下周准备去某地做Hadoop相关的技术培训，主要负责讲解Hadoop的安装部署和运维部分，赶制了一份PPT，将平时工作中遇到的问题也提取了一下，希望能对Hadoop运维相关人员有所帮助，算是个补上的运维记录吧，错误数据均来自以前日常工作中的Hadoop日志。

也有一点点跟Hadoop相关的非保密数据，拿出来晒晒。

目前公司的数据规模如下，相比大公司不算是很大的数据量，但是也不是很小。

 接收日志超过1.2TB/日，还在不断增加中。80%采用nginx ncsa格式并进行清洗，20%采用Scribe接收，并在逐步迁移至Scribe上。像PV和用户数，回头率这种属于保密数据，就不好公布了。

3500+任务/日，95%采用定时任务执行，5%是业务相关人员采用phpHiveAdmin进行临时查询。

集群任务数据吞吐10TB+/日，意思就是每天跑3500+任务所进行读取和写入的数据量，如果是每月初跑月数据或者季数据，吞吐数据量翻倍。

分析过一些很有趣的东西，比如在线看《甄嬛传》的58%是女性，42%是男性。20-39岁人数最多，总共占到了63.73%，大概这个年龄段最喜欢研究斗心眼吧，而且这片子很牛的一点是，不长尾，一直有人看，说明还是拍的很好。相比之下，《北京青年》就长尾了，3个月在盒子里面点播了1.3亿次，男性占比60%，20-29岁年龄段占比41.39%。山东河南不愧是人口大省，各种片子基本都在前三名。《海贼王》的数据最有特点，我一开始不明白为什么每周都会有一个数据暴增点，后来有人告诉我，因为我不看动画片，海贼王每周会更新一集。你以为你爱看动画片吗？其实你没有广东人爱看，海贼王的点播广东占了11.99%，相比第二名山东的7.89%整整多了4.1%。搞数据其实是很好玩的事，看你怎么搞了。

言归正传，分享Hadoop相关。以下内容节选自PPT，没头没尾，看个大概。

集群配置--注意事项

 

1. 将完整的/etc/hosts文件放置在每台服务器上，hadoop的域名和IP转换要用到hosts文件

 

2. 请确保hadoop所绑定使用的端口没有被防火墙所拦截。

 

3. 请确保集群中各服务器间网络连接正常

 

4. 在几个相关的配置文件中写入了正确主机名或IP信息

 

 

 安装和配置的FAQ

 

是不是一定需要SSH免密码登录？

不是的，集群状况下Hadoop并不是必须做ssh密钥，除非需要单点启动

 

是不是一定要做LDAP？

不是的，LDAP是在做大集群管理时可以方便的管理服务器集群，并非给Hadoop专用的。

 

Hadoop对硬件的要求？

当然是越高越好。

我们 NN 96Gmem，2TBx4，8coreCPU

DN 32Gmem，2TBx4，8~16coreCPU

 

 运维故障分析与解决(一)

 

ERROR org.apache.hadoop.hdfs.server.datanode.DataNode: java.io.IOException: Incompatible namespaceIDs in /home/hadoop/tmp/dfs/data: namenode namespaceID = 39895076; datanode namespaceID = 1030326122

 

原因： namenode 被重新格式化，datanode数据版本与namenode不一致

解决： 1.删除datanode所有文件

2.修改datanode dfs/data/current/VERSION与namenode相同

 

 运维故障分析与解决(二)

 

ERROR org.apache.hadoop.hdfs.server.datanode.DataNode: DatanodeRegistration(192.168.2.19:50010, storageID=DS-1082898260-202.106.199.39-50010-1348575582644, infoPort=50075, ipcPort=50020):DataXceiveServer: Exiting due to:java.lang.OutOfMemoryError: Java heap space

(注：上面这个ERROR并不一定全会发生，有时会出现无ERROR出现datanode就关闭的情况)

ERROR org.apache.hadoop.mapred.TaskTracker: Caught exception: java.io.IOException: Call to hadoopmaster/192.168.1.43:9001 failed on local exception: java.io.IOException: Connection reset by peer

 

原因： 常规数据交换量过大，导致通信故障datanode无法连接namenode

任务数据交换量过大，导致tasktracker与jobtracker通信故障

解决： 1.增大带宽

2.配置机架感知脚本topology.script.file.name

3.关闭均衡器

 

 运维故障分析与解决(四)

 

ERROR org.apache.hadoop.hdfs.server.datanode.DataNode: org.apache.hadoop.util.DiskChecker$DiskError

Exception: Invalid value for volsFailed : 3 , Volumes tolerated : 0

 

原因： 磁盘损坏

解决： 关机换硬盘，2台以内服务器损坏无需关心数据丢失，hadoop存储策略以服务器为单位，不以硬盘为单位

 

 运维故障分析与解决(五)

 

2012-09-25 20:19:42,634 INFO org.apache.hadoop.hdfs.server.datanode.DataNode: dnRegistration = DatanodeRegistration(bt-199-039.bta.net.cn:50010, storageID=, infoPort=50075, ipcPort=50020)

 

原因： 主机名转换错误，datanode无法启动

解决： 设置hostname和/etc/sysconfig/network，然后重启datanode

 

 运维故障分析与解决(六)

 

Hive查询FileNotFound Exception

 

原因： 文件不存在错误

故障一：文件的确不存在

故障二：权限问题导致数据没有正确insert写入到hive读取路径

解决： dfs.permissions = false或设置hive读取路径正确的可写权限。

 

 运维故障分析与解决(七)

 

INFO org.apache.hadoop.hdfs.server.datanode.DataNode: writeBlock blk_-8336485569098955809_2093928 received exception java.io.IOException: Permission denied

 

原因： 之前用错误账户启动hadoop，dfs存储所使用的本地文件夹被变更用户和组，导致文件夹不可写。datanode无法启动。

解决： 切换高权限用户，将dfs存储的本地文件夹chown -R成hadoop本身用户和组，重启datanode

 

没有(三)，因为(三)太简单了，所以没有写。

 运维和故障分析总结

 

一、遇到问题看日志，log4j的日志记录很详细。

 

二、多使用谷歌而不是百度，如果谷歌可以用的话。

 

三、多使用工具，开源工具或自己编写。

 

四、熟悉操作系统自带的工具

 

完成系列(二)