hadoop集群部署(yarn)

伴随着各大互联网公司开源自己的大数据框架，大数据处理领域的框架已经比较完善。到现在所谓大数据的框架已经用过habase（后来换成了elasticsearch）、zookeeper、kafka、storm，根据项目计划，接下来还要使用spark。虽然在众多框架中仅仅几个，但是也是已经涉及多个方面：数据存储、分布式协调、消息、实时计算等。没有找到任何一个框架能够完美解决所有问题，也就应了那句话，开发领域根本就没有银色子弹。所以即使是比较年长的hadoop（2004年到现在已经12年了，年纪也比较大了），也有能够体现其价值的地方。

最近用了storm，部署topology的时候总是感觉资源使用不平衡，于是想到了yarn能够对hadoop实现资源的协调，那是不是可以扩展一下，对storm也提供资源协调呢。google一下，果然yahho!已经开源了一个storm-yarn组件，于是学习一下，同时也把hadoop的部署复习了一遍。（关于hadoop的单机部署、伪分布式部署可以查看Hadoop环境部署）

1. 基础操作

这里说的基础操作是指对hadoop环境最基本的修改，比如提供java环境、指定JAVA_HOME、格式化namenode数据、免密码登录等，这些在Hadoop环境部署中都有提到。不得不说的是，Hadoop部署虽然简单，但是如果配置不正确，可能出现这种那种奇奇怪怪的错误。（这样一想，hadoop真的比较娇气。）

2. 文件配置

接下来就该对hadoop的文件进行修改，这是重头戏，修改好之后系统就能够顺利启动了。

注意：这里修改了几个默认端口，如果没有特殊需要，可以不做修改。

2.1 服务器

建议修改hostname，设置成比较容易记忆的，比如：hadoop01.xxx.com或者resourcemanager.xxx.com等，我这里偷懒，直接使用之前设置的。

这里使用了公司的4台服务器：
- s107：yarn的ResourceManager
- s108：hdfs的NameNode；yarn的NodeManager；历史服务器JobHistoryServer
- s109：hdfs的SecondaryNameNode；yarn的NodeManager
- s110：hdfs的DataNode；yarn的NodeManager
- s111：hdfs的DataNode；yarn的NodeManager

因为Secondary NameNode做日志合并的时候需要占用大量CPU和内存，所以这里将Secondary NameNode与NameNode分布在两台机器上。

另外，这里的NameNode和ResourceManager都没有做HA，在生产环境部署也是不完整的，后期会在这里补充。

2.2 core-site.xml

这个没有什么特别注意的，配置一下NameNode的host和端口、文件队列中io缓冲区大小、临时文件的路径就行：

<configuration>
  <property>
    <name>fs.defaultFSname>
    <value>hdfs://s108:9000value>
    <description>NameNode的URIdescription>
  property>
  <property>
    <name>io.file.buffer.sizename>
    <value>131072value>
    <description>文件队列中io缓冲区大小description>
  property>
  <property>
    <name>hadoop.tmp.dirname>
    <value>file:/data/hadoop/datavalue>
  property>
configuration>

2.3 hdfs-site.xml

这个文件是NameNode的相关配置：

<configuration>
  <property>
    <name>dfs.namenode.http-addressname>
    <value>s108:50070value>
  property>
  <property>
    <name>dfs.namenode.rpc-addressname>
    <value>s108:9000value>
  property>
  <property>
    <name>dfs.namenode.secondary.http-addressname>
    <value>s109:50090value>
  property>
  <property>
    <name>dfs.namenode.name.dirname>
    <value>file:///data/hadoop/data/dfs/namevalue>
    <description>NameNode在本地文件系统中存储命名空间和持久化日志的位置description>
  property>
  <property>
    <name>dfs.blocksizename>
    <value>268435456value>
    <description>HDFS文件块大小：256MBdescription>
  property>
  <property>
    <name>dfs.namenode.handler.countname>
    <value>100value>
    <description>NameNode服务中处理DataNode的RPC调用的线程数description>
  property>
  <property>
    <name>dfs.datanode.data.dirname>
    <value>file:///data/hadoop/data/dfs/datavalue>
    <description>DataNode存储数据的位置，如果是用逗号隔开的多个路径，每个路径都存一份description>
  property>
  <property>
    <name>dfs.replicationname>
    <value>3value>
    <description>复制因子，数据复制数description>
  property>
  <property>
    <name>dfs.webhdfs.enabledname>
    <value>truevalue>
  property>
configuration>

2.4 mapred-site.xml

这个文件是配置MapReduce任务的配置：

<configuration>
  <property>
    <name>mapreduce.framework.namename>
    <value>yarnvalue>
    <description>设置执行job的是Yarn框架description>
  property>
  <property>
    <name>mapreduce.map.memory.mbname>
    <value>1024value>
    <description>map的最大可使用资源description>
  property>
  <property>
    <name>mapreduce.map.java.optsname>
    <value>-Xmx1024Mvalue>
    <description>map的堆内存description>
  property>
  <property>
    <name>mapreduce.reduce.memory.mbname>
    <value>3072value>
    <description>reduce的最大可使用资源description>
  property>
  <property>
    <name>mapreduce.reduce.java.optsname>
    <value>-Xmx2560Mvalue>
    <description>reduce堆内存description>
  property>
  <property>
    <name>mapreduce.task.io.sort.mbname>
    <value>512value>
    <description>数据排序时的内存大小description>
  property>
  <property>
    <name>mapreduce.task.io.sort.factorname>
    <value>100value>
    <description>数据排序时合并多个数据流description>
  property>
  <property>
    <name>mapreduce.reduce.shuffle.parallelcopiesname>
    <value>50value>
    <description>当map数量多于reduce数量时，增加reduce并行副本数量。description>
  property>
  <property>
    <name>mapreduce.jobhistory.addressname>
    <value>s108:10020value>
    <description>JobHistoryServer的URIdescription>
  property>
  <property>
    <name>mapreduce.jobhistory.webapp.addressname>
    <value>s108:19888value>
    <description>JobHistoryServer web服务的URIdescription>
  property>
  <property>
    <name>yarn.app.mapreduce.am.staging-dirname>
    <value>/data/hadoop/yarn/stagingvalue>
    <description>job数据存储位置description>
  property>
  <property>
    <name>mapreduce.jobhistory.intermediate-done-dirname>
    <value>${yarn.app.mapreduce.am.staging-dir}/history/done_intermediatevalue>
    <description>job的历史数据的临时位置description>
  property>
  <property>
    <name>mapreduce.jobhistory.done-dirname>
    <value>${yarn.app.mapreduce.am.staging-dir}/history/donevalue>
    <description>job的历史数据的归档位置description>
  property>
configuration>

2.5 yarn-site.xml

这个是配置ResourceManager和NodeManager的：

<configuration>
  
  
  <property>
    <name>yarn.acl.enablename>
    <value>falsevalue>
    <description>使用使用ACL，默认是falsedescription>
  property>
  <property>
    <name>yarn.admin.aclname>
    <value>*value>
    <description>集群中的管理员，用逗号隔开，默认是*，表示谁都可以description>
  property>
  <property>
    <name>yarn.log-aggregation-enablename>
    <value>falsevalue>
    <description>是否开启日志聚类运算description>
  property>
  
  <property>
    <name>yarn.nodemanager.aux-services.mapreduce.shuffle.classname>
    <value>org.apache.hadoop.mapred.ShuffleHandlervalue>
  property>
  <property>
    <name>yarn.resourcemanager.addressname>
    <value>s107:8032value>
    <description>客户端提交任务的ResourceManager的URI/description>
  property>
  <property>
    <name>yarn.resourcemanager.scheduler.addressname>
    <value>s107:8030value>
    <description>向调度器协调资源的URIdescription>
  property>
  <property>
    <name>yarn.resourcemanager.resource-tracker.addressname>
    <value>s107:8031value>
    <description>为NodeManager提供的URIdescription>
  property>
  <property>
    <name>yarn.resourcemanager.admin.addressname>
    <value>s107:8033value>
    <description>给管理命令的URIdescription>
  property>
  <property>
    <name>yarn.resourcemanager.webapp.addressname>
    <value>s107:8088value>
    <description>ResourceManager的web服务URIdescription>
  property>
  
  <property>
    <name>yarn.nodemanager.aux-servicesname>
    <value>mapreduce_shufflevalue>
    <description>排序服务description>
  property>
configuration>

2.6 master文件

该文件需要自己创建，用于将NameNode与Secondary NameNode分别部署：

s109

2.7 salves文件

该文件用于指定DataNode的节点，默认是localhost，可以自己填写hostname或ip，每行一个：

s110
s111

至此，可以算是配置结束，还有一些调优的参数，可以根据实际情况进行调整。

3. 测试

先在每个服务器上执行hdfs namenode -format，然后在s107上执行start-yarn.sh启动YARN，在s108上执行start-dfs.sh启动HDFS，在s108上通过mr-jobhistory-daemon.sh start historyserver启动历史服务器。使用jps查看进程，可以得到文章开头所列出的进程列表。然后就使用举世闻名的wordcount进行测试。

mkdir input
echo "this is test" >> input/file
echo "this is a test" >> input/file
hadoop dfs -copyFromLocal input /input
hadoop jar ../default/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.3.jar wordcount /input /output

注意：
1. hadoop.tmp.dir、dfs.namenode.name.dir、dfs.datanode.data.dir三个参数指定的文件夹需要提前创建
2. 可以在${PATH}中添加hadoop的sbin目录，将hadoop的脚本或程序添加到PATH中
3. 需要保证hdfs的根目录中没有output文件夹，否则可以改个名字：output2…
4. 因为使用使用Yarn管理任务，可以在浏览器访问http://s107:8088/查看执行状态

---

个人主页: http://www.howardliu.cn

个人博文: hadoop集群部署(yarn)

CSDN主页: http://blog.csdn.net/liuxinghao

CSDN博文: hadoop集群部署(yarn)