如何配置Hadoop环境

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1

一、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123

二、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12

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12

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.VersionInfo1

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/hadoopexport JAVA_HOME=/usr/lib/java/jdk1.8.0_45export JRE_HOME=${JAVA_HOME}/jreexport CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/libexport PATH=$PATH:${JAVA_HOME}/bin:${JRE_HOME}/bin:${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin12345

使配置的变量生效：

source /etc/profile1

三、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.]+'1234

输出的结果应该会是：

1   dfsadmin 1

• 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！

四、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


•  2


•  3


• 18  


• 19


• 20  


• 21     hadoop.tmp.dir


• 22     file:/home/hadoop/tmp


• 23     Abase for other temporary directories.


• 24  


• 25  


• 26     fs.default.name


• 27     hdfs://master:9000


• 28  


• 29 1234567891011121314151617



文件hdfs-site.xml的配置如下：

•  1


•  2


•  3


• 18  


• 19


• 20  


• 21     dfs.replication


• 22     1


• 23  


• 24  


• 25     dfs.namenode.name.dir


• 26     file:/home/hadoop/tmp/dfs/name


• 27  


• 28  


• 29     dfs.datanode.data.dir


• 30     file:/home/hadoop/tmp/dfs/data


• 31                                                                            


• 32 1234567891011121314151617181920



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 -format1



若格式化成功，在临近输出的结尾部分可看到如下信息： 


五、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12



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.1



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12



再次执行

•    `echo $HADOOP_HOME`/sbin/start-all.sh1



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：

•    jps1



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.sh1



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/ 


六、运行伪分布式实例

以上的“四、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“四”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 /input12



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 12



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.]+'1



可看见如下输出： 
 
再次查看HDFS中的目录：

•    hdfs dfs -ls /


•    hdfs dfs -cat /output*12





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： 
 


七、Hadoop集群安装

关乎集群，必然需要各太机器间能够通信，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/hostname1



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123456



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

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12345



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/hadoop12



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1234



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 slave011





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


• slave0212



core-site.xml：

•  1


•  2


•  3


• 18  


• 19


• 20  


• 21     hadoop.tmp.dir


• 22     file:/home/hadoop/tmp


• 23     Abase for other temporary directories.


• 24  


• 25  


• 26     fs.defaultFS


• 27     hdfs://master:9000


• 28  


• 29  1234567891011121314151617



hdfs-site.xml：

•  1


•  2


•  3


• 18  


• 19


• 20  


• 21     dfs.replication


• 22     2


• 23  


• 24  


• 25     dfs.namenode.name.dir


• 26     file:/home/hadoop/tmp/dfs/name


• 27  


• 28  


• 29     dfs.datanode.data.dir


• 30     file:/home/hadoop/tmp/dfs/data


• 31  


• 32  


• 33     dfs.namenode.secondary.http-address


• 34     master:50090


• 35  


• 36 123456789101112131415161718192021222324



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.xml1



vim:

•  1


•  2


•  3


• 18  


• 19


• 20  


• 21     mapreduce.framework.name


• 22     yarn


• 23  


• 24  


• 25     mapreduce.jobhistory.address


• 26     master:10020


• 27  


• 28  


• 29     mapreduce.jobhistory.webapp.address


• 30     master:19888


• 31  


• 32 123456789101112131415161718192021



yarn-site.xml：

•  1                                                              


•  2


• 15


• 16


• 17  


• 18     yarn.resourcemanager.hostname


• 19     master


• 20  


• 21  


• 22     yarn.nodemanager.aux-services


• 23     mapreduce_shuffle


• 24  


• 25 12345678910111213141516



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 ./logs123



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1



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 historyserver1234



执行结果： 


再使用jps查看启动之后的状态：

•    jps1




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 -refreshNodes1



八、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 /input12



运行mapreduce示例：

•    hadoop jar /usr/local/etc/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep /input /output 'dfs[a-z.]+'1



holding…