在华为云、腾讯云服务器中部署 Hadoop 集群
环境
Ubuntu18.04 LTS,也可以使用 Ubuntu20.04、Ubuntu16.04。
Hadoop 2.7.7,也适用于其他 Hadoop 2.x.y 版本。
本教程使用两个节点作为集群环境:华为云服务器作为 Master 节点;腾讯云服务器作为 Slave 节点。
本文转载自厦大数据库实验室的 Hadoop 集群安装配置教程:Hadoop集群安装配置教程_Hadoop2.6.0_Ubuntu/CentOS_厦大数据库实验室博客 (xmu.edu.cn)。只是对其中的配置文件稍作修改,对于在云服务器部署Hadoop集群,这些修改时必要的。
准备工作
Hadoop 集群的安装配置大致为如下流程:
- 选定一台机器作为 Master
- 在 Master 和其他 Slave 节点上配置 hadoop 用户、安装 SSH server、安装 Java 环境
- 在 Master 节点上安装 Hadoop,并完成配置
- 将 Master 节点上的 /usr/local/hadoop 目录复制到其他 Slave 节点上
- 在 Master 节点上开启 Hadoop
用到的工具:Xshell 6、WinSCP。我使用 Xshell 6 来远程连接服务器,并使用 WinSCP 来上传对应的软件包到服务器。
PS:第一步 到 第四步 在 Master 和 Slave 节点上操作,而 第五步 在Master 上操作。
第一步 创建 hadoop 用户
sudo useradd -m hadoop -s /bin/bash
sudo passwd hadoop
sudo adduser hadoop sudo
第二步 更新 apt
sudo apt-get update
sudo apt-get install vim
第三步 安装 SSH
sudo apt-get install openssh-server
第四步 安装 Java 环境
先去 JDK8官网下载安装包https://www.oracle.com/java/technologies/javase/javase-jdk8-downloads.html,这里使用的版本是 jdk1.8.0_291。
sudo mkdir /usr/lib/jvm #创建 /usr/lib/jvm 目录用来存放JDK文件
# 然后把 JDK安装包 jdk-8u291-linux-x64.tar.gz 用 WinSCP 上传到 /home/hadoop 目录下,用 hadoop 用户来登录 WinSCP
sudo tar -zxvf /home/hadoop/jdk-8u291-linux-x64.tar.gz -C /usr/lib/jvm #把 JDK文件包解压到 /usr/lib/jvm 目录下
vim ~/.bashrc
export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_291
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH
source ~/.bashrc
java -version
第五步 安装 Hadoop 2.7.7
将 hadoop-2.7.7.tar.gz 文件下载到 home/hadoop。下载链接Index of /dist/hadoop/core (apache.org)
sudo tar -zxf /home/hadoop/hadoop-2.7.7.tar.gz -C /usr/local # 解压到 /usr/local 中
sudo mv /usr/local/hadoop-2.7.7/ /usr/local/hadoop # 将文件夹名改为 hadoop
sudo chown -R hadoop /usr/local/hadoop # 修改文件权限
检查 Hadoop 是否可用
/usr/local/hadoop/bin/hadoop version
分布式配置
第一步 网络配置
-
节点IP:
主节点master: 公网IP为:124.71.176.248 私网IP为:192.168.0.176 从节点slave1: 公网IP为:121.5.159.249 私网IP为:10.0.4.16
-
master的主机名为:Master slave1的主机名为:Slave1
如何修改主机名:
sudo hostnamectl set-hostname Master
-
配置 hosts,将 2 台服务器的 hosts 配置为:
sudo vim /etc/hosts
124.71.176.248 Master 192.168.0.176 Master0 121.5.159.249 Slave1 10.0.4.16 Slave01
修改后需要重启Linux系统。
-
在各个节点上都执行如下命令。
ping Master -c 3 ping Slave1 -c 3
第二步 SSH 无密码登录节点
必须要让Master节点可以SSH无密码登录到各个Slave节点上。首先,生成Master节点的公钥。
ssh localhost
exit
cd ~/.ssh # 如果没有该目录,先执行一次ssh localhost
rm ./id_rsa* # 删除之前生成的公钥(如果已经存在)
ssh-keygen -t rsa # 执行该命令后,遇到提示信息,一直按回车就可以
为了让Master节点能够无密码SSH登录本机,需要在Master节点上执行如下命令:
cat ./id_rsa.pub >> ./authorized_keys
完成后可以执行命令“ssh Master”来验证一下,可能会遇到提示信息,只要输入 yes 即可,测试成功后,请执行“exit”命令返回原来的终端。
ssh Master
exit
接下来,在Master节点将上公钥传输到Slave1节点:
scp ~/.ssh/id_rsa.pub hadoop@Slave1:/home/hadoop/
上面的命令中,scp是secure copy的简写,用于在 Linux下进行远程拷贝文件。
接着在Slave1节点上,将SSH公钥加入授权:
mkdir ~/.ssh # 如果不存在该文件夹需先创建,若已存在,则忽略本命令
cat ~/id_rsa.pub >> ~/.ssh/authorized_keys
rm ~/id_rsa.pub # 用完以后就可以删掉
如果有其他Slave节点,也要执行将Master公匙传输到Slave节点以及在Slave节点上加入授权这两步操作。
这样,在Master节点上就可以无密码SSH登录到各个Slave节点了,可在Master节点上执行如下命令进行检验:
ssh Slave1
exit
第三步 配置 PATH 变量
vim ~/.bashrc
然后,在该文件最下面的位置加入下面一行内容:
export PATH=$PATH:/usr/local/hadoop/bin:/usr/local/hadoop/sbin
source ~/.bashrc
第四步 配置集群/分布式环境
在配置集群/分布式模式时,需要修改“/usr/local/hadoop/etc/hadoop”目录下的配置文件,这里仅设置正常启动所必须的设置项,包括slaves 、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml共5个文件,更多设置项可查看官方说明。
(1) 修改文件 slaves
需要把所有 DataNode 的主机名写入该文件,每行一个,默认为 localhost(即把本机作为 DataNode ),所以,在伪分布式配置时,就采用了这种默认的配置,使得节点既作为 NameNode 也作为 DataNode 。在进行分布式配置时,可以保留localhost,让Master节点同时充当 NameNode 和 DataNode ,或者也可以删掉localhost这行,让Master节点仅作为名称节点使用。
本教程让Master节点仅作为 NameNode 使用,因此将slaves文件中原来的localhost删除,只添加如下内容:
Slave1
(2) 修改文件 core-site.xml
把core-site.xml文件修改为如下内容:
<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>
(3) 修改文件 hdfs-site.xml
对于Hadoop的分布式文件系统HDFS而言,一般都是采用冗余存储,冗余因子通常为3,也就是说,一份数据保存三份副本。但是,本教程只有一个Slave节点作为数据节点,即集群中只有一个数据节点,数据能保存一份,所以 ,dfs.replication的值还是设置为 1。hdfs-site.xml具体内容如下:
<configuration>
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>Master:50090</value>
</property>
<property>
<name>dfs.replication</name>
<value>1</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>
(4) 修改文件 mapred-site.xml
“/usr/local/hadoop/etc/hadoop”目录下有一个mapred-site.xml.template,需要修改文件名称,把它重命名为mapred-site.xml,然后,把mapred-site.xml文件配置成如下内容:
<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>
(5) 修改文件 yarn-site.xml
把yarn-site.xml文件配置成如下内容:
<configuration>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>Master</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
上述5个文件全部配置完成以后,需要把Master节点上的“/usr/local/hadoop”文件夹复制到各个节点上。需要首先在Master节点上执行如下命令:
cd /usr/local
sudo rm -r ./hadoop/tmp # 删除 Hadoop 临时文件
sudo rm -r ./hadoop/logs/* # 删除日志文件
tar -zcf ~/hadoop.master.tar.gz ./hadoop # 先压缩再复制
cd ~
scp ./hadoop.master.tar.gz Slave1:/home/hadoop
然后在Slave1节点上执行如下命令:
sudo rm -r /usr/local/hadoop # 删掉旧的(如果存在)
sudo tar -zxf ~/hadoop.master.tar.gz -C /usr/local
sudo chown -R hadoop /usr/local/hadoop
同样,如果有其他Slave节点,也要执行将hadoop.master.tar.gz传输到Slave节点以及在Slave节点解压文件的操作。
先别急着启动Hadoop集群,因为配置文件的IP的问题,需要到各个节点上修改一下配置文件。
首先是在Master上,作以下修改:
【修改文件core-site.xml】
注意这里是 Master0 而不是 Master,用私网IP而不是用公网IP。如果用 Master 会导致无法找到目的主机的错误,下面的配置文件也要作类似的修改。也就是说在本机服务器上配置的时候需要本机IP时填的是本机的私网IP,填其他服务器IP时填的是公网IP。
把core-site.xml文件中的 Master 改为 Master0:
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://Master0:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/usr/local/hadoop/tmp</value>
<description>Abase for other temporary directories.</description>
</property>
</configuration>
【修改文件hdfs-site.xml】
把 Master 修改为 Master0 :
<configuration>
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>Master0:50090</value>
</property>
<property>
<name>dfs.replication</name>
<value>1</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>
【修改文件mapred-site.xml】
同样把 Master 修改为 Master0:
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<property>
<name>mapreduce.jobhistory.address</name>
<value>Master0:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>Master0:19888</value>
</property>
</configuration>
【修改文件 yarn-site.xml】
也是把 Master 修改为 Master0:
<configuration>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>Master0</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
其次是在Slave1上,作以下修改:
【修改slaves文件】
Slave01
至此,修改完毕。
首次启动Hadoop集群时,需要先在Master节点执行名称节点的格式化(只需要执行这一次,后面再启动Hadoop时,不要再次格式化名称节点),命令如下:
hdfs namenode -format
现在就可以启动Hadoop了,启动需要在Master节点上进行,执行如下命令:
start-dfs.sh
start-yarn.sh
mr-jobhistory-daemon.sh start historyserver
通过命令jps可以查看各个节点所启动的进程。如果已经正确启动,则在Master节点上可以看到NameNode、ResourceManager、SecondrryNameNode和JobHistoryServer进程,如下图所示。
在Slave节点可以看到DataNode和NodeManager进程,如下图所示。
缺少任一进程都表示出错。另外还需要在Master节点上通过命令“hdfs dfsadmin -report”查看数据节点是否正常启动,如果屏幕信息中的“Live datanodes”不为 0 ,则说明集群启动成功。由于本教程有2个Slave节点充当数据节点,因此,数据节点启动成功以后,会显示如下图所示信息。
hdfs dfsadmin -report
先去把服务器的需要的端口打开,本人是把全部端口打开了。我只是为了做实验,请勿模仿我,我在全端口打开的情况下,次日便遭受了挖矿病毒。
也可以在浏览器中输入地址“http://master:50070/” (master换成公网IP),通过 Web 页面看到查看名称节点和数据节点的状态。如果不成功,可以通过启动日志排查原因。
这里再次强调,伪分布式模式和分布式模式切换时需要注意以下事项:
(a)从分布式切换到伪分布式时,不要忘记修改slaves配置文件;
(b)在两者之间切换时,若遇到无法正常启动的情况,可以删除所涉及节点的临时文件夹,这样虽然之前的数据会被删掉,但能保证集群正确启动。所以,如果集群以前能启动,但后来启动不了,特别是数据节点无法启动,不妨试着删除所有节点(包括Slave节点)上的“/usr/local/hadoop/tmp”文件夹,再重新执行一次hdfs namenode -format
,再次启动即可。
第五步 执行分布式实例
执行分布式实例过程与伪分布式模式一样,首先创建HDFS上的用户目录,命令如下:
hdfs dfs -mkdir -p /user/hadoop
然后,在HDFS中创建一个input目录,并把“/usr/local/hadoop/etc/hadoop”目录中的配置文件作为输入文件复制到input目录中,命令如下:
hdfs dfs -mkdir input
hdfs dfs -put /usr/local/hadoop/etc/hadoop/*.xml input
接着就可以运行 MapReduce 作业了,命令如下:
hadoop jar /usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'
运行时的输出信息与伪分布式类似,会显示MapReduce作业的进度,如下图所示。
执行过程可能会有点慢,但是,如果迟迟没有进度,比如5分钟都没看到进度变化,那么不妨重启Hadoop再次测试。若重启还不行,则很有可能是内存不足引起,建议增大虚拟机的内存,或者通过更改YARN的内存配置来解决。
在执行过程中,可以打开浏览器,在地址栏输入“http://master:8088/cluster” (master换成公网IP),通过Web界面查看任务进度,在Web界面点击 “Tracking UI” 这一列的History连接,可以看到任务的运行信息,如下图所示。
执行完毕后的输出结果如下图所示。
最后,关闭Hadoop集群,需要在Master节点执行如下命令:
stop-yarn.sh
stop-dfs.sh
mr-jobhistory-daemon.sh stop historyserver
Hadoop 3.1.3 的配置教程 请看Hadoop3.1.3安装教程_单机/伪分布式配置_Hadoop3.1.3/Ubuntu18.04(16.04)_厦大数据库实验室博客 (xmu.edu.cn)
本文转载自厦大数据库实验室的 Hadoop 集群安装配置教程:Hadoop集群安装配置教程_Hadoop2.6.0_Ubuntu/CentOS_厦大数据库实验室博客 (xmu.edu.cn)。