Hadoop从伪分布式到真正的分布式

对这两天学习hadoop的一个总结，概念就不提了。直接说部署的事，关于如何部署hadoop网上的资料很多, 比较经典的还是Tim在IBM developworks上的系列文章

http://www.ibm.com/developerworks/cn/linux/l-hadoop-2/index.html

可能是大牛在写文章的时候把一些常识性的东西给省略了。使我这样的菜鸟在照猫画虎的时候费了不少周章，下面慢慢说吧。首先是真实分布式系统的架构：

主从模式的架构是比较常见的。如果要做水平扩展，通过添加从节点就可以实现计算能力与存储能力扩容。但要实现这样的部署模式还需要做几件事：

以下所有的命令和配置都是在Ubuntu上操作的，不同的Linux系统或许有些许的区别

1. 创建单机的hadoop模板，参考：http://www.ibm.com/developerworks/cn/linux/l-hadoop-1/index.html。这里唯一需要注意的是一些坑，如创建用户与组，设置临时目录等。这些大牛的文章里都没写，但还是要配置的。以下是坑列表：

搭建一个伪分布式的hadoop环境，遇到的第一个问题是JAVA_HOME没设置。Hadoop是用Java开发的，所以对Java的环境依赖比较严重。所以需要先配置一下Java。

Oracle JDK和Open JDK都可以。唯一需要注意的是Oracle JDK已经不被Ubuntu的官方repository支持了，安装麻烦些。Open JDK直接执行： sudo apt-get install openjdk-6-jdk

安装完后，要设置JAVA_HOME的环境变量：
sudo gedit /etc/environment
然后添加
CLASSPATH=./:/usr/lib/jvm/java-6-openjdk/lib
JAVA_HOME=/usr/lib/jvm/java-6-openjdk
PATH添加:/usr/lib/jvm/java-6-openjdk
或者
修改hadoop-env.sh文件，添加export JAVA_HOME=/usr/lib/jvm/java-6-openjdk-amd64/

遇到的第二个问题是hadoop运行权限的问题，hadoop默认的namenode服务是不允许以root用户运行的，所以必须新建一个用户来运行。命令：
sudo addgroup hadoopgroup
sudo adduser --ingroup hadoop hadoop
sudo chmod +w /etc/sudoers
sudo vim /etc/sudoers
添加配置：
在root ALL=(ALL) ALL后 hadoop ALL=(ALL) ALL使hadoop用户具有root权限
再运行格式化命令：hadoop-0.20 namenode -format时，又遇到了“Create directory”的错误，
问题是cache目录的权限不对，那么就修改一下权限sudo chown hadoop:hadoopgroup cache

运行 hadoop-0.20 namenode -format，输出成功信息。

接下来运行hadoop-0.20 fs -ls /遇到了第三个问题连接The authenticity of host can't be 
established 这个问题是因为ssh的设置导致的，通过修改/etc/ssh/ssh_config，在文件尾添加：
StrictHostKeyChecking no
UserKnownHostsFile /dev/null

今天遇到了第四个坑，就是重启机器后启动hadoop服务失败。尝试着去重新格式化namenode，也失败。错误信息如下：

Format aborted in /home/hadoop/dfs/name

后来查看了一下网上的解决方案，原来是如果要重新格式化namenode必须先将原来的namenode文件夹删除先。我的路径是/usr/lib/hadoop-0.20/cache/hadoop/。然后，再重新格式化，重新启动服务就可以了。还有就是用户权限的问题，最好的办法就是将所有与hadoop相关的文件夹权限都设置成hadoop用户所有。

第五个坑是wordcount程序哪里找。网上和文章里都没找到大牛的jar文件。经过一番搜索，原来hadoop自带了一个，那就是在hadoop的安装目录下有一个hadoop-examples.jar文件。这个就可以用来统计word。

2. 配置hosts文件，这里就看出了系统的不同之处了。Tim的文章里写的是这样

master 192.168.108.133
slave1 192.168.108.134
slave2 192.168.108.135
但是在Ubuntu里应该是这样：

192.168.108.133   master 
192.168.108.134   slave1 
192.168.108.135   slave2 

3. 配置无密码登陆从master节点到slave节点，做法是先在master节点上生成空密码的key，然后拷贝到slave节点上。
ssh-keygen -t rsa 然后一路回车
cat ~/.ssh/id_rsa.pub >> authorized_keys
拷贝authorized_keys文件到slave机器的~/.ssh/文件夹下。这里要注意的是master节点和slave节点都必须是 同名用户操作，这个用户也是hadoop的服务用户。
然后在slave机器上就该文件权限： chmod 644 ~/.ssh/authorized_keys，否则也是不工作的。如果你发现ssh的认证比较慢，请修改/etc/ssh/ssh_config文件，将GSSAPIAuthentication yes改为no。

4. 修改hadoop的配置文件，这个就不详写的，大牛的文章里也都有。唯一需要注意的是，创建自己的临时目录，并更新到core-site.xml文件中。
<property>
     <name>hadoop.tmp.dir</name>
     <value>/app/hadoop/tmp</value>

</property>

注意，这里的/app/hadoop/tmp目录必须改成hadoop用户的权限。

5. 按照大牛文章里面的步骤，格式namenode，启动hadoop服务。这里要注意的是这些步骤都是在master节点上操作的，因为hadoop是通过可信ssh方式让master与slave沟通的。这也是为什么要配置无密码登陆的目的。如果一切顺利，恭喜你的第一个分布式大数据计算框架已经搭建成功。
注意：
你可能会跟我一样犯二的时候，不小心把core-site.xml里面的"fs.default.name"写错了。那么你就会得到"Invalid URI for NameNode address"的异常信息。

最后要说的是，上面的架构图是hadoop 1.0的。2.0现在已经把job tracker给干掉了，由于性能和单点失效的原因，已经换了架构。不过对于初学者来说，1.0就已经够了。