分散式處理框架Hadoop的安裝與使用

Hadoop簡介

Hadoop是一個由Apache基金會所開發的分散式系統基礎架構。使用者可以在不瞭解分散式底層細節的情況下，開發分散式程式。

充分利用叢集的威力進行高速運算和儲存。Hadoop實現了一個分散式檔案系統（Hadoop Distributed File System），簡稱

HDFS。HDFS有高容錯性的特點，並且設計用來部署在低廉的（low-cost）硬體上；而且它提供高吞吐量（high throughput）

來訪問應用程式的資料，適合那些有著超大資料集（large data set）的應用程式。HDFS放寬了（relax）POSIX的要求，可以以

流的形式訪問（streaming access）檔案系統中的資料。Hadoop的框架最核心的設計就是：HDFS和MapReduce。HDFS為海

量的資料提供了儲存，而MapReduce則為海量的資料提供了計算  。

環境：

CentOS7。

安裝指南：《VMware安裝Centos7並聯網使用》

一、新建hadoop使用者

1、以root使用者登入虛擬機器，建立使用者hadoop

$ useradd -m hadoop -s /bin/bash   # 建立新使用者hadoop
$ passwd hadoop   #設定密碼

2、為hadoop使用者新增管理員許可權

$ visudo

出現以下內容

按下鍵盤上的esc鍵，輸入“:98”(先輸入冒號，再輸入98)，便於快速定位到98行。按下鍵盤上的i，進入插入模式。

新增如下內容，空格就是一個tab鍵。

最後按下esc鍵，輸入“:wq”（先輸入冒號，再輸入wq），意為儲存並退出。

執行exit，退出root狀態，重新以hadoop使用者登入。

二、安裝SSH、配置SSH無密碼登入

SSH 是較可靠，專為遠端登入會話和其他網路服務提供安全性的協議。使用SSH，還有一個額外的好處就是傳輸的資料是經過壓

縮的，所以可以加快傳輸的速度。

一般情況下，CentOS已經預設幫你安裝好了ssh-clients、ssh-server，不需要再額外進行安裝。

可以使用shell命令，檢視你本機的ssh安裝情況。

$ rpm -qa | grep ssh

如果結果如下，包含了ssh-clients、ssh-server，說明已經安裝好了，不需要額外安裝。

如果未安裝，可以通過yum進行安裝：

$ sudo yum install openssh-clients
$ sudo yum install openssh-server

執行命令，檢視ssh是否可用：

$ ssh localhost

首次登入會有提示：

輸入yes，按照提示輸入密碼，就可以登入到本機。但是這樣連線每次都需要輸入密碼。配置成無密碼登入比較方便。

利用ssh-keygen生成金鑰，並將金鑰新增到授權資訊中。

cd ~/.ssh/                     # 若沒有該目錄，請先執行一次ssh localhost
ssh-keygen -t rsa              # 會有提示，都按回車就可以
cat id_rsa.pub >> authorized_keys  # 加入授權
chmod 600 ./authorized_keys    # 修改檔案許可權

需要鍵入內容地方直接回車。

我們再次使用ssh localhost，就可以直接登入了。

三、安裝java環境

下載jdk-8u51-linux-x64.tar.gz壓縮包到/home/hadoop/download資料夾，並解壓縮到/usr/lib/jvm資料夾

$ tar -zxf ~/download/jdk-8u51-linux-x64.tar.gz -C /usr/lib/jvm

編輯環境變數：

$ vi ~/.bashrc

新增JAVA_HOME：

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_51
export PATH=$JAVA_HOME/bin

讓環境變數生效：

$ source ~/.bashrc

檢視java版本：

$ java -version

檢驗環境變數是否正確：

$ echo $JAVA_HOME     # 檢驗變數值
$ java -version
$ $JAVA_HOME/bin/java -version  # 與直接執行 java -version 一樣

四、安裝Hadoop2

映象倉庫：

https://mirrors.cnnic.cn/apache/hadoop/common/hadoop-2.7.7/

http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-2.7.7/

下載“*.tar.gz”，-src檔案是Hadoop的原始碼。

將下載的tar.gz檔案放到/usr/hadoop/download下。

執行命令解壓修改hadoop檔案：

$ sudo tar -zxf ~/download/hadoop-2.7.7.tar.gz -C /usr/local    # 解壓到/usr/local中
$ cd /usr/local/
$ sudo mv ./hadoop-2.7.7/ ./hadoop            # 將資料夾名改為hadoop
$ sudo chown -R hadoop:hadoop ./hadoop        # 修改檔案許可權

檢視hadoop版本資訊：

$ cd /usr/local/hadoop
$ ./bin/hadoop version

五、Hadoop單機配置(非分散式)

Hadoop 預設模式為非分散式模式，無需進行其他配置即可執行。非分散式即單 Java 程式，方便進行除錯。

現在我們可以執行例子來感受下 Hadoop 的執行。Hadoop 附帶了豐富的例子（執行 /usr/local/hadoop/bin/hadoop jar

/usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar可以看到所有例子），包括

wordcount、terasort、join、grep 等。

在此我們選擇執行 grep 例子，我們將 input 資料夾中的所有檔案作為輸入，篩選當中符合正規表示式dfs[a-z.]+的單詞並統計出

現的次數，最後輸出結果到 output 資料夾中。

$ cd /usr/local/hadoop
$ mkdir ./input
$ cp ./etc/hadoop/*.xml ./input   # 將配置檔案作為輸入檔案
$ ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar grep ./input ./output 'dfs[a-z.]+'
$ cat ./output/*          # 檢視執行結果

**注意: **Hadoop 預設不會覆蓋結果檔案，因此再次執行上面例項會提示出錯，需要先將./output刪除。

刪除輸出檔案：

$ rm -r ./output

六、Hadoop偽分散式配置

Hadoop 可以在單節點上以偽分散式的方式執行，Hadoop 程式以分離的 Java 程式來執行，節點既作為 NameNode 也作為

DataNode，同時，讀取的是 HDFS 中的檔案。

在設定 Hadoop 偽分散式配置前，我們還需要設定 HADOOP 環境變數，執行如下命令在 ~/.bashrc 中設定：

$ vi ~/.bashrc

在檔案最後面增加如下內容：

# Hadoop Environment Variables
export HADOOP_HOME=/usr/local/hadoop
export HADOOP_INSTALL=$HADOOP_HOME
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin

使檔案生效：

$ source ~/.bashrc

Hadoop 的配置檔案位於 /usr/local/hadoop/etc/hadoop/中，偽分散式需要修改2個配置檔案 core-site.xml 和 hdfs-

site.xml 。

Hadoop的配置檔案是 xml 格式，每個配置以宣告 property 的 name 和 value 的方式來實現。

修改core-site.xml檔案：

將替換成如下內容：

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

修改hdfs-site.xml檔案：

將替換成如下內容：

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

配置完成後，執行 NameNode 的格式化:

$ /usr/local/hadoop/bin/hdfs namenode -format

成功則會顯示successfully formatted與Exiting with status 0。失敗則會Exiting with status 1。

開啟NameNode與DataNode守護程式：

$ /usr/local/hadoop/sbin/start-dfs.sh

出現“Are you sure you want to continue connecting”提示時，輸入yes繼續執行。

啟動完成後，可以通過命令JPS來判斷是否成功啟動，若成功啟動則會列出如下程式: “NameNode”、”DataNode”和

SecondaryNameNode（如果 SecondaryNameNode 沒有啟動，請執行 sbin/stop-dfs.sh 關閉程式，然後再次嘗試啟動嘗試）。

如果沒有 NameNode 或 DataNode ，那就是配置不成功，請仔細檢查之前步驟，或通過檢視啟動日誌排查原因。

通過檢視啟動日誌分析啟動失敗原因

有時 Hadoop 無法正確啟動，如 NameNode 程式沒有順利啟動，這時可以檢視啟動日誌來排查原因，注意幾點：

• 啟動時會提示形如 “localhost: starting namenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-namenode-localhost.out”，其中 localhost對應你的主機名，但啟動的日誌資訊是記錄在 /usr/local/hadoop/logs/hadoop-hadoop-namenode-localhost.log 中，所以應該檢視這個字尾為.log的檔案；
• 每一次的啟動日誌都是追加在日誌檔案之後，所以得拉到最後面看，看下記錄的時間就知道了。
• 一般出錯的提示在最後面，也就是寫著 Fatal、Error 或者 Java Exception 的地方。
• 可以在網上搜尋一下出錯資訊，看能否找到一些相關的解決方法。

成功啟動後，可以訪問 Web 介面http://localhost:50070檢視 NameNode 和 Datanode 資訊，還可以線上檢視 HDFS 中的檔案。

由於本例中未使用CentOS圖形化介面，所以需要在windows瀏覽器上訪問虛擬機器中hadoop的web介面。

CentOS7中埠開放請移步《CentOS7 中開放埠》。

七、執行Hadoop偽分散式例項

上面例子是單機模式，讀取的資料是本地檔案。偽分散式例項資料來源於HDFS檔案系統。要使用HDFS，首先需要在HDFS中創

建使用者目錄。

$ /usr/local/hadoop/bin/hdfs dfs -mkdir -p /user/hadoop

將/usr/local/hadoop/etc/hadoop/下所有xml作為檔案複製到hdfs的/user/hadoop/input中。

我們使用的是 hadoop 使用者，並且已建立相應的使用者目錄 /user/hadoop ，因此在命令中就可以使用相對路徑如 input，其對應

的絕對路徑就是 /user/hadoop/input。

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

複製完成之後，可以通過命令檢視HDFS中檔案列表：

$ /usr/local/hadoop/bin/hdfs dfs -ls input

執行MapReduce作業：

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

檢視執行結果：

$ /usr/local/hadoop/bin/hdfs dfs -cat output/*

將HDFS中的檔案取回到本地：

$ rm -r /usr/local/hadoop/output    # 先刪除本地的 output 資料夾（如果存在）
$ /usr/local/hadoop/bin/hdfs dfs -get output /usr/local/hadoop/output     # 將 HDFS 上的 output 資料夾拷貝到本機
cat /usr/local/hadoop/output/*

Hadoop在執行時，輸出目錄不能存在，如果存在，就會丟擲org.apache.hadoop.mapred.FileAlreadyExistsException異常。

所以在執行前，需要刪除輸出目錄。

/usr/local/hadoop/bin/hdfs dfs -rm -r output    # 刪除 output 資料夾

關閉Hadoop：

/usr/local/hadoop/sbin/stop-dfs.sh

注意：下次啟動 hadoop 時，無需進行 NameNode 的初始化，只需要執行/usr/local/hadoop/sbin/start-dfs.sh就可以！

八、 啟動YARN

新版的 Hadoop 使用了新的 MapReduce 框架（MapReduce V2，也稱為 YARN，Yet Another Resource Negotiator）。

YARN 是從 MapReduce 中分離出來的，負責資源管理與任務排程。YARN 執行於 MapReduce 之上，提供了高可用性、高擴充套件

性。

偽分散式不啟動 YARN 也可以，一般不會影響程式執行。

上述通過/usr/local/hadoop/sbin/start-dfs.sh啟動 Hadoop，僅僅是啟動了 MapReduce 環境，我們可以啟動 YARN ，讓

YARN 來負責資源管理與任務排程。

修改配置檔案mapred-site.xml：

$ cd /usr/local/hadoop/etc/hadoop  #進入配置檔案的資料夾
$ mv ./mapred-site.xml.template ./mapred-site.xml  #重新命名
$ vi ./mapred-site.xml  #編輯檔案

將configuration修改如下：

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

修改配置檔案yarn-site.xml：

$ vi ./yarn-site.xml

將configuration修改如下：

<configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
        </property>
</configuration>

啟動YARN

$ /usr/local/hadoop/sbin/start-yarn.sh      $ 啟動YARN
$ /usr/local/hadoop/sbin/mr-jobhistory-daemon.sh start historyserver  # 開啟歷史伺服器，才能在Web中檢視任務執行情況

通過jps檢視，可以看到多了ResourceManager與NodeManager兩個程式。

啟動後，可通過web介面http://localhost:8088/cluster檢視任務執行情況

YARN 主要是為叢集提供更好的資源管理與任務排程，然而這在單機上體現不出價值，反而會使程式跑得稍慢些。因此在單機上

是否開啟 YARN 就看實際情況了。

注意: 不啟動 YARN 需重新命名 mapred-site.xml

如果不想啟動 YARN，務必把配置檔案 mapred-site.xml 重新命名，改成 mapred-site.xml.template，需要用時改回來就行。否

則在該配置檔案存在，而未開啟 YARN 的情況下，執行程式會提示 “Retrying connect to server: 0.0.0.0/0.0.0.0:8032” 的錯誤，

這也是為何該配置檔案初始檔名為 mapred-site.xml.template。

關閉YARN

$ /usr/local/hadoop/sbin/stop-yarn.sh
$ /usr/local/hadoop/sbin/mr-jobhistory-daemon.sh stop historyserver