从入门到入土 Hadoop新手搭建(2) 分布式集群搭建

个人学习笔记，仅供参考

从入门到入土 Hadoop新手搭建(2) 分布式集群搭建

(1)JDK安装

    Hadoop基于JAVA，要运行JAVA必然要先安装java。按照我上一篇的指南这样做的话，现在就可以打开xshell进行连接。在xshell中，我们运行java -version查看java版本，如果我没记错的话，java要1.6以上，按照我的流程走的话，现在是没有安装java的，如图

然后，我们在上一篇已经完成换源了，所以我们现在安装java会很快，运行sudo apt-get install default-jdk 安装就可以了。后来在使用pyspark时，实测报错，需要用java1.8，所以此处运行sudo apt-get install openjdk-8-jdk ，安装之后再次输入java -version，可以看到java版本
然后设置JAVAHOME等系统环境，查看java路径在哪

不想钻研的话，只要操作和我一样那么路径也是和我一样的，可以看到java路径是/usr/lib/jvm/java-8-openjdk-amd64/jre/bin/java

(2)相关环境准备

    将要构建一个分布式的集群，设计是这样的，一个master虚拟机，作为NameNode和ResourceManager,相当于管理员的身份，一个或是多个虚拟机，作为DataNode和NodeManager。
    然后集群中应当有各种功能，为了避免重复下载和配置，我们把相关环境包下载到当前虚拟机，后面通过复制虚拟机来达到避免节点重复配置的目的。这里要有的包有Hadoop,Hive,Hbase,Zookeeper,spark。到里面会细讲。

1.Hadoop

    进入Hadoop官网,查找最新的hadoop版本，这里直接给出下载页面，可以看到有源码和二进制版本，我们就不自己编译了，所以选择二进制版本的最新版本，（此处可以选择hadoop3+，按道理确实是版本越新越好，但我手头的资料全是2的，加上老师要求也是2，所以我这里下载了2的最新版）注意此处下载需要点下面的mirror site这样可以匹配镜像，下载会快，

稍作等待，就会出现，其中粗体蓝字都是推荐的镜像，可以选一个，进入，当然这里也直接给出地址
北京理工源
清华源

进入之后选择版本，我选择2.10，然后右键最后一行的374MB的文件，复制链接地址，得到http地址

http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-2.10.0/hadoop-2.10.0.tar.gz
回到xshell ,输入wget http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-2.10.0/hadoop-2.10.0.tar.gz 等待下载完成即可。
之后 tar -zxvf hadoop-2.10.0.tar.gz 进行解压,并更名mv hadoop-2.10.0 hadoop。

更新

hadoop在不同情况下适应也不同，笔者在使用时需要spark上运行hive,可以选择自己编译，但是厦大林子雨老师给出了hadoop2.7和spark2.1.0的编译完成的包，所以此处还是建议用hadoop2.7.7,这样可以免去自己编译的好几个小时的时间

2.HBase

大同小异 找到地址下载解压 ，更名
hbase自带zookeeper，免去了下载

wget http://mirror.bit.edu.cn/apache/hbase/2.2.3/hbase-2.2.3-bin.tar.gz
tar -zxvf hbase-2.2.3-bin.tar.gz
mv hbase-2.2.3 hbase

3.Spark

同理 但是此处需要注意spark有许多版本，有自带hadoop的版本，我也没试过，但是我们已经安装了hadoop,所以选择下载Pre-built with user-provided Apache Hadoop,这个版本的spark自带scala,免去了下载

wget https://mirrors.tuna.tsinghua.edu.cn/apache/spark/spark-2.4.5/spark-2.4.5-bin-without-hadoop.tgz
tar -zxvf spark-2.4.5-bin-without-hadoop.tgz
mv spark-2.4.5-bin-without-hadoop spark

更新

hadoop在不同情况下适应也不同，笔者在使用时需要spark上运行hive,可以选择自己编译，但是厦大林子雨老师给出了hadoop2.7和spark2.1.0的编译完成的包，所以此处还是建议用已经编译完成的包,这样可以免去自己编译的好几个小时的时间，链接

4.Hive

hive这里改用MySQL数据库保存Hive的元数据，还需安装mysql
先sudo apt-get install mysql-server
然后sudo cat /etc/mysql/debian.cnf查看密码
复制密码 之后mysql -u debian-sys-maint -p，输入刚刚的密码，进入shell,
修改成自己想要的密码，之后就可以使用自己想要的密码了

use mysql;
update mysql.user set authentication_string=password('root') where user='root' and Host ='localhost';
update user set plugin="mysql_native_password"; 
flush privileges;
quit;

下载hive 解压改名，

wget https://mirrors.tuna.tsinghua.edu.cn/apache/hive/hive-2.3.6/apache-hive-2.3.6-bin.tar.gz
tar -zxvf apache-hive-2.3.6-bin.tar.gz
mv apache-hive-2.3.6-bin hive

(3)环境构建+安装

先分析master和普通机器的区别，以便复制的时候进行最少操作

1. IP设置，静态ip设置显然要不同
2. host设置，host设置相同，但是增加节点则需要修改
3. 主机名，方便辨认主机名应当不同
4. ssh无密码访问。
       理论上来说，应当对于每一个独立的服务器生成私钥和公钥，公钥传给master,这样master可以访问所有普通节点。
       当然也可以做成所有节点互通，master集成所有公钥之后，将公钥复制给所有的普通节点。
       也有更取巧的方法，master生成公钥密钥后，以master为蓝本复制虚拟机，即可完成互相访问。
5. 环境变量，master和普通节点的环境变量设置应当是一样的。
6. 除了Hive只需安装在master以外，其他组件可以完全复制。

现在要建立一个源节点，之后所有的节点都从这个源节点复制而来

源节点任务清单（按组件分的）：

1. 与组件无关的任务，如host，ssh
2. hadoop
       修改core-site.xml 、hdfs-site.xml、mapred-site.xml 、yarn-site.xml、hadoop-env.sh、配置slaves、配置环境变量
3. HBase
       修改hbase-site.xml、regionservers，配置环境变量
4. Spark
       修改spark-env.sh、slaves，配置环境变量。

注意到每一个都要配置环境变量，那么我们优先把环境变量都配置掉。

组件无关的构建

ip和主机名因为每一个复制都需要更改，所以不用改动。

host

sudo vi /etc/hosts

改成

分别写上自己将要构建的主机的ip，我只构建两个，所以只多写两行。

ssh无密码访问

bashssh-keygen -t rsa
cd ~/.ssh
cat id_rsa.pub >> authorized_keys

之后尝试ssh localhost,如果配置成功则不需要输入密码，只需输入y加回车即可连上。
环境变量

输入sudo vi /etc/profile,在文件底部增加
此处JAVAHOME就是前面的java的路径去掉bin
后面的几个组件路径就是组件更名之后的路径，看你解压在什么地方

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/jre
export CLASSPATH=.:$CLASSPATH:$JAVA_HOME/lib
export PATH=$PATH:$JAVA_HOME/bin

export HADOOP_HOME=/home/dirichlet/hadoop
export PATH=$PATH:/home/dirichlet/hadoop/bin:/home/dirichlet/hadoop/sbin

export HBASE_HOME=/home/dirichlet/hbase
export PATH=$HBASE_HOME/bin:$PATH
export HBASE_MANAGES_ZK=true

export SPARK_HOME=/home/dirichlet/spark
export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin

export HIVE_HOME=/home/dirichlet/hive
export PATH=$PATH:$HIVE_HOME/bin

保存之后source /etc/profile，令其生效，然后依次打入以下代码进行hadoop和hbase的环境变量测验

hadoop version
hbase version

Hadoop配置

cd ~
vi hadoop/etc/hadoop/core-site.xml

把原来的

变成

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/home/dirichlet/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://master:9000</value>
    </property>
</configuration>

hadoop.tmp.dir指临时文件夹，如果不修改则可能会被系统清理。
接着vi hadoop/etc/hadoop/hdfs-site.xml

<configuration>
        <property>
                <name>dfs.namenode.secondary.http-address</name>
                <value>Master:50090</value>
        </property>
        <property>
                <name>dfs.replication</name>
                <value>3</value>
        </property>
        <property>
                <name>dfs.namenode.name.dir</name>
                <value>file:/home/dirichlet/hadoop/tmp/dfs/name</value>
        </property>
        <property>
                <name>dfs.datanode.data.dir</name>
                <value>file:/home/dirichlet/hadoop/tmp/dfs/data</value>
        </property>
</configuration>

dfs.replication是副本数量，dfs.namenode.name.dir是namenode存放数据的地址，datanode同理。注意此处写了两个，事实上在本次实验，无论是datanode还是namenode都只需一个，在复制虚拟机之后进行修改。

vi hadoop/etc/hadoop/mapred-site.xml
mapred-site.xml 用于设置监控Map与Reduce程序的JobTracker任务分配情况。

<configuration>
        <property>
                <name>mapreduce.framework.name</name>
                <value>yarn</value>
        </property>
        <property>
                <name>mapreduce.jobhistory.address</name>
                <value>master:10020</value>
        </property>
        <property>
                <name>mapreduce.jobhistory.webapp.address</name>
                <value>master:19888</value>
        </property>
</configuration>

vi hadoop/etc/hadoop/yarn-site.xml

<configuration>
<property>
     <name>yarn.resourcemanager.hostname</name>
     <value>master</value>
</property>
<property>
     <name>yarn.nodemanager.resource.memory-mb</name>
     <value>10240</value>
</property>
<property>
     <name>yarn.nodemanager.aux-services</name>
     <value>mapreduce_shuffle</value>
</property>
</configuration>

vi hadoop/etc/hadoop/hadoop-env.sh

文件开始处加上

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/jre
export HADOOP_HOME=/home/dirichlet/hadoop
export PATH=$PATH:/home/dirichlet/hadoop/bin

vi hadoop/etc/hadoop/slaves
去掉localhost,在里面添加普通节点，我这里的话写上data1

HBase配置

vi hbase/conf/hbase-site.xml

   <configuration>
        <property>
                <name>hbase.rootdir</name>
                <value>hdfs://master:9000/hbase</value>
        </property>
        <property>
                <name>hbase.cluster.distributed</name>
                <value>true</value>
        </property>
        <property>
                <name>hbase.zookeeper.quorum</name>
                <value>master,data1</value>
        </property>
        <property>
                <name>hbase.temp.dir</name>
                <value>/home/dirichlet/hbase/tmp</value>
        </property>
        <property>
                <name>hbase.zookeeper.property.dataDir</name>
                <value>/home/dirichlet/hbase/tmp/zookeeper</value>
        </property>
        <property>
                <name>hbase.master.info.port</name>
                <value>16010</value>
        </property>
</configuration>

vi hbase/conf/regionservers
删除localhost,填上master和data1

vi hbase/conf/hbase-env.sh
也是在开头加上

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/jre
export HBASE_HOME=/home/dirichlet/hbase
export PATH=$PATH:/home/dirichlet/hbase/bin
export HBASE_MANAGES_ZK=true

Spark配置

vi /home/dirichlet/spark/conf/spark-env.sh

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/jre
export SCALA_HOME=/usr/local/scala
export HADOOP_CONF_DIR=/home/dirichlet/hadoop/etc/hadoop
export HADOOP_HDFS_HOME=/home/dirichlet/hadoop
export SPARK_HOME=/home/dirichlet/spark
export SPARK_MASTER_IP=master
export SPARK_MASTER_PORT=7077
export SPARK_MASTER_HOST=master
export SPARK_WORKER_CORES=2
export SPARK_WORKER_PORT=8901
export SPARK_WORKER_INSTANCES=1
export SPARK_WORKER_MEMORY=2g
export SPARK_DIST_CLASSPATH=$(/home/dirichlet/hadoop/bin/hadoop classpath)
export SPARK_MASTER_WEBUI_PORT=8079

执行
source spark-env.sh

vi /home/dirichlet/spark/conf/slaves
写上

master
data1

至此源虚拟机搭建完毕，

master构建

源虚拟机关机，完整克隆一个取名master，并开机。

IP

此时要先设置ip,因为ip即将变动，所以先不用xshell

主机名

sudo hostname master
sudo vi /etc/hostname

hadoop配置

因为之前有说hdfs-site.xml配置其实多了，现在在datanode里面删去namenode的配置，在namenode里面删去datanode配置。

data1构建

同上，可以在xshell里面用master的shell，执行ssh data1来转到data1的shell,想要回到master的shell，只要执行logout即可。

集群正式搭建

在master执行hdfs namenode -format,如果出现以下输出则为配置成功。

在master执行start-all.sh,图片如下
在master上执行jps会得到

在data1上执行jps会得到

如果都启动了，则为启动成功，当然web界面也可以看到，在自己主机上用浏览器打开http://192.168.222.101:50070也可以看到启动的data节点。

现在hadoop中的hdfs已经启动完成

之后再检测spark安装是否成功。

cd spark/sbin
./start-all.sh

如果启动成功则可以在自己的主机浏览器上输入192.168.222.101:8079查看sparkWEB，
如图所示，则spark也启动成功

此章未完待续