Giraph 1.0集群环境配置

客官°小女子只卖身不卖艺 2022-06-01 03:35 286阅读 0赞

**环境说明**

以下配置过程在实验室集群,深圳集群,腾讯云集群上均测试成功,系统包括CentOS,Ubuntu

Hadoop-1.0.2

Giraph-1.0.0

Jdk1.7

下面详细叙述一下在实验室集群上面配置的细节

**系统环境**

Distributor ID: Ubuntu

Description: Ubuntu 16.04.3 LTS

Release: 16.04

Codename: xenial

安装的是Ubuntu Server的版本,系统是64位的

**相关参数**

三台小服务器的IP地址

这是我本地的hosts, master也就是hadoop集群的master的机器

192.168.1.100 lab-master

192.168.1.103 lab-slave1

192.168.1.104 lab-slave2

三台机器对应的hostname 分别为

user-wjl

user-wjl1

user-wjl2

三台机器上分别都建立了对应的用户

也就是说如果想要测试Giraph的代码,可以将自己的电脑连如局域网(可能需要你自己去给服务器开机,平时我应该会关掉),然后可以用ssh的方式在你的电脑上进行操作,注意需要连如局域网

ssh [ user-wjl@lab-master][user-wjl_lab-master]

输入passwd 即可

**配置流程**

**注意**

以下叙述可能过于繁琐,默认阅读者之前一点也不了解相关信息,所以可以有选择的看,但是尽可能对照一下每一处细节,一点小的不同可能导致很多问题( 别问我是怎么知道的 TAT)

**1. JDK的安装**

注意, 千万不要用 OpenJDK

在终端输入

java -version

会显示你的JDK相应的版本,以下版本是经过测试可以使用的

java version "1.7.0\_79"

Java(TM) SE Runtime Environment (build 1.7.0\_79-b15)

Java HotSpot(TM) 64-Bit Server VM (build 24.79-b02, mixed mode)

注意JDK 1.7是可以跑的,JDK 1.8忘记是不是可以的,JDK1.6也是可以跑的, 但最好和上述版本一致,并且一定要是SE的

特别地,该JDK可以在上网提到的网盘的工具包中得到,名字为 jdk-7u79-linux-x86-1126.tar.gz

安装好JDK后,还要配置环境变量,可以自行Google,下文也会提到,到时候和Hadoop的环境变量一起说明

简单的提一句

首先对于每个用户,配置在该用户下的JDK的环境变量,有的大服务器上可能会有多个用户,支持每个用户用不同版本的JDK,这样可以只更改本用户的JDK版本,而协调JDK版本可能会比较复杂,这里不再赘述,在实验室小集群上面,JDK版本是一致的,那么需要改两个地方的环境变量

本用户下要改

vim ~/.bashrc

export JAVA\_HOME=/usr/local/jdk1.7

然后source ~/.bashrc 让其立即生效

更改所有用户的JDK

需要在 /etc/profile中添加环境变量

vim /etc/profile

export JAVA\_HOME=/usr/local/jdk1.7

注意这里的JAVA\_HOME后面的路径是你自己存放JDK的路径

**2. 设置专用账户**

hadoop会利用用户名来配置目录结构，为了配置方便最好保证每台机子上都有一个给hadoop使用的账户，且名字相同（如果每台机子账户不同，需要做很多多余的配置）。

**3. 添加用户与用户组**

sudo addgroup hd \#添加用户组的操作

sudo adduser --ingroup hd hadoop \#添加用户到某用户组的操作

**4. 添加 sudo 权限**

通过

$ sudo visudo

打开etc/sudoers为新添加的用户添加sudo权限。

找到

\# User privilege specificationroot ALL=(ALL:ALL) ALL

在下面加上

user-wjl ALL=(ALL:ALL) ALL

就能让user-wjl这个用户拥有sudo的权限。其他用户名类推。

注意这个文件只能用visudo打开，且绝对不能修改其权限。

**5. 切换用户**

用户权限问题在Hadoop权限配置中算是一个比较麻烦的问题,所以最好都在一个用户下面进行,而不是像官方教程一样

su user-wjl

表示切换到user-wjl该用户

**6. 配置 host 与打通连接**

**修改 /etc/hostname**

首先注意这一步不是必须的

只是如果想看自己的hostname可以用

$ hostname

可以通过命令

$ hostname user-wjl1

来更改自己的hostname

默认的hostname是机器的名字 ubuntu

**修改 /etc/hosts**

**注意!!!!这里很重要,之前调试了很久的bug就是这里的问题**

$ sudo vim /etc/hosts

第一行如果是

127.0.0.1 localhost

最好保留。如果这里的127.0.0.1后跟着的是其他东西，最好改成localhost

ubuntu下建议将默认出现在第二行的

127.0.1.1 xxxx\`

改成

实际本机ip xxxx

其中xxxx指本机的hostname，可根据上一步骤改成的hostname对应修改

更好的做法是注释掉127.0.1.1 localhost

详情可以参见下图,是成功配置的某台机器上面的hosts

![WEBRESOURCE6bdf8bae57a313843526eb2914f9038c][]

**注意,这里的127.0.1.1的问题很严重,详情可以参考hadoop wiki的官网,之前遇到了一个bug调试了很久**

[https://wiki.apache.org/hadoop/ConnectionRefused][https_wiki.apache.org_hadoop_ConnectionRefused]

上面有对各种ConnectionRefused的各种调试方法,如果后续hadoop任务或者Giraph任务没有成功,可以参考该网站

Check that there isn't an entry for your hostname mapped to 127.0.0.1 or 127.0.1.1 in  /etc/hosts  (Ubuntu is notorious for this).

**7. 检查防火墙**

如果开启了防火墙，建议关闭或打开需要联通的端口。

ubuntu一般自带的是ufw防火墙，如何查看与关闭防火墙、配置特定端口请看 [Ubuntu中文wiki上的文档][Ubuntu_wiki]

**8. 关闭 ipv6**

请看 [Micheal Noll的教程中关于禁用ipv6的步骤][Micheal Noll_ipv6]

**9. 检查联通状况**

为每台机器设置好hosts文件和hostname后，在每台机器上ping其他机器即可。

如果机器比较多，可以写个脚本帮忙。同样地，hosts文件可以在一台机器上配置好后复制到其他机器上，对涉及到127.0.1.1和自己的ip的部分稍作修改即可。

**10. 配置无密码 ssh**

这里的叙述可能过于繁琐,可以自行google查看配置集群免密登录即可,理论上只需要master可以免密登录slave节点即可,slave节点不用互相免密登录,但是为了方便,我在这里配置的是集群的所有机器彼此之间免密登录,而且是默认机器一开始什么相应环境都没有

1.  检查 openssh-server

ubuntu下

$ sudo apt-get install openssh-server

即可。有则提示已经是最新版，没有或版本太老则安装或更新。

**2. 修改配置与生效**

配置无密码SSH过程中可能会出现Host key verification failed错误。最简单的解决办法之一就是在每台机的/etc/ssh/ssh\_config中设置

StrictHostKeyChecking no

如果这项已经设置过，修改之。如果没有设置过（默认应该是设置为ask且注释掉的），可以在下面添加，或取消注释并修改为no。

*  注意这里一般是对Host \*设置的StrictHostKeyChecking no，会对所有SSH key的检查都放宽要求。如果不想这么做，可以google其他解决方案。

在/etc/ssh/sshd\_config中设置

RSAAuthentication yes PubkeyAuthentication yes AuthorizedKeysFile %h/.ssh/authorized\_keys

同样可以修改、取消注释或在下面添加。

然后

service ssh restart

令配置生效。

**3.生成密钥**

如果之前机子上生成过密钥可以跳过这一步，否则需要生成密钥。 使用

$ ssh-keygen -t rsa -P ''

一路回车，在~/.ssh目录下生成一对没有passphrase的密钥。

这里不设置passphrase是为了后面认证登陆的时候不用每台机子都输入，会方便一些。

接着

cat id\_rsa.pub >> authorized\_keys

对生成的公钥进行授权

检查权限

$ chmod 600 ~/.ssh/authorized\_keys$ chmod 700 ~/.ssh

保证关键的文件和文件夹权限正确（太高或太低的权限会导致无法无密码ssh）

分发公钥

为了方便我们可以让所有机器都能互相无密码ssh。在每台salve用

$ ssh-copy-id -i id\_rsa.pub master

将公钥汇总到master的authorized\_key中，再让master将公钥分发到每台机器上即可。比如使用

$ scp ~/.ssh/authorized\_keys user-wjl@user-wjl1:~/.ssh/authorized\_keys

即可将master的authorized\_keys覆盖掉slave的authorized\_keys（注意这是覆盖，如果只是想追加，可以用cat+管道，具体google即可）

**11. 安装 Hadoop**

**版本**

这里有一些小问题,传承下来的Giraph的关于hadoop包相应版本是hadoop1.0.2,但是当时师姐给我的hadoop的包是hadoop1.0.0,后来我自己也试过hadoop1.0.2,发现都可以跑,

按照我自己的理解,可能的情况是hadoop1.0.2关于hadoop1.0.0的相关改动的部分在Giraph1.0的部分中没有用到

相关的hadoop的包也在上文的网盘中有,名字是 hadoop.tar.gz

**获取及解压 （每台）**

去到官网下载安装包，或者从我给的包中下载,安装路径随意，按照Linux的惯例可以自己看着装到/opt或者/usr/local，或者直接安装在用户文件夹。

这里将安装包解压到/home/user-wjl/workspace/hadoop，然后在/workspace目录下

chown -R user-wjl:hadoop hadoop

确保能够随意操作这个文件夹。

**配置环境变量 （每台）**

再配置环境变量，指明Hadoop所在路径，将路径下的bin文件夹加入PATH以使用Hadoop提供的各种脚本 编辑用户的.bashrc文件

$ vim ~/.bashrc

添加

export JAVA\_HOME=/usr/local/jdk1.7

export HADOOP\_HOME=/home/user-wjl/workspace/hadoop

注：$HADOOP\_HOME是旧版Hadoop用的环境变量名，所以如果你用这个名字，在运行Hadoop的时候会得到

$HADOOP\_HOME is deprecated

的警告。但是这里设成$HADOOP\_HOME也不会有什么大碍。如果你觉得这个警告很烦不想看到，也可以用$HADOOP\_PREFIX这个新版的名字。

接下来还需要配置hadoop-env.sh中的JAVA\_HOME为对应jdk安装目录。

$ vi $HADOOP\_HOME/conf/hadoop-env.sh

找到

export JAVA\_HOME=....

这一行，将等号后的东西改成你JAVA的实际安装目录。

添加下行

export HADOOP\_OPTS=-Djava.net.preferIPv4Stack=true

代表HADOOP集群希望用到的是IPV4

**配置 masters 及 slaves （master上）**

配置conf下的masters及slaves文件为对应分配好的hostname。

$ vim /conf/masters

lab-master

$ vim /conf/slaves

lab-slave1

lab-slave2

**配置 \*-site.xml （每台）**

配置core-site.xml。有一些配置是最好要改的，参见 [\[YDN\] Hadoop 配置注意事项][YDN_ Hadoop] 的Important Directories一节。这里修改两个比较重要的配置， 默认dfs.name.dir、dfs.data.dir和mapred.system.dir均放在hadoop.tmp.dir下，这些文件夹存有NameNode和DataNode的数据和各种系统资料，而hadoop.tmp.dir却默认放在/tmp/hadoop-$\{user.name\}，这意味着重启之后这些东西很可能全都没了。在正式的集群中，这些子文件夹最好放在不依赖于hadoop.tmp.dir的地方。这里为了方便，我们直接先修改hadoop.tmp.dir来改变其他子文件夹，将它放在hadoop安装目录的tmp文件夹，并且显式指明默认的Namenode位置fs.default.name为master的9000端口。

**core-site.xml配置如下**

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<name>hadoop.tmp.dir</name>

<value>/home/user-wjl/workspace/hadoop/tmp</value>

</property>

<name>fs.default.name</name>

<value>hdfs://lab-master:54310</value>

</property>

</configuration>

**hdfs-site.xml配置如下**

参数意义参见 [http://hadoop.apache.org/docs/r1.0.4/core-default.html][http_hadoop.apache.org_docs_r1.0.4_core-default.html] ，往右拖可以看到description（这令人无力的表格列宽……）

配置hdfs-site.xml，这里修改dfs.replication即备份多少副本，1的话就是不备份。注意这个值不能超过Datanode的数目。

![复制代码][39AE450988DA4564A9A87A5D84C8D27F]

<configuration> <property> <name>dfs.replication</name> <value>1</value> </property><configuration>

**mapred-site.xm配置如下**

参数意义参见 [http://hadoop.apache.org/docs/r1.0.4/hdfs-default.html][http_hadoop.apache.org_docs_r1.0.4_hdfs-default.html]

配置mapred-site.xml，这里指明所有的node在找jobtracker时都要去找master的9001端口。

![复制代码][39AE450988DA4564A9A87A5D84C8D27F]

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<name>mapred.job.tracker</name>

<value>lab-master:54311</value>

</property>

<name>mapred.tasktracker.map.tasks.maximum</name>

</property>

<name>mapred.map.tasks</name>

</property>

</configuration>

![复制代码][39AE450988DA4564A9A87A5D84C8D27F]

参数意义参见 [http://hadoop.apache.org/docs/r1.0.4/mapred-default.html][http_hadoop.apache.org_docs_r1.0.4_mapred-default.html]

在实际运行的时候也建议将mapred.tasktracker.reduce.tasks.maximum的值增大以增加reducer slots的数目，提高效率。一般指定mapred-site.xml为所在机子的CPU核数-1比较合理。

这里的参数设置和正常的hadoop的设置不太一样,对于一个GIRAPH任务来说

**默认下，Hadoop允许2个mappers同时运行，但是Giraph相信我们可以同时运行4个mappers，我们需要添加后两个properties在mapred-site.xml文件，是为了满足这个需要，否则的话，Giraph的一些单元测试将会失败。** 在实际运行的时候也建议将mapred.tasktracker.reduce.tasks.maximum的值增大以增加reducer slots的数目，提高效率。一般指定mapred-site.xml为所在机子的CPU核数-1比较合理。

**添加路径**

在hadoop目录下新建tmp文件夹（这里是为了配合上一步中core-site.xml中指定的hadoop.tmp.dir。如果你没有用上一步一样的路径也可以，只要确保这个文件夹存在就行）。

**12. 运行 Hadoop**

**格式化 HDFS**

先确保tmp文件夹下都是空的（否则spaceID不一致又不去手动改的话会各种报错），然后\`

$ hadoop namenode -format

**启动 Hadoop**

启动时分开启动，start-all是给单节点用的,或者star-all也可以用

$ start-dfs.sh$ start-mapred.sh

**检查 jps**

这时候可以检查守护进程是否启动。master上运行

启动成功的话可以在master节点上面看到下图

![WEBRESOURCEa5a631c6e4c8c8690ae2d216fa2f8dfb][]

在slave节点可以看到

![WEBRESOURCE7585b394efc98e1fbd9e875b58292a85][]

如果无法执行jps，可以检查一下java安装目录下的bin文件夹是否在$PATH环境变量中。如果没有，需要修改.bashrc或/etc/profile配置好环境变量。

**检查 HDFS**

$ hadoop dfsadmin -report

会看到整个hdfs的状态，可以检查一下datanode是否都检测到了。

如下图

![WEBRESOURCE17080986b3f07e6a667256ae4fee2517][]

**检查 Web UI**

可以在浏览器上访问

http://lab-master:50070/ 检查namenode，也可以查看HDFS

![WEBRESOURCEf29416508285709a7a53bc391b0a2b73][]

http://lab-master:50030/ 可以检查job的运行状态

![WEBRESOURCE4697c32e58318930c00f01917bbbd170][]

http://lab-master:50060/ 检查task的运行状态

**13. 测试 Hadoop的例子 wordcount**

运用命令行跑hadoop自带的wordcount的例子

命令如下

user-wjl@user-wjl:~/workspace/hadoop$ $HADOOP\_HOME/bin/hadoop jar hadoop-examples-1.0.0.jar wordcount /usr/input/tiny\_graph /usr/output/word\_count\_out

Warning: $HADOOP\_HOME is deprecated.

运行正常,显示如下结果

![WEBRESOURCE7538d7a6708b25887c2f561475a5c059][]

可以通过网页或者命令行查看输出结果

想用web ui查看HDFS上的文件可以通过

50070这个网址进去后 [ **Browse the filesystem**][_Browse the filesystem]

![WEBRESOURCE73b0f86523dfc48cf4354d6ad13a2ed6][]

**14. 测试 Giraph的例子**

首先是用命令行测试最简单的Giraph自带的最短路的例子

命令如下

$HADOOP\_HOME/bin/hadoop jar giraph-examples-1.0.0-for-hadoop-1.0.2-jar-with-dependencies.jar org.apache.giraph.GiraphRunner org.apache.giraph.examples.SimpleShortestPathsVertex -vif org.apache.giraph.io.formats.JsonLongDoubleFloatDoubleVertexInputFormat -vip /usr/input/tiny\_graph\_json -of org.apache.giraph.io.formats.IdWithValueTextOutputFormat -op /usr/output/giraph-example-out-1 -w 2

这里具体参数的定义可以稍微说明一下,

jar giraph-examples-1.0.0-for-hadoop-1.0.2-jar-with-dependencies.jar 表示尝试跑这个jar包里的某一个算法

org.apache.giraph.GiraphRunner 表示是用GiraphRunner跑的

org.apache.giraph.examples.SimpleShortestPathsVertex 表示是用这个Vertex跑的

\-vif org.apache.giraph.io.formats.JsonLongDoubleFloatDoubleVertexInputFormat 表示 VertexInputFormat的格式是什么样子的

\-vip /usr/input/tiny\_graph\_json 表示VertexInputPath即, 输入路径

\-of org.apache.giraph.io.formats.IdWithValueTextOutputFormat 表示输出格式 即 OutputFormat

op /usr/output/giraph-example-out-1 表示OutputPath 即 输出路径

\-w 2 表示Worker 即设置Worker的个数

![WEBRESOURCEd95751161b4d50d7b804a51072ecd363][]

**15. 导入Eclipse,测试自己所改写的代码**

待续

可以参考项目测试报告等资料

**16. 多图连接算法实现,存储扩展功能实现部分**

待续

详情可以参考项目测试报告文档

**17. 生成数据部分**

可以使用数据生成工具生成最简单的图,再自己做处理,代码部分待整理,数据生成工具为R-MAT, 通过参数控制生成Random或者Powerlaw分布的图

[https://github.com/farkhor/PaRMAT][https_github.com_farkhor_PaRMAT]

我自己部分的代码支持的功能有

*  处理数据格式,使得上述工具生成的数据集调整为Giraph支持的格式
 *  添加属性等等

代码待整理上传

**18. Giraph源码修改部分**

*  针对Vertex的编程(属于应用必须)
 *  改写数据输入输出格式(属于应用必须)
 *  改写底层数据存储格式(改写底层都比较复杂)
 *  改写底层同步异步等形式(比较复杂,详情可以参考师姐留下来的文档)
 *  打包Giraph的Job上传到集群中运行(操作固定但是有待优化,可以选择性了解,该部分跟项目导入Eclipse的部分相关,在最初关于深圳报告的协商中,对方提出希望所有的测试都通过命令行来操作,支持这样的操作形式存在一定难度)

**19. Giraph, Hadoop相关参数问题**

*  无论是Hadoop还是Giraph,都有一些参数是至关重要的,这些参数可以在程序中动态修改,也可以在配置文件中指定,对程序性能,甚至程序能否执行都至关重要,需要尽量多的了解.
 *  甚至关于JVM的相关参数在这里也只为重要,举个例子**mapred.child.java.opts**,详情可以参见测试报告关于存储优化部分

**20. 腾讯云集群上面关于Hadoop集群配置，以及Giraph任务测试的问题**

*  腾讯云上面的环境配置由于权限受限比较特殊，详细说起来也需要大量的篇幅，这里简单的总结一下，解决大部分后，比较严重的就是公网IP和内网IP的问题
 *  经过多种尝试，公网IP和内网IP的解决方案是对于每一台机器上的Hosts，它自己对应的IP用公网的IP，其它的机器的IP用内网IP，集群即可配置成功

[user-wjl_lab-master]: mailto:user-wjl@lab-master
[WEBRESOURCE6bdf8bae57a313843526eb2914f9038c]: http://note.youdao.com/yws/res/1160/WEBRESOURCE6bdf8bae57a313843526eb2914f9038c
[https_wiki.apache.org_hadoop_ConnectionRefused]: https://wiki.apache.org/hadoop/ConnectionRefused
[Ubuntu_wiki]: http://wiki.ubuntu.org.cn/UFW%E9%98%B2%E7%81%AB%E5%A2%99%E7%AE%80%E5%8D%95%E8%AE%BE%E7%BD%AE
[Micheal Noll_ipv6]: http://www.michael-noll.com/tutorials/running-hadoop-on-ubuntu-linux-single-node-cluster/#disabling-ipv6
[YDN_ Hadoop]: https://developer.yahoo.com/hadoop/tutorial/module7.html
[http_hadoop.apache.org_docs_r1.0.4_core-default.html]: http://hadoop.apache.org/docs/r1.0.4/core-default.html
[39AE450988DA4564A9A87A5D84C8D27F]: http://note.youdao.com/yws/res/1323/39AE450988DA4564A9A87A5D84C8D27F
[http_hadoop.apache.org_docs_r1.0.4_hdfs-default.html]: http://hadoop.apache.org/docs/r1.0.4/hdfs-default.html
[http_hadoop.apache.org_docs_r1.0.4_mapred-default.html]: http://hadoop.apache.org/docs/r1.0.4/mapred-default.html
[WEBRESOURCEa5a631c6e4c8c8690ae2d216fa2f8dfb]: http://note.youdao.com/yws/res/1242/WEBRESOURCEa5a631c6e4c8c8690ae2d216fa2f8dfb
[WEBRESOURCE7585b394efc98e1fbd9e875b58292a85]: http://note.youdao.com/yws/res/1244/WEBRESOURCE7585b394efc98e1fbd9e875b58292a85
[WEBRESOURCE17080986b3f07e6a667256ae4fee2517]: http://note.youdao.com/yws/res/1250/WEBRESOURCE17080986b3f07e6a667256ae4fee2517
[WEBRESOURCEf29416508285709a7a53bc391b0a2b73]: http://note.youdao.com/yws/res/1257/WEBRESOURCEf29416508285709a7a53bc391b0a2b73
[WEBRESOURCE4697c32e58318930c00f01917bbbd170]: http://note.youdao.com/yws/res/1255/WEBRESOURCE4697c32e58318930c00f01917bbbd170
[WEBRESOURCE7538d7a6708b25887c2f561475a5c059]: http://note.youdao.com/yws/res/1264/WEBRESOURCE7538d7a6708b25887c2f561475a5c059
[_Browse the filesystem]: http://lab-master:50070/nn_browsedfscontent.jsp
[WEBRESOURCE73b0f86523dfc48cf4354d6ad13a2ed6]: http://note.youdao.com/yws/res/1266/WEBRESOURCE73b0f86523dfc48cf4354d6ad13a2ed6
[WEBRESOURCEd95751161b4d50d7b804a51072ecd363]: http://note.youdao.com/yws/res/1285/WEBRESOURCEd95751161b4d50d7b804a51072ecd363
[https_github.com_farkhor_PaRMAT]: https://github.com/farkhor/PaRMAT