Hadoop单机/伪分布式配置安装教程
Hadoop单机/伪分布式配置安装教程
链接：https://pan.baidu.com/s/1dKK0HSRO__FImlVEX-rhGg
提取码：k20h
--来自百度网盘超级会员V6的分享
目录
1、环境
| 名称 | 物理IP | 说明 | 版本 | 操作系统 |
|---|---|---|---|---|
| hadoop | 192.168.200.33 | 单机/伪分布式 | 3.1.3 | ubuntu20.04 |
2、创建hadoop用户
#创建hadoop用户
root@hadoop:~# useradd -m hadoop -s /bin/bash
#设置hadoop密码
root@hadoop:~# passwd hadoop
#为新建的hadoop增加管理员权限
root@hadoop:~# adduser hadoop sudo
3、安装SSH、配置SSH无密码登陆
集群、单节点模式都需要用到 SSH 登陆（类似于远程登陆，你可以登录某台 Linux 主机，并且在上面运行命令），Ubuntu 默认已安装了 SSH client，此外还需要安装 SSH server：
#安装openssh-server
root@hadoop:~# sudo apt-get -y install openssh-server
#生成密匙
hadoop@hadoop:~$ ssh-keygen -t rsa
#加入授权
hadoop@hadoop:~$ cd .ssh/
hadoop@hadoop:~/.ssh$ cat id_rsa.pub > authorized_keys
4、安装Java环境
#创建JDK存放目录
hadoop@hadoop:~$ sudo mkdir -p /usr/lib/jvm
#把JDK文件解压到/usr/lib/jvm目录下
hadoop@hadoop:~$ sudo tar xf jdk-8u162-linux-x64.tar.gz -C /usr/lib/jvm/
#添加环境变量
hadoop@hadoop:~$ vim ~/.bashrc
hadoop@hadoop:~$ tail -4 ~/.bashrc
export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH
#使环境变量立即生效
hadoop@hadoop:~$ source ~/.bashrc
#检查java是否安装成功
hadoop@hadoop:~$ java -version
java version "1.8.0_162"
Java(TM) SE Runtime Environment (build 1.8.0_162-b12)
Java HotSpot(TM) 64-Bit Server VM (build 25.162-b12, mixed mode)
5、安装Hadoop3.1.3
#安装hadoop
hadoop@hadoop:~$ sudo tar xf hadoop-3.1.3.tar.gz -C /usr/local/
hadoop@hadoop:~$ cd /usr/local/
hadoop@hadoop:/usr/local$ sudo mv hadoop-3.1.3 hadoop
hadoop@hadoop:/usr/local$ sudo chown -R hadoop:hadoop hadoop
#验证Hadoop是否可用
hadoop@hadoop:/usr/local$ cd hadoop/
hadoop@hadoop:/usr/local/hadoop$ ./bin/hadoop version
Hadoop 3.1.3
Source code repository https://gitbox.apache.org/repos/asf/hadoop.git -r ba631c436b806728f8ec2f54ab1e289526c90579
Compiled by ztang on 2019-09-12T02:47Z
Compiled with protoc 2.5.0
From source with checksum ec785077c385118ac91aadde5ec9799
This command was run using /usr/local/hadoop/share/hadoop/common/hadoop-common-3.1.3.jar
6、Hadoop单机配置(非分布式)
Hadoop 默认模式为非分布式模式（本地模式），无需进行其他配置即可运行。非分布式即单 Java 进程，方便进行调试。
现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。
在此我们选择运行 grep 例子，我们将 input 文件夹中的所有文件作为输入，筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数，最后输出结果到 output 文件夹中。
hadoop@hadoop:/usr/local/hadoop$ mkdir input
hadoop@hadoop:/usr/local/hadoop$ cp ./etc/hadoop/*.xml ./input/
hadoop@hadoop:/usr/local/hadoop$ ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar grep ./input ./output 'dfs[a-z.]+'
.....
BAD_ID=0
CONNECTION=0
IO_ERROR=0
WRONG_LENGTH=0
WRONG_MAP=0
WRONG_REDUCE=0
File Input Format Counters
Bytes Read=123
File Output Format Counters
Bytes Written=23
#程序执行成功的信息
#程序执行的结果
hadoop@hadoop:/usr/local/hadoop$ cat output/*
1 dfsadmin
注意:Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。
7、Hadoop伪分布式配置
Hadoop 可以在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行，节点既作为 NameNode 也作为 DataNode，同时，读取的是 HDFS 中的文件。
Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中，伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml 。Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。
#修改配置文件 core-site.xml
hadoop@hadoop:/usr/local/hadoop$ nano ./etc/hadoop/core-site.xml
hadoop@hadoop:/usr/local/hadoop$ cat ./etc/hadoop/core-site.xml
......
<configuration>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/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>
#修改配置文件 hdfs-site.xml
hadoop@hadoop:/usr/local/hadoop$ nano ./etc/hadoop/hdfs-site.xml
hadoop@hadoop:/usr/local/hadoop$ cat ./etc/hadoop/hdfs-site.xml
......
<configuration>
<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>
Hadoop配置文件说明
- Hadoop 的运行方式是由配置文件决定的（运行 Hadoop 时会读取配置文件），因此如果需要从伪分布式模式切换回非分布式模式，需要删除 core-site.xml 中的配置项。
- 此外，伪分布式虽然只需要配置 fs.defaultFS 和 dfs.replication 就可以运行（官方教程如此），不过若没有配置 hadoop.tmp.dir 参数，则默认使用的临时目录为 /tmp/hadoo-hadoop，而这个目录在重启时有可能被系统清理掉，导致必须重新执行 format 才行。所以我们进行了设置，同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir，否则在接下来的步骤中可能会出错。
#配置完成后，执行 NameNode 的格式化:
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs namenode -format
WARNING: /usr/local/hadoop/logs does not exist. Creating.
2022-04-13 15:15:01,042 INFO namenode.NameNode: STARTUP_MSG:
/************************************************************
STARTUP_MSG: Starting NameNode
STARTUP_MSG: host = hadoop/192.168.200.33
STARTUP_MSG: args = [-format]
STARTUP_MSG: version = 3.1.3
......
2022-04-13 15:15:16,140 INFO common.Storage: Storage directory /usr/local/hadoop/tmp/dfs/name has been successfully formatted.
2022-04-13 15:15:16,175 INFO namenode.FSImageFormatProtobuf: Saving image file /usr/local/hadoop/tmp/dfs/name/current/fsimage.ckpt_0000000000000000000 using no compression
2022-04-13 15:15:16,257 INFO namenode.FSImageFormatProtobuf: Image file /usr/local/hadoop/tmp/dfs/name/current/fsimage.ckpt_0000000000000000000 of size 393 bytes saved in 0 seconds .
2022-04-13 15:15:16,278 INFO namenode.NNStorageRetentionManager: Going to retain 1 images with txid >= 0
2022-04-13 15:15:16,289 INFO namenode.FSImage: FSImageSaver clean checkpoint: txid = 0 when meet shutdown.
2022-04-13 15:15:16,289 INFO namenode.NameNode: SHUTDOWN_MSG:
/************************************************************
SHUTDOWN_MSG: Shutting down NameNode at hadoop/192.168.200.33
************************************************************/
#成功的话，会看到 “successfully formatted” 的提示
#配置hadoop JAVA环境变量
hadoop@hadoop:/usr/local/hadoop$ vim ./etc/hadoop/hadoop-env.sh
hadoop@hadoop:/usr/local/hadoop$ sed -n "54p" ./etc/hadoop/hadoop-env.sh
export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162
#开启 NameNode 和 DataNode 守护进程
hadoop@hadoop:/usr/local/hadoop$ ./sbin/start-dfs.sh
Starting namenodes on [localhost]
Starting datanodes
Starting secondary namenodes [hadoop]
#验证是否启动成功（如果没有 NameNode 或 DataNode ，那就是配置不成功）
hadoop@hadoop:/usr/local/hadoop$ jps
4416 Jps
4176 DataNode
4327 SecondaryNameNode
4057 NameNode
- /usr/local/hadoop/sbin/start-dfs.sh # 启动
- /usr/local/hadoop/sbin/stop-dfs.sh # 关闭
- jps # 查看状态
成功启动后，可以访问 Web 界面 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。
8、运行Hadoop伪分布式实例
上面的单机模式，grep 例子读取的是本地数据，伪分布式读取的则是 HDFS 上的数据。要使用 HDFS，首先需要在 HDFS 中创建用户目录：
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -mkdir -p /user/hadoop
接着将 ./etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中，即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是 /user/hadoop/input:
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -mkdir input
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -put ./etc/hadoop/*.xml input
复制完成后，可以通过如下命令查看文件列表：
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -ls input
伪分布式运行 MapReduce 作业的方式跟单机模式相同，区别在于伪分布式读取的是HDFS中的文件（可以将单机步骤中创建的本地 input 文件夹，输出结果 output 文件夹都删掉来验证这一点）。
hadoop@hadoop:/usr/local/hadoop$ ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar grep input output 'dfs[a-z.]+'
......
BAD_ID=0
CONNECTION=0
IO_ERROR=0
WRONG_LENGTH=0
WRONG_MAP=0
WRONG_REDUCE=0
File Input Format Counters
Bytes Read=219
File Output Format Counters
Bytes Written=77
#注意到刚才我们已经更改了配置文件，所以运行结果不同
查看运行结果的命令（查看的是位于 HDFS 中的输出结果）：
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -cat output/*
我们也可以将运行结果取回到本地：
#先删除本地的 output 文件夹（如果存在）
hadoop@hadoop:/usr/local/hadoop$ rm -rf ./output
#将 HDFS 上的 output 文件夹拷贝到本机
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -get output ./output
#查看
hadoop@hadoop:/usr/local/hadoop$ cat ./output/*
1 dfsadmin
1 dfs.replication
1 dfs.namenode.name.dir
1 dfs.datanode.data.dir
Hadoop 运行程序时，输出目录不能存在，否则会提示错误 “org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists” ，因此若要再次执行，需要执行如下命令删除 output 文件夹:
./bin/hdfs dfs -rm -r output # 删除 output 文件夹
运行程序时，输出目录不能存在
运行 Hadoop 程序时，为了防止覆盖结果，程序指定的输出目录（如 output）不能存在，否则会提示错误，因此运行前需要先删除输出目录。在实际开发应用程序时，可考虑在程序中加上如下代码，能在每次运行时自动删除输出目录，避免繁琐的命令行操作：
Configuration conf = new Configuration();
Job job = new Job(conf);
/* 删除输出目录 */
Path outputPath = new Path(args[1]);
outputPath.getFileSystem(conf).delete(outputPath, true);
