Hadoop 安装部署及配置

阳光穿透心脏的1/2处 2022-08-20 09:18 199阅读 0赞

硬件环境  
共有3台机器，均使用的FC5系统，Java使用的是jdk1.6.0。IP配置如下：  
dbrg-1：202.197.18.72  
dbrg-2：202.197.18.73  
dbrg-3：202.197.18.74  
  
  
这里有一点需要强调的就是，务必要确保每台机器的主机名和IP地址之间能正确解析。  
  
  
一个很简单的测试办法就是ping一下主机名，比如在dbrg-1上ping dbrg-2，如果能ping通就OK！若不能正确解析，可以修改/etc/hosts文件，如果该台机器作Namenode用，则需要在hosts文件中加上集群中所有机器的IP地址及其对应的主机名；如果该台机器作Datanode用，则只需要在hosts文件中加上本机IP地址和Namenode机器的IP地址。  
  
  
以本文为例，dbrg-1中的/etc/hosts文件看起来就应该是这样的：  
127.0.0.0         localhost     localhost  
202.197.18.72     dbrg-1        dbrg-1  
202.197.18.73     dbrg-2        dbrg-2  
202.197.18.74     dbrg-3        dbrg-3  
  
  
dbrg-2中的/etc/hosts文件看起来就应该是这样的：  
127.0.0.0         localhost    localhost  
202.197.18.72     dbrg-1       dbrg-1  
202.197.18.73     dbrg-2       dbrg-2  
  
  
在上一篇学习笔记中提到过，对于Hadoop来说，在HDFS看来，节点分为Namenode和Datanode，其中Namenode只有一个，Datanode可以是很多；在MapReduce看来，节点又分为Jobtracker和Tasktracker，其中Jobtracker只有一个，Tasktracker可以是很多。  
我是将namenode和jobtracker部署在dbrg-1上，dbrg-2,dbrg-3作为datanode和tasktracker。当然你也可以将namenode，datanode，jobtracker，tasktracker全部部署在一台机器上  
  
  
  
  
目录结构  
由于Hadoop要求所有机器上hadoop的部署目录结构要相同，并且都有一个相同的用户名的帐户。  
我的三台机器上是这样的：都有一个dbrg的帐户，主目录是/home/dbrg  
Hadoop部署目录结构如下：/home/dbrg/HadoopInstall，所有的hadoop版本放在这个目录中。  
将hadoop0.12.0压缩包解压至HadoopInstall中，为了方便以后升级，建议建立一个链接指向要使用的hadoop版本，不妨设为hadoop  
\[dbrg@dbrg-1:HadoopInstall\]$ln  -s  hadoop0.12.0   hadoop  
这样一来，所有的配置文件都在/hadoop/conf/目录中，所有执行程序都在/hadoop/bin目录中。  
但是由于上述目录中hadoop的配置文件和hadoop的安装目录是放在一起的，这样一旦日后升级hadoop版本的时候所有的配置文件都会被覆盖，因此建议将配置文件与安装目录分离，一种比较好的方法就是建立一个存放配置文件的目录，/home/dbrg/HadoopInstall/hadoop-config/，然后将/hadoop/conf/目录中的hadoop\_site.xml，slaves，hadoop\_env.sh三个文件拷贝到hadoop-config/目录中(这个问题很奇怪，在官网上的Getting Started With Hadoop中说是只需要拷贝这个三个文件到自己创建的目录就可以了，但我在实际配置的时候发现还必须把masters这个文件也拷贝到hadoop-conf/目录中才行，不然启动Hadoop的时候就会报错说找不到masters这个文件)，并指定环境变量$HADOOP\_CONF\_DIR指向该目录。环境变量在/home/dbrg/.bashrc和/etc/profile中设定。  
综上所述，为了方便以后升级版本，我们需要做到配置文件与安装目录分离，并通过设定一个指向我们要使用的版本的hadoop的链接，这样可以减少我们对配置文件的维护。在下面的部分，你就会体会到这样分离以及链接的好处了。  
  
  
  
  
SSH设置  
在Hadoop启动以后，Namenode是通过SSH（Secure Shell）来启动和停止各个节点上的各种守护进程的，这就需要在节点之间执行指令的时候是不需要输入密码的方式，故我们需要配置SSH使用无密码公钥认证的方式。  
首先要保证每台机器上都装了SSH服务器，且都正常启动。实际中我们用的都是OpenSSH，这是SSH协议的一个免费开源实现。FC5中默认安装的OpenSSH版本是OpenSSH4.3P2。  
以本文中的三台机器为例，现在dbrg-1是主节点，它需要主动发起SSH连接到dbrg-2和dbrg-3，对于SSH服务来说，dbrg-1就是SSH客户端，而dbrg-2、dbrg-3则是SSH服务端，因此在dbrg-2，dbrg-3上需要确定sshd服务已经启动。简单的说，在dbrg-1上需要生成一个密钥对，即一个私钥，一个公钥。将公钥拷贝到dbrg-2，dbrg-3上，这样，比如当dbrg-1向dbrg-2发起ssh连接的时候，dbrg-2上就会生成一个随机数并用dbrg-1的公钥对这个随机数进行加密，并发送给dbrg-1；dbrg-1收到这个加密的数以后用私钥进行解密，并将解密后的数发送回dbrg-2，dbrg-2确认解密的数无误后就允许dbrg-1进行连接了。这就完成了一次公钥认证过程。  
  
  
对于本文中的三台机器，首先在dbrg-1上生成密钥对：  
\[dbrg@dbrg-1:~\]$ssh-keygen  -t  rsa  
这个命令将为dbrg-1上的用户dbrg生成其密钥对，询问其保存路径时直接回车采用默认路径，当提示要为生成的密钥输入passphrase的时候，直接回车，也就是将其设定为空密码。生成的密钥对id\_rsa，id\_rsa.pub，默认存储在/home/dbrg/.ssh目录下。然后将id\_rsa.pub的内容复制到每个机器(也包括本机)的/home/dbrg/.ssh/authorized\_keys文件中，如果机器上已经有authorized\_keys这个文件了，就在文件末尾加上id\_rsa.pub中的内容，如果没有authorized\_keys这个文件，直接cp或者scp就好了，下面的操作假设各个机器上都没有authorized\_keys文件。  
  
  
对于dbrg-1  
\[dbrg@dbrg-1:.ssh\]$cp id\_rsa.pub authorized\_keys  
  
  
对于dbrg-2（dbrg-3同dbrg-2的方法）  
\[dbrg@dbrg-2:~\]$mkdir .ssh  
\[dbrg@dbrg-1:.ssh\]$scp authorized\_keys dbrg-2:/home/dbrg/.ssh/  
此处的scp就是通过ssh进行远程copy，此处需要输入远程主机的密码，即dbrg-2机器上dbrg帐户的密码，当然，你也可以用其他方法将authorized\_keys文件拷贝到其他机器上  
  
  
\[dbrg@dbrg-2:.ssh\]$chmod 644 authorized\_keys  
这一步非常关键，必须保证authorized\_keys只对其所有者有读写权限，其他人不允许有写的权限，否则SSH是不会工作的。我就曾经在配置SSH的时候郁闷了好久。  
  
  
\[dbrg@dbrg-2:.ssh\]ls -la  
drwx------ 2 dbrg dbrg .  
drwx------ 3 dbrg dbrg ..  
 -rw-r--r-- 1 dbrg dbrg authorized\_keys  
注意每个机器上的.ssh目录的ls -la都应该和上面是一样的  
  
  
接着，在三台机器上都需要对sshd服务进行配置(其实是可以不用配置的，完成了上面的那些操作了以后SSH就已经可以工作了)，在三台机器上修改文件/etc/ssh/sshd\_config  
\#去除密码认证  
PasswordAuthentication  no  
AuthorizedKeyFile   .ssh/authorized\_keys  
  
  
至此各个机器上的SSH配置已经完成，可以测试一下了，比如dbrg-1向dbrg-2发起ssh连接  
\[dbrg@dbrg-1:~\]$ssh  dbrg-2  
如果ssh配置好了，就会出现以下提示信息  
The authenticity of host \[dbrg-2\] can't be established.   
Key fingerprint is 1024 5f:a0:0b:65:d3:82:df:ab:44:62:6d:98:9c:fe:e9:52.   
Are you sure you want to continue connecting (yes/no)?  
OpenSSH告诉你它不知道这台主机，但是你不用担心这个问题，因为你是第一次登录这台主机。键入“yes”。这将把这台主机的“识别标记”加到“~/.ssh/know\_hosts”文件中。第二次访问这台主机的时候就不会再显示这条提示信息了。  
然后你会发现不需要输入密码就可以建立ssh连接了，恭喜你，配置成功了  
不过，别忘了测试本机ssh  dbrg-1  
  
  
  
  
Hadoop环境变量  
在/home/dbrg/HadoopInstall/hadoop-conf目录下的hadoop\_env.sh中设置Hadoop需要的环境变量，其中JAVA\_HOME是必须设定的变量。HADOOP\_HOME变量可以设定也可以不设定，如果不设定，HADOOP\_HOME默认的是bin目录的父目录，即本文中的/home/dbrg/HadoopInstall/hadoop。我的是这样设置的  
export  HADOOP\_HOME=/home/dbrg/HadoopInstall/hadoop  
export  JAVA\_HOME=/usr/java/jdk1.6.0  
从这个地方就可以看出前面所述的创建hadoop0.12.0的链接hadoop的优点了，当以后更新hadoop的版本的时候，就不需要在改配置文件，只需要更改链接就可以了。  
  
  
  
  
Hadoop配置文件  
如前所述，在hadoop-conf/目录下，打开slaves文件，该文件用来指定所有的从节点，一行指定一个主机名。即本文中的dbrg-2，dbrg-3，因此slaves文件看起来应该是这样的  
dbrg-2  
dbrg-3  
在conf/目录中的hadoop-default.xml中包含了Hadoop的所有配置项，但是不允许直接修改！可以在hadoop-conf/目录下的hadoop-site.xml里面定义我们需要的项，其值会覆盖hadoop-default.xml中的默认值。可以根据自己的实际需要来进行定制。以下是我的配置档：  
<?xml version="1.0"?>  
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>   
  
<configuration>  
<property>  
  <name>fs.default.name</name>  
  <value>dbrg-1:9000</value>  
  <description>The name of the default file system. Either the literal string "local" or a host:port for DFS.</description>  
</property>  
<property>  
  <name>mapred.job.tracker</name>  
  <value>dbrg-1:9001</value>  
  <description>The host and port that the MapReduce job tracker runs at. If "local", then jobs are run in-process as a single map and reduce task.</description>  
</property>  
<property>  
  <name>hadoop.tmp.dir</name>  
  <value>/home/dbrg/HadoopInstall/tmp</value>  
  <description>A base for other temporary directories.</description>  
</property>  
<property>  
  <name>dfs.name.dir</name>  
  <value>/home/dbrg/HadoopInstall/filesystem/name</value>  
  <description>Determines where on the local filesystem the DFS name node should store the name table. If this is a comma-delimited list of directories then the name table is replicated in all of the directories, for redundancy. </description>  
</property>  
<property>  
  <name>dfs.data.dir</name>  
  <value>/home/dbrg/HadoopInstall/filesystem/data</value>  
  <description>Determines where on the local filesystem an DFS data node should store its blocks. If this is a comma-delimited list of directories, then data will be stored in all named directories, typically on different devices. Directories that do not exist are ignored.</description>  
</property>  
<property>  
  <name>dfs.replication</name>  
  <value>1</value>  
  <description>Default block replication. The actual number of replications can be specified when the file is created. The default is used if replication is not specified in create time.</description>  
</property>  
</configuration>  
  
  
        
部署Hadoop  
前面讲的这么多Hadoop的环境变量和配置文件都是在dbrg-1这台机器上的，现在需要将hadoop部署到其他的机器上，保证目录结构一致。  
\[dbrg@dbrg-1:~\]$scp  -r  /home/dbrg/HadoopInstall  dbrg-2:/home/dbrg/  
\[dbrg@dbrg-1:~\]$scp  -r  /home/dbrg/HadoopInstall  dbrg-3:/home/dbrg/  
至此，可以说，Hadoop已经在各个机器上部署完毕了下面就让我们开始启动Hadoop吧  
  
  
  
  
启动Hadoop  
启动之前，我们先要格式化namenode，先进入~/HadoopInstall/hadoop目录，执行下面的命令  
\[dbrg@dbrg-1:hadoop\]$bin/hadoop  namenode  -format  
不出意外，应该会提示格式化成功。如果不成功，就去hadoop/logs/目录下去查看日志文件  
下面就该正式启动hadoop啦，在bin/下面有很多启动脚本，可以根据自己的需要来启动。  
\* start-all.sh 启动所有的Hadoop守护。包括namenode, datanode, jobtracker, tasktrack  
\* stop-all.sh 停止所有的Hadoop  
\* start-mapred.sh 启动Map/Reduce守护。包括Jobtracker和Tasktrack  
\* stop-mapred.sh 停止Map/Reduce守护  
\* start-dfs.sh 启动Hadoop DFS守护.Namenode和Datanode  
\* stop-dfs.sh 停止DFS守护  
  
  
在这里，简单启动所有守护  
\[dbrg@dbrg-1:hadoop\]$bin/start-all.sh  
  
  
同样，如果要停止hadoop，则  
\[dbrg@dbrg-1:hadoop\]$bin/stop-all.sh  
  
  
  
  
HDFS操作  
运行bin/目录的hadoop命令，可以查看Haoop所有支持的操作及其用法，这里以几个简单的操作为例。  
  
  
建立目录  
\[dbrg@dbrg-1:hadoop\]$bin/hadoop  dfs  -mkdir  testdir  
在HDFS中建立一个名为testdir的目录  
  
  
复制文件  
\[dbrg@dbrg-1:hadoop\]$bin/hadoop  dfs  -put  /home/dbrg/large.zip  testfile.zip  
把本地文件large.zip拷贝到HDFS的根目录/user/dbrg/下，文件名为testfile.zip  
  
  
查看现有文件  
\[dbrg@dbrg-1:hadoop\]$bin/hadoop  dfs  -ls