [hm@master hadoop]$ rm -rf logs/*
整个环境配置和java app运行都没有问题了. 接下来要进行debug, 参见 搭建Hadoop集群 (三)