CentOS7搭建Hadoop-3.3.0集群手记

前提

这篇文章是基于Linux系统CentOS7搭建Hadoop-3.3.0分布式集群的详细手记。

基本概念

Hadoop中的HDFS和YARN都是主从架构，主从架构会有一主多从和多主多从两种架构，这里为了简化搭建集群的流程，这里使用一主多从的架构。Hadoop集群中各个角色的名称如下：

服务	主节点	从节点
HDFS	NameNode	DataNode
YARN	ResourceManager	NodeManager

❝

还有SecondaryNameNode，其实是NameNode的备用节点，定时合并和处理日志并且反馈到NameNode上。一般NameNode和SecondaryNameNode尽量不要放在同一个节点。

❞

HDFS服务和YARN其实是分离的，一者是数据存储，另一者是资源调度，Hadoop集群可以只启用YARN集群做资源调度。

测试集群服务器规划

测试的Hadoop集群使用了3台基于VirtualBox搭建的CentOS7虚拟机：

内网IP	主机名	用户	虚拟磁盘空间	HDFS角色	YARN角色
192.168.56.200	hadoop01	hadoop	30GB	NameNode、DataNode	NodeManager
192.168.56.201	hadoop02	hadoop	30GB	DataNode	NodeManager
192.168.56.202	hadoop03	hadoop	30GB	SecondaryNameNode、DataNode	ResourceManager、NodeManager

前置软件安装或者准备工作

主要包括必要的软件安装、用户创建和网络配置等等。

关闭防火墙

为了避免出现部分端口无法访问，内网环境下每台虚拟机都可以直接关闭防火墙：

# 停止防火墙进程
systemctl stop firewalld.service

# 禁用防火墙开机启动
systemctl disable firewalld.service

JDK安装

JDK的安装比较简单，这里过程略过。笔者使用的JDK是OpenJDK，版本是1.8.0_252-b09，JDK路径配置如下：

export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.252.b09-2.el7_8.x86_64
export PATH=$JAVA_HOME/bin:$PATH

「确保集群所有机器的JDK安装位置相同，并且JDK版本尽可能大版本选择8」，经过大量测试发现Hadoop暂时不兼容JDK9+。

[root@localhost]# java -version
openjdk version "1.8.0_252"
OpenJDK Runtime Environment (build 1.8.0_252-b09)
OpenJDK 64-Bit Server VM (build 25.252-b09, mixed mode)

❝

这个JDK安装位置和安装包名称是不是看起来比较奇怪？没错，是笔者偷懒用yum直接安装的OpenJDK。

❞

修改主机名

三个节点分别通过hostnamectl set-hostname $hostname修改主机名：

# 节点192.168.56.200
hostnamectl set-hostname hadoop01
reboot

# 节点192.168.56.201
hostnamectl set-hostname hadoop02
reboot

# 节点192.168.56.202
hostnamectl set-hostname hadoop03
reboot

最终效果如下：

Connecting to 192.168.56.200:22...
Connection established.
To escape to local shell, press 'Ctrl+Alt+]'.

WARNING! The remote SSH server rejected X11 forwarding request.
Last login: Sun Dec 13 06:42:42 2020 from 192.168.56.1
[root@hadoop01 ~]# 

Connecting to 192.168.56.201:22...
Connection established.
To escape to local shell, press 'Ctrl+Alt+]'.

WARNING! The remote SSH server rejected X11 forwarding request.
Last login: Sun Dec 13 07:51:28 2020 from 192.168.56.1
[root@hadoop02 ~]#

Connecting to 192.168.56.202:22...
Connection established.
To escape to local shell, press 'Ctrl+Alt+]'.

WARNING! The remote SSH server rejected X11 forwarding request.
Last login: Sun Dec 13 07:52:01 2020
[root@hadoop03 ~]# 

修改hosts文件

在每个节点的hosts文件具体是/etc/hosts尾部添加：

192.168.56.200 hadoop01
192.168.56.201 hadoop02
192.168.56.202 hadoop03

方便后面可以直接通过主机名访问对应的机器。可以在任意一台机器用通过主机名ping任意的主机名：

ping hadoop01
ping hadoop02
ping hadoop03

添加hadoop用户

添加用户的操作需要在root用户下进行。添加一个用户分组、命名和密码都为hadoop的用户：

useradd hadoop
# 设置密码需要手动输入两次密码，笔者这里也暂时设定密码为hadoop
passwd hadoop

通过mkdir -p /data/hadoop创建一个新目录，后面的hadoop相关的数据等文件都放在/data/hadoop目录下。设置目录/data/hadoop的拥有者为hadoop用户：

chown hadoop:hadoop /data/hadoop

最后设置hadoop用户可以不输入密码直接通过sudo su提升为root用户：

chmod u+w /etc/sudoers

vim /etc/sudoers

# 在sudoers文件的root用户一行后面添加下面内容并且保存
hadoop ALL=(ALL) NOPASSWD:ALL

chmod u-w /etc/sudoers

效果如下：

验证一下是否成功：

# 在root用户下切换hadoop用户
su hadoop

# 在hadoop用户下无密码切换root用户
sudo su

# 效果
[root@localhost]# su hadoop
[hadoop@localhost]$ sudo su
[root@localhost]# 

❝

创建hadoop用户需要在集群中每台机器操作一次。

❞

设置集群机器SSH免登

设置集群机器SSH免登这一步十分重要，无论是scp命令去拷贝文件到各个机器，还是集群启动和通讯过程都依赖这一步。集群中每个机器都进行下面步骤操作：

• 使用su hadoop切换到hadoop用户

• 使用ssh-keygen -t rsa命令，接着连按几次回车，生成公钥，执行完毕后/home/hadoop/.ssh/目录下会多了一个id_rsa.pub

• 收集集群中所有节点的/home/hadoop/.ssh/id_rsa.pub内容，汇总合并成一个authorized_keys文件，再拷贝该文件到所有集群节点的/home/hadoop/.ssh/ssh目录下

• 授权chmod 700 /home/hadoop/.ssh/ && chmod 700 /home/hadoop/ && chmod 600 /home/hadoop/.ssh/authorized_keys

最终笔者的/home/hadoop/.ssh/authorized_keys文件内容如下：

可以使用下面的脚本替代手工操作：

# 拷贝三个节点的RSA公钥到authorized_keys中，可以在第一个节点中执行即可
for a in {1..3}; do sudo ssh hadoop@hadoop0$a cat /home/hadoop/.ssh/id_rsa.pub >> /home/hadoop/.ssh/authorized_keys; done
# 拷贝authorized_keys到三个节点中，可以在第一个节点中执行即可
for a in {1..3}; do sudo scp /home/hadoop/.ssh/authorized_keys hadoop@hadoop0$a:/home/hadoop/.ssh/authorized_keys ; done

最终的效果如下：

安装Hadoop

主要在hadoop01节点中安装即可，安装完毕可以通过scp命令直接拷贝文件分发到不同的节点中。赋予用户/data/hadoop目录的读写权限：

su hadoop
sudo chmod -R a+w /data/hadoop

「这一步极其重要，否则容易导致运行集群的时候创建文件夹权限不足」。这里记住不要主动创建Hadoop文件系统中的目录，否则容易导致DataNode启动失败。

1、解压安装

切换目录和用户：

• su hadoop

• cd /data/hadoop

下载和解压hadoop-3.3.0：

wget https://mirror.bit.edu.cn/apache/hadoop/common/hadoop-3.3.0/hadoop-3.3.0.tar.gz
tar -zxvf hadoop-3.3.0.tar.gz 

解压完毕后，/data/hadoop目录下会多了一个hadoop-3.3.0文件夹。

2、环境变量配置

重命名一下文件夹mv hadoop-3.3.0 app，也就是最终的HADOOP_HOME为/data/hadoop/app，可以先提前修改一下用户配置vim ~/.bashrc（「所有节点都要添加」），添加：

export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.252.b09-2.el7_8.x86_64
export PATH=$JAVA_HOME/bin:$PATH
export HADOOP_HOME=/data/hadoop/app
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH

刷新一下用户配置source ~/.bashrc。

3、查看版本

调用hadoop version：

[hadoop@hadoop01 hadoop]$ hadoop version
Hadoop 3.3.0
Source code repository https://gitbox.apache.org/repos/asf/hadoop.git -r aa96f1871bfd858f9bac59cf2a81ec470da649af
Compiled by brahma on 2020-07-06T18:44Z
Compiled with protoc 3.7.1
From source with checksum 5dc29b802d6ccd77b262ef9d04d19c4
This command was run using /data/hadoop/app/share/hadoop/common/hadoop-common-3.3.0.jar

这样就能确定JDK和Hadoop的位置配置没有问题，接着开始配置Hadoop中的应用配置。

4、Hadoop配置

配置core-site.xml（具体是/data/hadoop/app/etc/hadoop/core-site.xml）：

    
            fs.defaultFS
            hdfs://hadoop01:9000
    
    
            hadoop.tmp.dir
            /data/hadoop/temp
    

• fs.defaultFS：nameNode的HDFS协议的文件系统通信地址

• hadoop.tmp.dir：Hadoop集群在工作的时候存储的一些临时文件的目录

配置hdfs-site.xml（具体是/data/hadoop/app/etc/hadoop/hdfs-site.xml）：

    
        dfs.namenode.name.dir
        /data/hadoop/dfs/name
    
    
        dfs.datanode.data.dir
        /data/hadoop/dfs/data
    
    
        dfs.replication
        3
    
    
        dfs.secondary.http.address
        hadoop03:50090
    
    
        dfs.http.address
        192.168.56.200:50070
    

• dfs.namenode.name.dir：NameNode的数据存放目录

• dfs.datanode.data.dir：DataNode的数据存放目录

• dfs.replication：HDFS的副本数

• dfs.secondary.http.address：SecondaryNameNode节点的HTTP入口地址

• dfs.http.address：通过HTTP访问HDFS的Web管理界面的地址

配置mapred-site.xml（具体是/data/hadoop/app/etc/hadoop/mapred-site.xml）:

    
        mapreduce.framework.name
        yarn
    
    
        yarn.app.mapreduce.am.env
        HADOOP_MAPRED_HOME=${HADOOP_HOME}
    
    
        mapreduce.map.env
        HADOOP_MAPRED_HOME=${HADOOP_HOME}
    
    
        mapreduce.reduce.env
        HADOOP_MAPRED_HOME=${HADOOP_HOME}
    

• mapreduce.framework.name：选用yarn，也就是MR框架使用YARN进行资源调度。

配置yarn-site.xml（具体是/data/hadoop/app/etc/hadoop/yarn-site.xml）：

    
        yarn.resourcemanager.hostname
        hadoop03
    
    
        yarn.nodemanager.aux-services
        mapreduce_shuffle
    

• yarn.resourcemanager.hostname：指定ResourceManager所在的主机名

• yarn.nodemanager.aux-services：指定YARN集群为MapReduce程序提供Shuffle服务

配置workers文件（这个文件在旧版本叫slaves，因为技术政治化运动被改为workers，具体是/data/hadoop/app/etc/hadoop/workers：

hadoop01
hadoop02
hadoop03

至此，核心配置基本完成。

5、分发Hadoop安装包到其他节点

重点提示三次：

• 所有节点的Hadoop安装包位置和配置信息必须一致

• 所有节点的Hadoop安装包位置和配置信息必须一致

• 所有节点的Hadoop安装包位置和配置信息必须一致

在节点hadoop01使用scp命令进行分发：

## 分发节点2
scp -r /data/hadoop/app hadoop@hadoop02:/data/hadoop

## 分发节点3
scp -r /data/hadoop/app hadoop@hadoop03:/data/hadoop

6、格式化NameNode

规划中是hadoop01作为NameNode，在该机器下进行格式化：

hadoop namenode -format

格式化NameNode成功的控制台日志如下：

7、启动和停止HDFS

可以在任意一个节点中启动和停止HDFS，为了简单起见还是在hadoop01节点中操作：

• 启动：start-dfs.sh

• 停止：stop-dfs.sh

调用启动命令后，控制台输出如下：

[hadoop@hadoop01 hadoop]$ start-dfs.sh 
Starting namenodes on [hadoop01]
Starting datanodes
Starting secondary namenodes [hadoop03]

8、启动和停止YARN

YARN集群的启动命令必须在ResourceManager节点中调用，规划中的对应角色的节点为hadoop03，在该机器执行YARN相关命令：

• 启动：start-yarn.sh

• 停止：stop-yarn.sh

执行启动命令后，控制台输出如下：

[hadoop@hadoop03 data]$ start-yarn.sh 
Starting resourcemanager
Starting nodemanagers

9、查看所有节点的进程状态

分别查看集群中所有节点的进程状态，可以直接使用jps工具，具体结果如下：

[hadoop@hadoop01 hadoop]$ jps
8673 NameNode
8823 DataNode
9383 NodeManager
9498 Jps

[hadoop@hadoop02 hadoop]$ jps
4305 DataNode
4849 Jps
4734 NodeManager

[hadoop@hadoop03 data]$ jps
9888 Jps
9554 NodeManager
5011 DataNode
9427 ResourceManager
5125 SecondaryNameNode

可见进程是正常运行的。

10、通过WEB管理界面查看集群状态

访问入口如下：

• HDFS入口：http://192.168.56.200:50070（来自于hdfs-site.xml的dfs.http.address配置项）

• YARN入口：http://192.168.56.202:8088/cluster（ResourceManager所在节点的8088端口）

数据节点状态如下：

YARN集群状态如下：

使用Hadoop

通过几个简单的例子尝试使用Hadoop集群。

创建目录和展示目录

测试一下创建目录和展示目录：

[hadoop@hadoop01 hadoop]$ hadoop fs -mkdir -p /test
[hadoop@hadoop01 hadoop]$ hadoop fs -ls /
Found 1 items
drwxr-xr-x   - hadoop supergroup          0 2020-12-13 10:55 /test

上传和下载文件

创建一个words.txt，写入内容并且上传到上一小节创建的test文件夹中：

cd /data/hadoop
touch words.txt
echo 'hello world' >> words.txt
hadoop fs -put words.txt /test

然后在HDFS的WEB界面中查看：

下载该文件到/data/hadoop/download.txt：

[hadoop@hadoop01 hadoop]$ hadoop fs -get /test/words.txt /data/hadoop/download.txt && \
cat /data/hadoop/download.txt
hello world

执行WordCount程序

上传一个文件到HDFS的/test/input目录：

cd /data/hadoop && \
hadoop fs -mkdir -p /test/input && \
touch words-input.txt && \
echo 'hello world' >> words-input.txt && \
echo 'hello java' >> words-input.txt && \
echo 'hello hadoop' >> words-input.txt && \
hadoop fs -put words-input.txt /test/input

自带的例子在目录/data/hadoop/app/share/hadoop/mapreduce的hadoop-mapreduce-examples-3.3.0.jar中，通过命令运行WordCount程序：

hadoop jar /data/hadoop/app/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar wordcount /test/input /test/output

MR的执行过程如下：

查看YARN管理界面对应的Job状态：

可知任务最终的执行状态为成功。最后可以通过hadoop fs -cat命令查看结果：

[hadoop@hadoop01 hadoop]$ hadoop fs -ls /test/output
Found 2 items
-rw-r--r--   3 hadoop supergroup          0 2020-12-13 11:19 /test/output/_SUCCESS
-rw-r--r--   3 hadoop supergroup         32 2020-12-13 11:19 /test/output/part-r-00000
[hadoop@hadoop01 hadoop]$ hadoop fs -cat /test/output/part-r-00000
hadoop 1
hello 3
java 1
world 1

小结

本文花了大量时间详细记录了如何从零开始搭建一个Hadoop集群，基于此才能进一步学习和使用Hadoop生态中的组件如Hive、Sqoop和Hbase等等，后续会逐个击破。

（本文完 c-2-d e-a-20201213）