Apache 下Hadoop 版本繁多,最终选择了稳定版本作为学习、研究的切入点。
Hadoop的核心包含了HDFS分布式文件系统和MapReduce计算框架,它们是主要适合大吞吐量、批量计算的情景, 换句话说, 就是不适合作为实时系统。HDFS负责数据的持久存储的, 并且保证数据的完整性。MapReduce提供了简单计算框架,框架负责任务的、分配、执行、以及处理执行过程中出现的异常。
但是,人们选择Hadoop, 并不仅仅因为上述的两点, 更多的, 是因为Hadoop愈加成熟的生态圈, 例如HBase、Hive、Mahout等等。所有这些都是依赖Hadoop的HDFS和MapReduce。那么首先, 让我们从搭建Hadoop开始。
已经发布了Hadoop 2.0的alpha版本,它有许多改进,特别是Hadoop1.*的单点故障的问题, 但是Hadoop2.0实际上是完全重写了Hadoop, 未来将抽时间来单独学习Hadoop2.
本文记录Hadoop的搭建过程, 以备忘,并希望能够对新人有所帮助。
Hadoop的系统组件
一个进行交互着的Hadoop系统,至少包含六个组(进程):Hadoop Client、JobTracker、TaskTracker、NameNode、DataNode、SecondaryNameNode。其中Client用于和Hadoop集群交互。此外Hadoop还建立JVM之上,主节点通过SSH控制从节点的上的守护进程。
![]()
部署Hadoop集群, 一般让DataNode和TaskTracker运行在节点上,这样以便尽可能的达到计算数据的本地化。对于小集群,NameNode、SecondaryNameNode以及JobTracker可以运行在同一个节点上。如果集群够大, 并且条件运行, 最好是将这三者单独运行不同的节点上。
![]()
![]()
硬件准备
5台机器
- 操作系统:Red hat 6.2 X86_64
- 内存:建议每个核2G, 具体大小配置,见mapred-site.xml设置。
- 机器规划,并且设置hostname为其域名
IP |
域名 |
备注 |
192.168.1.100 |
master |
NameNode、JobTracker |
192.168.1.101 |
secondmaster |
SecondaryNameNode |
192.168.1.102 |
hadoop1 |
DataNode、TaskTracker |
192.168.1.103 |
hadoop2 |
DataNode、TaskTracker |
192.168.1.104 |
hadoop3 |
DataNode、TaskTracker |
软件准备
- 安装Java 1.6 或者以上版本
- 安装ssh, 运行sshd
安装配置
配置SSH免密码登陆
设置master到所有节点的SSH免密码登陆(包括master本身)。如何设置见SSH免密码登陆。
关闭各个节点的防火墙
安装、配置Hadoop
安装Hadoop
下载安装Hadoop,我使用了Hadoop-1.0.2,解压到你的安装目录。我放在/home/hadoop/hadoop目录下, 以后以$HADOOP_HOME代替。
为了方便以后使用, 我还将HADOOP_HOME export为环境变量。
配置Hadoop
所有配置文件都在$HADOOP_HOME/conf目录下。所有配置除了masters和slaves都有一个默认配置项:*-default.xml。
设置hadoop-evn.sh
这里主要是设置JAVA_HOME, 找到JAVA_HOME, 设置该变量。
export JAVA_HOME=/opt/jdk1.6.0_27
设置core-site.xml
这里主要设置fs.default.name变量, 值以url形式设置,可以是file:///,hdfs://, ...
fs.default.name
hdfs://master:9000
还有其他一些设置,可以参照core-default.xml进行设置。
一般还会把hadoop.tmp.dir设置到指定目录下,该变量目录是放在/tmp目录下的, 一旦机器重启,这里的数据将都丢失。
hadoop.tmp.dir
/home/hadoop/hadoop/datas/tmp
还有一个是fs.checkpoint.dir
fs.checkpoint.dir
/home/hadoop/hadoop/datas/hdfs/namesecondary
设置hdfs-site.xml
这里主要设置dfs.name.dir、dfs.data.dir、dfs.replication、dfs.block.size
dfs.name.dir
/home/hadoop/hadoop/datas/hdfs/name
dfs.data.dir
/home/hadoop/hadoop/datas/hdfs/data
dfs.replication
2
dfs.block.size
315621376
设置mapred-site.xml
这里主要设置mapred.job.tracker
mapred.job.tracker
master:9001
此外一般还会设置
mapred.tasktracker.map.tasks.maximum
8
mapred.tasktracker.reduce.tasks.maximum
8
mapred.child.java.opts
-Xms1024m -Xmx200m -XX:-UseGCOverheadLimit
Tips:
mapred.tasktracker.map.tasks.maximum, mapred.tasktracker.reduce.tasks.maximum设置为多少大,需要参考机器内存、mapred.child.java.opts、节点上其他进程占用内存情况以及实际作业耗内存情况。
一般DataNode和TaskTracker运行在同一个节点上。默认情况下,这两进程需要2*1000MB。
上述配置中, -Xmx200m,mapred.tasktracker.map.tasks.maximum和mapred.tasktracker.reduce.tasks.maximum都是8.
那么至少需要1000*2 + 200*16 = 5200MB的内存
设置masters
这里设置的其实是SecondaryNameNode的节点,一行一个节点
也是一行一个节点
安装LZO
LZO是可选的压缩方式,但一般都会安装它。
请参考:
http://share.blog.51cto.com/278008/549393
http://blog.csdn.net/liuzhoulong/article/details/7179766
http://blog.csdn.net/zjumath/article/details/6657100
开启机架感知
开启Hadoop集群的机架感知,是可选的,它可以提高Hadoop集群的网络性能,主要针对大集群,跨机架的情形。
在core-site.xml 添加以下属性:
topology.script.file.name
/home/hadoop/hadoop-1.0.2/script/RackAware.py
编写RackAware.py:
#!/usr/bin/python
#-*-coding:UTF-8 -*-
import sys
rack = {"hadoop.cluster.master":"rack1",
"hadoop.cluster.second_master":"rack1",
"hadoop.cluster.slave1":"rack1",
"hadoop.cluster.slave2":"rack1",
"hadoop.cluster.slave3":"rack1",
"hadoop.cluster.slave4":"rack1",
"hadoop.cluster.slave5":"rack1",
"hadoop.cluster.slave6":"rack1",
"hadoop.cluster.slave7":"rack1",
"hadoop.cluster.slave8":"rack1",
"10.15.82.81":"rack1",
"10.15.82.201":"rack1",
"10.15.82.148":"rack1",
"10.15.82.149":"rack1",
"10.15.82.150":"rack1",
"10.15.82.151":"rack1",
"10.15.82.189":"rack1",
"10.15.82.153":"rack1",
"10.15.82.190":"rack1",
"10.15.82.155":"rack1",
}
if __name__=="__main__":
print "/" + rack.get(sys.argv[1],"rack0")
启动、停止集群
第一次启动集群之前,要先进行NameNode的格式化。
hadoop namenode -format
Tips:
对于完全分布式集群,请不要多次格式化话, 因为二次格式化时,不能同步节点,会因版本不一致而导致集群不能正常启动
启动各个守护进程
start-all.sh
停止集群
stop-all.sh
运行日志
默认情况下, Hadoop系统的运行日志在各个节点的$HADOOP_HOME/log目录下,分别以各个守护进程名字命名,例如:
验证是否部署成功
有多种途径可以验证Hadoop集群是否已经部署成功。通过jps查看进程、通过web接口查看集群状态以及运行一个例子进行测试。
jps查看进程
master节点上:NameNode、JobTracker
secondmaster节点上:SecondaryNameNode
hadoop1~hadoop3节点上:DataNode、TaskTracker
通过web查看
通过http://master:50070 查看NameNode和DataNode
通过http://master:50030 查看JobTracker和TaskTracker
运行一个例子
在$HADOOP_HOME目录下执行hadoop jar hadoop-examples-1.0.2.jar pi 10 100, 如果部署成功,将会看到
集群增加删除节点
新增节点
- 修改master中的hosts,添加新增节点的IP,并且将hosts同步到其他节点,包括新增及节点。
- 拷贝hadoop1~hadoop2某个节点的配置到新增节点,修改$HADOOP_HOME/conf/slaves,添加新增节点的域名或者IP
- 在新增节点上开启守护进程DataNode和TaskTracker:
hadoop-daemon.sh start datanode
hadoop-daemon.sh start tasktracker
- 执行均衡,start-balancer.sh
删除节点
参考
http://hadoop.apache.org/
《Hadoop权威指南》
http://singlegod.blog.51cto.com/1909710/680685
http://www.cnblogs.com/wayne1017/archive/2007/03/20/678724.html