Hadoop配置文件简介

简介

本文介绍了Hadoop 2.7.x常用的配置文件，并结合Hadoop的不同工作模式介绍其基本的配置。

综述

Hadoop的配置文件存放在$HADOOP_INSTALL/etc/hadoop目录下，下表列出了主要的配置文件及其功能：

文件名称	格式	描述
hadoop-env.sh	shell脚本	Hadoop运行中需要用到的环境变量
core-site.xml	XML	Hadoop Core的配置项，例如HDFS和MapReduce常用的I/O设置等
hdfs-site.xml	XML	Hadoop守护进程的配置项，包括namenode, secondary namenode, 和datanode等
mapred-site.xml	XML	MapReduce守护进程的配置项，包括jobtracker和tasktracker
masters	纯文本	运行secondary namenode的机器列表
slaves	纯文本	运行datanode和tasktracker的机器列表
hadoop-metrics.properties	Java属性	控制如何在Hadoop上发布度量的属性
log4j.properties	Java属性	系统日志文件、namenode审计日志，tasktracker子进程的任务日志的属性

配置采用XML的格式存储，我们常用的配置文件主要涉及到hadoop-en.sh, core-site.xml, hdfs-site.xml, mapred-site.xml和yarn-site.xml。本文将结合Hadoop 2.7.3来讲解这些常用配置文件，并结合Hadoop的工作模式给出基本的配置。
如果配置目录被重新放在文件系统的其他地方（Hadoop安装在外面，以便升级），但是守护进程启动时需要使用--config选项，以指向本地文件系统的目录。

hadoop-env.sh

hadoop-env.sh文件中定义了Hadoop运行时使用的环境变量，其中只有JAVA_HOME环境变量是用户需要配置的，使之指向Java安装目录。其它环境变量在默认配置下都可以很好的工作。在逐步熟悉Hadoop后，可以通过修改这个文件来做个性化设置（如日志目录的位置、Java类所在目录等）。

core-site.xml, hdfs-site.xml, mapred-site.xml, yarn-site.xml

这几个配置文件的配置与Hadoop的工作模式有关：本地模式、伪分布式模式、分布式(集群)模式。关于yarn-site.xml的配置，我们主要在分布式模式中介绍。
1. 本地（单机）模式
单机模式是Hadoop的默认模式。当首次解压Hadoop的源码包时，Hadoop无法了解硬件安装环境，便保守地选择了最小配置。在这种默认模式下core-site.xml, hdfs-site.xml, mapred-site.xml文件均为空，即使用系统的缺省最小配置。

当配置文件为空时，Hadoop会完全运行在本地。因为不需要与其他节点交互，单机模式就不使用HDFS，也不加载任何Hadoop的守护进程。该模式主要用于开发调试MapReduce程序的应用逻辑。
2. 伪分布式模式
伪分布式模式在“单节点集群”上运行Hadoop， 所有的守护进程都运行在同一台机器上。该模式在单机模式之上增加了代码调试功能，允许你检查内存使用的情况、HDFS输入输出，以及其它守护进程的交互。
core-site.xml文件制定了NameNode的主机名和端口号，haoop.tmp.dir定义了临时目录，缺省为/tmp/hadoop-${user.name}。

    
        hadoop.tmp.dir
        file:/usr/local/hadoop/tmp
        A base for other temporary directories.
    
    
        fs.defaultFS
        hdfs://localhost:9000
    

mapred-site.xml可以使用系统默认的最小配置。
hdfs-site.xml中指定了HDFS的默认副本数，因为仅运行在一个节点上，这里副本数为1。这里我们还提供了NameNode和DataNode的工作目录。

    
        dfs.replication
        1
    
    
        dfs.namenode.name.dir
        file:/usr/local/hadoop/tmp/dfs/name
    
    
        dfs.datanode.data.dir
        file:/usr/local/hadoop/tmp/dfs/data
    

3. 全分布式(集群)模式
集群模式能够充分利用分布式存储和分布式计算带来的好处，这里介绍一下集群下Hadoop相关的配置。
既然Hadoop工作在集群下，那么工作在集群下的节点需要知道主节点master的主机和端口信息。

    
        hadoop.tmp.dir
        file:/usr/local/hadoop/tmp
        Abase for other temporary directories.
    
    
        fs.defaultFS
        hdfs://hadoop-master-vm:9000
    

对比伪分布式工作模式，主机名是使用的localhost，但集群模式下，需要为工作节点slave提供主节点的信息，这里使用的是主机名。因此我们需要提供主机名与IP地址之间的转换服务，可提供静态的DNS转换服务，通过修改/etc/hosts的配置来提供；另外一种就是提供动态的DNS服务器来负责主机名和IP地址的解析服务。
当主节点master启动时，需要启动工作节点slave的守护进程，这里就需要知道工作节点的地址信息，因此，我们需要在$HADOOP_INSTALL/etc/hadoop目录下提供slaves配置文件，提供slaves主机名列表。格式为每行一条主机名。

hadoop-slave01-vm
hadoop-slave02-vm
hadoop-slave03-vm

在集群情况下，我们需要使用HDFS的冗余功能，因此副本配置就不像伪分布式模式那样设置为1，我们这里采取了缺省的副本数为3的配置。我们可以配置Secondary NameNode，以提供NameNode的冗余。

    
        dfs.namenode.secondary.http-address
        hadoop-master-vm:50090
    
    
        dfs.replication
        3
    
    
        dfs.namenode.name.dir
        file:/usr/local/hadoop/tmp/dfs/name
    
    
        dfs.datanode.data.dir
        file:/usr/local/hadoop/tmp/dfs/data
    

如果我们选择第二代MapReduce框架Yarn，那么需要修改mapred-site.xml和yarn-site.xml配置文件。在下面的mapred-site.xml配置文件中，我们提供了Job History的配置，以方便用户查询作业的历史信息。

    
        mapreduce.framework.name
        yarn
    
    
        mapreduce.jobhistory.address
        hadoop-master-vm:10020
    
    
        mapreduce.jobhistory.webapp.address
        hadoop-master-vm:19888
    

Yarn的配置文件yarn-site.xml中，我们需要提供ResourceManager的主机名。

	
    
        yarn.resourcemanager.hostname
        hadoop-master-vm
    
    
        yarn.nodemanager.aux-services
        mapreduce_shuffle
    

总结

本文介绍的配置均为Hadoop基本配置，了解这些配置能够帮助我们快速的搭建学习和开发环境。如果我们需要配置其它参数，以提供定制化业务或性能调优，由于不同版本之间的配置可能存在差异，则需要参考官方的相关文档。
这里给出了官网提供的这个主要配置文件的详细说明的链接：
http://hadoop.apache.org/docs/r2.7.3/hadoop-project-dist/hadoop-common/core-default.xml

http://hadoop.apache.org/docs/r2.7.3/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml

http://hadoop.apache.org/docs/r2.7.3/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml

http://hadoop.apache.org/docs/r2.7.3/hadoop-yarn/hadoop-yarn-common/yarn-default.xml