Linux 安装以及基本使用Hadoop 详解

在  http://archive.apache.org/dist/ 去下载 hadoop，hadoop运行需要安装 JDK

1> 解压软件到目录

$ tar -zxf hadoop-2.5.0.tar.gz -C /opt/modules 

2> 删除 hadoop 中的 share/doc 目录，该目录中存放着Hadoop相关文档用的比较少，占用空间有几G且会影响 hadoop 编译

$ cd share

$ rm -rf ./doc/

3> 设置 Java 安装目录

使用远程编辑软件 进入到 modules/hadoop-2.5.0/etc/hadoop

    <1> 编辑 $HADOOP_HOME/etc/hadoop/hadoop-env.sh 文件

将文件中 export JAVA_HOME=${JAVA_HOME} 的 ${JAVA_HOME} 替换成Java目录，使用指令 # echo ${JAVA_HOME} 查看

    <2> 编辑 $HADOOP_HOME/etc/hadoop/mapred-env.sh 文件

设置 JAVA_HOME

    <3> 编辑 $HADOOP_HOME/etc/hadoop/yarn-env.sh 文件

设置 JAVA_HOME

4> 配置 *-site.xml 自定义文件

使用远程编辑软件 进入到 modules/hadoop-2.5.0/etc/hadoop

    <1> 编辑 $HADOOP_HOME/etc/hadoop/core-site.sh 文件，指定namenode主节点所在的位置以及交互端口号，设置本机ip地址，使用 $ hostname 查看

    fs.defaultFS

    hdfs://hadoop-senior01:8020

注 : 交互的端口号可以修改，由于 apache 一般使用 80 端口号因此此处设置默认端口号 80 开头

fs.defaultFS 默认存放在本地

    <2> 修改 hadoop.tmp.dir 的默认临时路径

在 hadoop 跟目录下创建 data/tmp 目录

$ mkdir -p data/tmp

编辑 $HADOOP_HOME/etc/hadoop/core-site.sh 文件，增加如下信息

        hadoop.tmp.dir

        /opt/modules/hadoop-2.5.0/data/tmp

hadoop.tmp.dir 是默认临时路径，默认在缓存目录，会被清理掉因此需要修改路径

    <3> 指定 datanode 从节点所在的位置

编辑 slaves 文件，使用 $hostname 查看机器地址，并设置到文件中

注：slaves 既代表 datanode 又代表 namenode

    <4> 指定副本个数

编辑 $HADOOP_HOME/etc/hadoop/hdfs-site.sh 文件 

        dfs.replication

        1

5> 对于NameNode进行格式化操作

$ bin/hdfs namenode -format

注：1> 在 hadoop 根目录中使用 $ bin/hdfs 指令查看所有指令

        2> 只需要一次格式化，多次格式化会出错

6> 启动相关的服务进程

$ sbin/hadoop-daemon.sh start namenode

$ sbin/hadoop-daemon.sh start datanode

注：使用 $jps 查看运行的相关进程

通过web浏览器加上50070端口号访问管理界面，访问地址： http://hadoop-senior01:50070/

对于HDFS文件系统进行读写上传下载测试：

$ bin/hdfs dfs -mkdir -p tmp/conf     // 创建目录

$ bin/hdfs dfs -put etc/hadoop/core-site.xml /user/chenshun/tmp/conf     // 上传文件

$ bin/hdfs dfs -cat /user/chenshun/tmp/conf/core-site.xml     // 查看文件

$ bin/hdfs dfs -get /user/chenshun/tmp/conf/core-site.xml /home/chenshun/cs-site.xml     // 下载文件

注 : hdfs也存在用户注目录的概念

报错要首先去看日志文件的报错信息

> hadoop-2.5.0/logs/查看具体的日志文件

> 查看以 .log 结尾的文件

使用 more 指令查看文件

7> reduce获取数据的方式

编辑 $HADOOP_HOME/etc/hadoop/yarn-site.xml 文件，增加如下信息

        yarn.nodemanager.aux-services

        mapreduce_shuffle

指定ResourceManager的位置，可配可不配

        yarn.resourcemanager.hostname

        hadoop-senior01

8> 指定 MapReduce 运行在 YARN 上

进入到 $HADOOP_HOME/etc/hadoop/

将 mapred-site.xml.template 重命名为 mapred-site.xml，编辑该文件增加

        mapreduce.framework.name

        yarn

在主目录下执行如下指令运行 yarn

$ sbin/yarn-daemon.sh start resourcemanager

$ sbin/yarn-daemon.sh start nodemanager

通过web浏览器加上8088端口号访问管理界面，访问地址： http://hadoop-senior01:8088/

YARN：分布式资源管理框架

             管理整个集群的资源（内存、CPU核数）

             分配调度集群的资源

MapReduce程序打成jar包运行在YARN上

$ bin/hdfs dfs -mkdir -p /user/chenshun/mapreduce/wordcount/input     // 创建输入目录

$ bin/hdfs dfs -put data/tmp/wc.input /user/chenshun/mapreduce/wordcount/input     // 上传文件到目录中

$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /user/chenshun/mapreduce/wordcount/input /user/chenshun/mapreduce/wordcount/output     // 打包运行（每次运行输出路径都不能相同）

察看结果

$ bin/hdfs dfs -cat /user/chenshun/mapreduce/wordcount/output/part*     // 察看文本结果

$ bin/hdfs dfs -text /user/chenshun/mapreduce/wordcount/output/part*    // 推荐使用，能转换成文本在查看

9> 日志文件

（1）启动日志文件目录 $HADOOP_HOME/logs

（2）分析日志文件格式 log 和 out

         .log：通过 log4j 记录的，记录大部分应用程序的日志信息

         .out：记录标准输出和标准错误日志，少量记录

（3）日志文件的命名规则：框架名称-用户名-进程名-主机名-日志格式后缀

历史服务器

historyServer : 查看已经完成的历史作业记录

编辑 $HADOOP_HOME/etc/hadoop/mapred-site.xml 文件增加，注可配可不配

        mapreduce.jobhistory.address

        hadoop-senior01:10020

        mapreduce.jobhistory.webapp.address

        hadoop-senior01:19888

启动历史服务器

$ sbin/mr-jobhistory-daemon.sh start historyserver

在  http://hadoop-senior01:8088/cluster 的运行中点击 History 查看历史信息，查看信息状态

10>  日志聚集

将 mapreduce 产生的日志文件上传到 HDFS 文件系统上，就可以从页面上查看日志文件

编辑 $HADOOP_HOME/etc/hadoop/yarn-site.xml 文件增加

    <1> 指定是否开启日志聚集功能，默认为 false

        yarn.log-aggregation-enable

        true

    <2> 设置日志在HDFS上保留的时间期限

        yarn.log-aggregation.retain-seconds

        106800

配置完成之后，需要重启YARN的服务进程，然后重新跑一次任务就可以查看过往的日志信息，historyserver同样也要重启

$ sbin/yarn-daemon.sh stop resourcemanager

$ sbin/yarn-daemon.sh stop nodemanager

$ sbin/mr-jobhistory-daemon.sh  stop historyserver

$ sbin/yarn-daemon.sh start resourcemanager

$ sbin/yarn-daemon.sh start nodemanager

$ sbin/mr-jobhistory-daemon.sh  start historyserver

$ bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /user/chenshun/mapreduce/wordcount/input /user/chenshun/mapreduce/wordcount/output3

11> HDFS文件权限检测

    <1> 设置不启用HDFS文件系统的权限检查，默认为 true

编辑 $HADOOP_HOME/etc/hadoop/hdfs-site.xml 文件增加

        dfs.permissions.enabled

        false

    <2> 指定修改 Hadoop静态用户名，默认是 dr.who

编辑 $HADOOP_HOME/etc/hadoop/core-site.xml 文件增加

        hadoop.http.staticuser.user

        chenshun

配置之后需要重启HDFS相关的进程

$ sbin/hadoop-daemon.sh stop namenode

$ sbin/hadoop-daemon.sh stop datanode

$ sbin/mr-jobhistory-daemon.sh  stop historyserver

$ sbin/yarn-daemon.sh stop resourcemanager

$ sbin/yarn-daemon.sh stop nodemanager

$ sbin/hadoop-daemon.sh start namenode

$ sbin/hadoop-daemon.sh start datanode

$ sbin/mr-jobhistory-daemon.sh start historyserver

$ sbin/yarn-daemon.sh start resourcemanager

$ sbin/yarn-daemon.sh start nodemanager

浏览器访问地址  http://hadoop-senior01:19888/

常见错误

1> 格式化错误

2> 集群 id 不一致

注：建议不要切换多用户去操作，否则将会出现异常错误

经常出现的警告

WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable

在 $HADOOP_HOME/lib/native 目录中，不能获取编译者在什么系统上进行编译的，所以会导致版本不一致，无法加载本地库

解决方法，直接替换改库到指定版本：

$ cd /opt/softwares/

$ tar -zxf native-2.5.0.tar.gz -C /opt/modules/

$ cd /opt/modules/hadoop-2.5.0/lib

$ mv native/ back_native

$ cp -r /opt/modules/native/ /opt/modules/hadoop-2.5.0/lib

在 $HADOOP_HOME 中执行如下指令就不会出现警告

$ bin/hdfs dfs -ls /

12> Hadoop配置文件

    1、分为两类：默认配置文件、自定义配置文件

    2、第一步加载默认配置文件

    3、第二步加载自定义配置文件

    4、优先级：自定义的文件优先级高于默认配置文件

HDFS

core-default  -site

hdfs-default  -site

服务端server

客户端client