hadoop集群配置--成功运行

── 分布式计算开源框架Hadoop入门实践其实参看Hadoop官方文档已经能够很容易配置分布式框架运行环境了，不过这里既然写了就再多写一点，同时有一些细节需要注意的也说明一下，其实也就是这些细节会让人摸索半天。Hadoop可以单机跑，也可以配置集群跑，单机跑就不需要多说了，只需要按照Demo的运行说明直接执行命令即可。这里主要重点说一下集群配置运行的过程。 ...

hmilyzhangl

212人浏览 · 2011-11-18 09:55:17

hmilyzhangl · 2011-11-18 09:55:17 发布

── 分布式计算开源框架Hadoop入门实践

其实参看Hadoop官方文档已经能够很容易配置分布式框架运行环境了，不过这里既然写了就再多写一点，同时有一些细节需要注意的也说明一下，其实也就是这些细节会让人摸索半天。Hadoop可以单机跑，也可以配置集群跑，单机跑就不需要多说了，只需要按照Demo的运行说明直接执行命令即可。这里主要重点说一下集群配置运行的过程。

实验环境：hadoop-0.20.2

3台普通的机器，操作系统都是Linux。内存和CPU就不说了，反正Hadoop一大特点就是机器在多不在精。JDK必须是1.5以上的，这个切记。3台机器的机器名务必不同，后续会谈到机器名对于MapReduce有很大的影响。

部署考虑

对于Hadoop的集群来说，可以分成两大类角色：Master和Slave，前者主要配置NameNode和JobTracker的角色，负责总管分布式数据和分解任务的执行，后者配置DataNode和TaskTracker的角色，负责分布式数据存储以及任务的执行（一般master只有一个，slave有多少）。

IP；10.0.98.171 namenode jobTracker

IP:10.0.98.172 datanode taskTracker

IP:10.0.98.173 datanode taskTracker

实施步骤

在所有的机器上都建立相同的目录，也可以就建立相同的用户，以该用户的home路径来做hadoop的安装路径。例如我在所有的机器上都建立了/home/hadoopInstall 。
下载Hadoop，先解压到Master上。这里我是下载的0.20.2的版本。此时Hadoop的安装路径就是/home/ hadoopInstall /hadoop-0.20.2 。
解压后进入conf目录，主要需要修改以下文件：hadoop-env.sh ，core-site.xml 、masters 、slaves,mapred-set.xml这五个配置文件。

Hadoop的基础配置文件是hadoop-default.xml ，看Hadoop的代码可以知道，默认建立一个Job的时候会建立Job的Config，Config首先读入hadoop-default.xml 的配置，然后再读入core-site.xml 的配置（这个文件初始的时候配置为空），core -site.xml 中主要配置你需要覆盖的hadoop-default.xml 的系统级配置，以及你需要在你的MapReduce过程中使用的自定义配置（具体的一些使用例如final等参考文档）。

以下是一个简单的core -site.xml 的配置：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>



<configuration>

<property>
<name>fs.default.name</name> //你的namenode的配置，机器名加端口

    </property>
    <property>
        <name>dfs.replication</name> //数据需要备份的数量，默认是三
        <value>1</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name> //Hadoop的默认临时路径，这个最好配置，如果在新增节点或者其他情况下莫名其妙的DataNode启动不了，就删除此文件中的tmp目录即可。不过如果删除了NameNode机器的此目录，那么就需要重新执行NameNode格式化的命令。
        <value>/home/hadoop/tmp</value>
    </property>

</configuration>

hadoop-env.sh 文件只需要修改一个参数：

# The java implementation to use. Required.
export JAVA_HOME=/usr/java/jdk1.6.0_26 //配置java的环境变量，记住一定要1.5版本以上，免得莫名其妙出现问题。

Masters中配置Masters的IP或者机器名，如果是机器名那么需要在/etc/hosts 中有所设置。Slaves中配置的是Slaves的IP或者机器名，同样如果是机器名需要在/etc/hosts 中有所设置。范例如下，我这里配置的都是IP：

      Masters:
   10.0.98.171

Slaves:
   10.0.98.172
     10.0.98.173

建立Master到每一台Slave的SSH受信证书。由于Master将会通过SSH启动所有Slave的Hadoop，所以需要建立单向或者双向证书保证命令执行时不需要再输入密码。在Master和所有的Slave机器上执行：ssh-keygen -t dsa 。执行此命令的时候，看到提示只需要回车。然后就会在/root/.ssh/ 下面产生id_rsa.pub 的证书文件，并将其改名为authorized_keys，然后通过scp将Master机器上的这个文件拷贝到Slave上（记得修改名称），例如：scp root@masterIP:/root/.ssh/authorized_keys /root/.ssh/authorized_keys ，可以打开这个文件看看，也就是rsa的公钥作为key，user@IP作为value。此时可以试验一下，从master ssh到slave已经不需要密码了。由slave反向建立也是同样。为什么要反向呢？其实如果一直都是Master启动和关闭的话那么没有必要建立反向，只是如果想在Slave也可以关闭Hadoop就需要建立反向。
将Master上的Hadoop通过scp拷贝到每一个Slave相同的目录下，根据每一个Slave的Java_HOME 的不同修改其hadoop-env.sh 。
修改Master上/etc/profile： 新增以下内容：（具体的内容根据你的安装路径修改，这步只是为了方便使用） export HADOOP_HOME=/home/wenchu/hadoop-0.17.1 export PATH=$PATH:$HADOOP_HOME/bin 修改完毕后，执行source /etc/profile 来使其生效。
配置mapreduce （修改配置文件mapred-site.xml）,所有节点相同    <?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>



<configuration>
    <property>
        <name>mapred.job.tracker</name>
        <value>10.0.98.171:9001</value>
    </property>
</configuration>
在Master上执行Hadoop namenode –format ，这是第一需要做的初始化，可以看作格式化吧，以后除了在上面我提到过删除了Master上的hadoop.tmp.dir 目录，否则是不需要再次执行的。
然后执行Master上的start-all.sh ，这个命令可以直接执行，因为在6中已经添加到了path路径，这个命令是启动hdfs和mapreduce两部分，当然你也可以分开单独启动hdfs和mapreduce，分别是bin目录下的start-dfs.sh 和start-mapred.sh 。
检查Master的logs目录，看看Namenode日志以及JobTracker日志是否正常启动。
检查Slave的logs目录看看Datanode日志以及TaskTracker日志是否正常。
如果需要关闭，那么就直接执行stop-all.sh 即可。

以上步骤就可以启动Hadoop的分布式环境，然后在Master的机器进入Master的安装目录，执行hadoop jar hadoop-0.20.2-examples.jar wordcount 输入路径和输出路径，就可以看到字数统计的效果了。此处的输入路径和输出路径都指的是HDFS中的路径，因此你可以首先通过拷贝本地文件系统中的目录到HDFS中的方式来建立HDFS中的输入路径：

hadoop dfs -copyFromLocal /home/hadoopInstall/test-in test-in。 其中/home/hadoopInstall/test-in 是本地路径，test-in 是将会建立在HDFS中的路径，执行完毕以后可以通过hadoop dfs –ls 看到test-in目录已经存在，同时可以通过hadoop dfs –ls test-in 查看里面的内容。输出路径要求是在HDFS中不存在的，当执行完那个demo以后，就可以通过hadoop dfs –ls 输出路径看到其中的内容，具体文件的内容可以通过hadoop dfs –cat 文件名称来查看。

经验总结和注意事项（这部分是我在使用过程中花了一些时间走的弯路）：

Master和Slave上的几个conf配置文件不需要全部同步，如果确定都是通过Master去启动和关闭，那么Slave机器上的配置不需要去维护。但如果希望在任意一台机器都可以启动和关闭Hadoop，那么就需要全部保持一致了。
Master和Slave机器上的/etc/hosts 中必须把集群中机器都配置上去，就算在各个配置文件中使用的是IP。这个吃过不少苦头，原来以为如果配成IP就不需要去配置Host，结果发现在执行Reduce的时候总是卡住，在拷贝的时候就无法继续下去，不断重试。另外如果集群中如果有两台机器的机器名如果重复也会出现问题。
如果在新增了节点或者删除节点的时候出现了问题，首先就去删除Slave的hadoop.tmp.dir ，然后重新启动试试看，如果还是不行那就干脆把Master的hadoop.tmp.dir 删除（意味着dfs上的数据也会丢失），如果删除了Master的hadoop.tmp.dir ，那么就需要重新namenode –format 。
Map任务个数以及Reduce任务个数配置。前面分布式文件系统设计提到一个文件被放入到分布式文件系统中，会被分割成多个block放置到每一个的DataNode上，默认dfs.block.size 应该是64M，也就是说如果你放置到HDFS上的数据小于64，那么将只有一个Block，此时会被放置到某一个DataNode中，这个可以通过使用命令：hadoop dfsadmin –report 就可以看到各个节点存储的情况。也可以直接去某一个DataNode查看目录：hadoop.tmp.dir/dfs/data/current 就可以看到那些block了。Block的数量将会直接影响到Map的个数。当然可以通过配置来设定Map和Reduce的任务个数。Map的个数通常默认和HDFS需要处理的blocks相同。也可以通过配置Map的数量或者配置minimum split size来设定，实际的个数为：max(min(block_size,data/#maps),min_split_size) 。Reduce可以通过这个公式计算：0.95*num_nodes*mapred.tasktracker.tasks.maximum 。