Hadoop学习笔记-Hadoop HDFS环境搭建

HDFS初入环境搭建过程日志

资源下载

1、JDK下载： 下载链接
2、hadoop： 下载链接
3、下载完成后验证一下下载，将计算的MD5值与官网的进行对比已验证安装包的准确性：

md5sum ./hadoop-2.6.*.tar.gz | tr "a-z" "A-Z" # 计算md5值，并转化为大写，方便比较

创建Hadoop用户

创建hadoop用户，并分配以用户名为家目录/home/hadoop，并将其加入到sudo用户组，创建好用户之后，以hadoop用户登录：

sudo useradd -m hadoop -s /bin/bash
sudo adduser hadoop sudo
sudo passwd hadoop # 设置hadoop用户密码

安装JDK、Hadoop及配置环境变量

安装，解压JDK到/usr/lib/java/路径下，Hadoop到/usr/local/etc/hadoop/路径下：

tar zxf ./hadoop-2.6.*.tar.gz 
mv ./hadoop-2.6.* /usr/local/etc/hadoop # 将 /usr/local/etc/hadoop作为Hadoop的安装路径

解压完成之后，可验证hadoop的可用性：

cd /usr/local/etc/hadoop
./bin/hadoop version # 查看hadoop的版本信息

注意: 若在此处，会出现类似以下的错误信息，则很有可能是该安装包有问题。

Error: Could not find or load main class org.apache.hadoop.util.VersionInfo

配置环境，编辑/etc/profile文件，在其后添加如下信息：

export HADOOP_HOME=/usr/local/etc/hadoop
export JAVA_HOME=/usr/lib/java/jdk1.8.0_45
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=$PATH:${JAVA_HOME}/bin:${JRE_HOME}/bin:${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin

使配置的变量生效：

source /etc/profile

测试一下
在此我们可以运行一个简单的官方Demo：

cd `echo $HADOOP_HOME` # 到hadoop安装路径
mkdir ./input
cp ./etc/hadoop/*.xml ./input
hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'

输出的结果应该会是：

1   dfsadmin

这里有一点需要注意，该Example程序运行时不能已存在output目录，否则或将无法执行！

Hadoop的伪分布式环境搭建

什么是伪分布式？Hadoop 伪分布式模式是在一台机器上模拟Hadoop分布式，单机上的分布式并不是真正的分布式，而是使用线程模拟的分布式。分布式和伪分布式这两种配置也很相似，唯一不同的地方是伪分布式是在一台机器上配置，也就是名字节点（namenode）和数据节点（datanode）均是同一台机器。

需要配置的文件有core-site.xml和hdfs-site.xml这两个文件他们都位于${HADOOP_HOME}/etc/hadoop/文件夹下。
其中core-site.xml：

 1 <?xml version="1.0" encoding="UTF-8"?>
 2 <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
 3 <!--
 4   Licensed ...
-->
18  
19 <configuration>
20   <property>
21     <name>hadoop.tmp.dir</name>
22     <value>file:/home/hadoop/tmp</value>
23     <description>Abase for other temporary directories.</description>
24   </property>
25   <property>
26     <name>fs.default.name</name>
27     <value>hdfs://master:9000</value>
28   </property>
29 </configuration>

文件hdfs-site.xml的配置如下：

 1 <?xml version="1.0" encoding="UTF-8"?>
 2 <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
 3 <!--
 4   Licensed ...
-->
18   
19 <configuration> 
20   <property>
21     <name>dfs.replication</name>
22     <value>1</value>
23   </property>
24   <property>
25     <name>dfs.namenode.name.dir</name>
26     <value>file:/home/hadoop/tmp/dfs/name</value>
27   </property>
28   <property>
29     <name>dfs.datanode.data.dir</name>
30     <value>file:/home/hadoop/tmp/dfs/data</value>
31   </property>                                                                          
32 </configuration>

配置完成后，执行格式化命令，使HDFS将制定的目录进行格式化：

hdfs namenode -format

若格式化成功，在临近输出的结尾部分可看到如下信息：

启动HDFS

启动HDFS的脚本位于Hadoop目录下的sbin文件夹中，即：

cd `echo $HADOOP_HOME`
./sbin/start-dfs.sh # 启动HDFS脚本

在执行start-dfs.sh脚本启动HDFS时，可能出现类似如下的报错内容：

localhost: Error: JAVA_HOME is not set and could not be found.

很明显，是JAVA_HOME没找到，这是因为在hadoop-env.sh脚本中有个JAVA_HOME=${JAVA_HOME}，所以只需将${JAVA_HOME}替换成你的JDK的路径即可解决：

echo $JAVA_HOME # /usr/lib/java/jdk1.*.*_**
vim ./etc/hadoop/hadoop-env.sh # 将‘export JAVA_HOME=${JAVA_HOME}’字段替换成‘export JAVA_HOME=/usr/lib/java/jdk1.*.*_**’即可

再次执行

`echo $HADOOP_HOME`/sbin/start-all.sh

如果成功，应该会有如下输出：

也可以执行以下命令判断是否启动：

jps

若已成功运行起来了，会有类似如下输出：

对了，初次执行貌似还有两次确认，输入“yes”即是。对应的启动，自然也有关闭咯：

`echo $HADOOP_HOME`/sbin/stop-dfs.sh

当成功启动之后，可以在浏览器通过访问网址http://192.168.2.109:50070/

---

运行伪分布式实例

以上的“测试一下”只是使用的是本机的源生文件运行的测试Demo实例。既然搭建好了伪分布式的环境，那就使用分布式上存储（HDFS）的数据来进行一次Demo测试：

先将数据源搞定，也就是仿照“测试一下”中的Demo一样，新建一个文件夹作为数据源目录，并添加一些数据：

hdfs dfs -mkdir /input # 这里的文件名必须要以‘/’开头，暂时只了解是hdfs是以绝对路径为基础，因为没有 ‘-cd’这样的命令支持 
hdfs dfs -put `echo $HADOOP_HOME`/etc/hadoop/*.xml /input

也可以查看此时新建的input目录里面有什么：

hdfs dfs -ls /
hdfs dfs -ls /input

再次运行如之前运行的那个Demo

hadoop jar /usr/local/etc/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep /input /output 'dfs[a-z.]+'

可看见如下输出：

再次查看HDFS中的目录：

hdfs dfs -ls /
hdfs dfs -cat /output*

如此，该测试算式通过了。HDFS支持的操作hdfs dfs -command中的‘command’也可通过只键入hdfs dfs即可查看：

Hadoop集群安装

关乎集群，必然需要各机器间能够通信，所以需配置使每台虚拟机的网卡连接方式为“桥接网卡”，并且他们的MAC地址一定不能有相同。配置集群所需的三台Linux虚拟机都运行在VirtualBox虚拟机上，既然已经配置好了一台的环境，可以使用virtualbox的复制功能，直接复制两台出来。
先关闭虚拟机，右键点击已配置好的那台Linux虚拟机，选择“复制”，在复制选项中一定要确认“初始化MAC地址”：

配置master
为便于区别master和slave，将作为master的主机名改为“master”，修改/etc/hostname文件，将里面以前的名称替换成“master”：

sudo vim /etc/hostname

修改master以及所有slave主机上的IP地址映射关系，添加master机器的IP以及slave机器的IP及对应的机器名称：

sudo vim /etc/hosts

#vim: 
  8 192.168.2.109 master
  9 192.168.2.119 slave01 # 对应的第一个slav主机的名称
 10 192.168.2.129 slave02 # 对应的第二个slav主机的名称

修改完成之后重启一下虚拟机，重启之后验证一下是否能互相ping通：
master主机上ping所有：

slave01主机上ping所有：

这里所使用的IP地址，最好配置成静态的IP，配置静态IP可参考 配置静态IP地址 #IP地址配置

master配置SSH无密码登陆slave节点

这个操作是要让master节点可以无需密码通过SSH登陆到各个slave节点上安装openssh-server，生成密钥，配置无密码登录：

sudo apt-get install openssh-server
cd ~ # 进入hadoop用户目录下
mkdir .ssh & cd ./.ssh # keygen存放的位置
ssh-keygen -t rsa
cat id_rsa.pub >> authorized_keys # 加入授权

然后将生成的密钥复制到其他的slave主机上，期间需要输入‘yes’确认传输和输入密码以认证身份：

scp /home/hadoop/.ssh/id_rsa.pub hadoop@slave01:/home/hadoop
scp /home/hadoop/.ssh/id_rsa.pub hadoop@slave02:/home/hadoop

接着在各个slave节点上将ssh公钥加入授权：

cd ~
mkdir .ssh # 若是已经存在了，就先把它删掉
cat id_rsa.pub >> ./.ssh/authorized_keys
rm id_rsa.pub # 已使用

执行完以上操作，便可测试一下在master上无密码ssh连接slave节点的主机了：

ssh slave01

配置集群/分布式环境

配置分布式集群环境需对一下几个文件进行配置：

slaves： 文件 slaves，配置datanode的主机名，每行一个，默认为 localhost，所以在伪分布式配置时，节点即作为namenode也作为datanode。分布式配置可以保留localhost，也可以删掉，让master节点仅作为namenode使用。现配置两个slave则在该文件中编辑如下字段：

slave01
slave02

core-site.xml：

 1 <?xml version="1.0" encoding="UTF-8"?>
 2 <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
 3 <!--
 4   Licensed ...
   -->
18  
19 <configuration>
20   <property>
21     <name>hadoop.tmp.dir</name> <!-- Hadoop的默认临时文件存放路径 -->
22     <value>file:/home/hadoop/tmp</value>
23     <description>Abase for other temporary directories.</description>
24   </property>
25   <property>
26     <name>fs.defaultFS</name> <!-- namenode的URI -->
27     <value>hdfs://master:9000</value>
28   </property>
29 </configuration>

hdfs-site.xml：

 1 <?xml version="1.0" encoding="UTF-8"?>
 2 <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
 3 <!--
 4   Licensed ...
    -->
18  
19 <configuration> 
20   <property>
21     <name>dfs.replication</name> <!-- 数据节点个数 -->
22     <value>2</value>
23   </property>
24   <property>
25     <name>dfs.namenode.name.dir</name> <!--namenode节点的namenode存储URL  -->
26     <value>file:/home/hadoop/tmp/dfs/name</value>
27   </property>
28   <property>
29     <name>dfs.datanode.data.dir</name>
30     <value>file:/home/hadoop/tmp/dfs/data</value>
31   </property>
32   <property>
33     <name>dfs.namenode.secondary.http-address</name>
34     <value>master:50090</value>
35   </property>
36 </configuration>

mapred-site.xml，该文件一开始为一个模版，所以先拷贝并重命名一份：

cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml

vim:

 1 <?xml version="1.0"?>
 2 <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
 3 <!--
 4   Licensed 
    -->
18  
19 <configuration>
20   <property>
21     <name>mapreduce.framework.name</name>
22     <value>yarn</value>
23   </property>
24   <property>
25     <name>mapreduce.jobhistory.address</name>
26     <value>master:10020</value>
27   </property>
28   <property>
29     <name>mapreduce.jobhistory.webapp.address</name>
30     <value>master:19888</value>
31   </property>
32 </configuration>

yarn-site.xml：

 1 <?xml version="1.0"?>                                                               
 2 <!--
 3   Licensed ...
    -->
15 <configuration>
16 <!-- Site specific YARN configuration properties -->
17   <property>
18     <name>yarn.resourcemanager.hostname</name>
19     <value>master</value>
20   </property>
21   <property>
22     <name>yarn.nodemanager.aux-services</name>
23     <value>mapreduce_shuffle</value>
24   </property>
25 </configuration>

这些配置文件其他的相关配置可参考官方文档。配置好后，因为之前有跑过伪分布式模式，建议在切换到集群模式前先删除之前的临时文件：

cd `echo $HADOOP_HOME`
rm -rf ./tmp/
rm -rf ./logs

再将配置好的master上的/usr/local/etc/hadoop文件夹复制到各个节点上（也就是覆盖原来的slave节点上安装的hadoop）。
以上步骤完毕后，首次启动需要先在master节点执行namenode的格式化：

hdfs namenode -format # 首次运行需要执行初始化，之后并不需要

接着可以启动hadoop了，启动需要在master节点上进行：

cd `echo $HADOOP_HOME/etc/hadoop`
start-dfs.sh
start-yarn.sh
mr-jobhistory-daemon.sh start historyserver

执行结果：

再使用jps查看启动之后的状态：

jps

此时，到slave主机上查看(jps)状态，会发现：

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 -live查看 datanode 是否正常启动，如果 Live datanodes 不为 0 ，则说明集群启动成功。例如在此配置了两个datanode，则这边一共有 2 个 datanodes：

也可通过http://192.168.2.109:50070

如果发现并没有出现如上信息，则使用刷新节点命令进行刷新：

hdfs dfsadmin -refreshNodes

HDFS集群实例测试

依然是之前的那个示例，首先，创建一个数据源文件夹，并添加数据：

hdfs dfs -mkdir /input
hdfs dfs -put /usr/local/etc/hadoop/etc/hadoop/*.xml /input

运行mapreduce示例：

hadoop jar /usr/local/etc/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep /input /output 'dfs[a-z.]+'

官方文档参考

官方文档参考

holding…