CentOS 7 + Hadoop3.0.0 搭建伪分布式集群

准备linux主机环境

一、安装虚拟机

下载地址：
VMware workstation 14 Pro （附：许可证秘钥）
系统iso：CentOS7 Minimal

基本上就是下一步下一步这种简单的默认安装就好了。除了在安装过程中配置分区的时候可能需要手动分区，然后选择标准分区即可。

装好后，修改内存，因为不需要图形界面，所以只给个512M内存也没问题。并更改网络适配器为VMnet8（NAT）。

附上NAT方式的工作原理

（CentOS和Windows这两台机子通过虚拟网关互联，虚拟网关由VMware workstation生成，在Windows上会生成一个虚拟网卡VMnet8，这个网卡地址和本机的物理网卡没有关系）

二、网络配置

在VMware workstation的菜单 编辑 -> 虚拟网络编辑器 可以查看和修改虚拟网关地址。

然后打开控制面板的网络连接查看VMnet8的IP地址

如图，在我这台机子上：

虚拟网关地址 192.168.216.1
VMnet8 IP地址 192.168.216.2

运行虚拟机，进行网络配置：

1.输入 ip addr 看到我的网卡叫做ens33
2.输入 ls /etc/sysconfig/network-scripts/ 看到网卡ip信息的配置文件名叫做ifcfg-ens33

3.输入 cat /etc/sysconfig/network-scripts/ifcfg-ens33 查看，可以发现虽然BOOTPROTO=dhcp，但是ONBOOT=no

（下面4-6步纯属实验性质可忽视，直接开始第7步）

4.输入 vi /etc/sysconfig/network-scripts/ifcfg-ens33 将ONBOOT=no修改为yes，在此之前要先进入root模式chmod 777 文件名把文件改为可写状态。修改完毕后，cat一下看看

5.输入 shutdown -r now 重启系统
6.重启完成后，ip addr 看到分配到的地址是192.168.216.128

下面开始进行固定ip的设置。
7.输入vi /etc/sysconfig/network-scripts/ifcfg-ens33，用#将BOOTPROTO=dhcp注释，并输入以下参数，把ip地址固定写为192.168.216.100

IPADDR0=192.168.216.100
PREFIX0=24
GATEWAY0=192.168.216.1
DNS1=192.168.216.1

（后来看到有BOOTPROTO=dhcp这行不注释而是改为BOOTPROTO=static，以及多配置一行NETMASK=255.255.255.0而没有DNS那行的，似乎也可以）

8.输入 service network restart 重启网络服务
9.输入 ip addr 确认配置成功

10.PING 一波试试。

现在用windows主机ping一下刚配置好的虚拟机试试看能否ping通，行的话这步就已经完成了。

三、修改主机名

下载安装终端软件 Mobaxterm。点击 sessions -> New sessions -> SSH，输入虚拟机的IP地址和用户名。现在就可以把刚建好的虚拟机假装是远程终端一样的用了。

然后修改主机名方便集群间的访问

sudo vi /etc/sysconfig/network ，假设我给它起名字叫node01，则输入

NETWORKING=yes  
HOSTNAME=node01 

改好后需要重启。若不想重启可以输入 sudo hostname node01 然后exit登出，重新登录终端，就可以看到已经生效了。

（可以看到原本是localhost的地方变为了node01）

修改域名解析映射文件使得后续可以直接通过主机名访问，sudo vi /etc/hosts，添加一行 IP地址 主机名

PING一波试试是否已生效

到此为止linux主机环境已完成。

安装jdk

一、下载解压

在主目录~下新建一个文件夹来放之后要装的所有文件比如叫做app mkdir app

从官网下载jdk包，我下载的是 jdk-8u161-linux-x64.tar.gz

打开 Mobaxterm。点击 sessions -> New sessions -> SFTP，注意要使用root登录。然后打开相应目录直接把本地文件拖拽到那一大块空白处即可。

把刚刚的压缩包解压到这个目录下 tar -zxvf jdk-8u161-linux-x64.tar.gz -C ~/app/ （后面那个参数是由于我拖拽的时候把原压缩包放到/usr/java文件夹了所以用 -C 把它解压到指定文件夹下）

进入 app/jdk1.8.0_161/bin 目录下，./java -version 看是否成功安装

二、配置环境变量PATH

sudo vi /etc/profile

在最末尾处添加两行

export JAVA_HOME=/home/thousfeet/app/jdk1.8.0_161
export PATH=$PATH:$JAVA_HOME/bin

（JAVA_HOME变量的值可能因人而异，查看方式可以是在 mobaxterm 的左侧这个 session 的图标上右击->duplicate session 复制出一个新 session ，然后进入之前jdk文件夹下输入pwd，然后选中这串东西贴过来）

配置好了之后我们想要使它立刻生效，输入 source /etc/profile，然后输入 java -version看到能够使用。这样就已经配置好了。

安装Hadoop

下载 hadoop 3.0.0 压缩包。
打开 Mobaxterm 刚刚那个 SFTP ，老样子拖拽上传解压到/app。

进入解压目录 cd /app/hadoop-3.0.0/etc/hadoop

一、配置 hadoop-env.sh

vi hadoop-env.sh，修改 JAVA_HOME 为之前那个参数

二、配置 core-site.xml

vi core-site.xml，在configuration中添加各配置项

1.配置默认采用的文件系统。
（由于存储层和运算层松耦合，要为它们指定使用hadoop原生的分布式文件系统hdfs。value填入的是uri，参数是 分布式集群中主节点的地址 : 指定端口号）

fs.defaultFS
hdfs://node01:9000/

2.配置hadoop的公共目录
（指定hadoop进程运行中产生的数据存放的工作目录，NameNode、DataNode等就在本地工作目录下建子目录存放数据。但事实上在生产系统里，NameNode、DataNode等进程都应单独配置目录，而且配置的应该是磁盘挂载点，以方便挂载更多的磁盘扩展容量）

hadoop.tmp.dir
/home/thousfeet/app/hadoop-3.0.0/data/

（value的参数仍与之前一样可以进入解压目录输入pwd查看）

三、配置 hdfs-site.xml

vi hdfs-site.xml，配置hdfs的副本数
（客户端将文件存到hdfs的时候，会存放在多个副本。value一般指定3，但因为搭建的是伪分布式就只有一台机器，所以只能写1。）

dfs.replication
1

四、配置 mapred-site.xml

vi mapred-site.xml，指定MapReduce程序应该放在哪个资源调度集群上运行。若不指定为yarn，那么MapReduce程序就只会在本地运行而非在整个集群中运行。

mapreduce.framework.name
yarn

五、配置 yarn-site.xml

vi yarn-site.xml，要配置的参数有2个：

1.指定yarn集群中的老大（就是本机）

yarn.resourcemanager.hostname
node01

2.配置yarn集群中的重节点，指定map产生的中间结果传递给reduce采用的机制是shuffle

yarn.nodemanager.aux-services
mapreduce_shuffle

六、配置环境变量PATH

输入 sudo vi /etc/profile

加入一行 export HADOOP_HOME=/home/thousfeet/app/hadoop-3.0.0
以及修改PATH，追加参数 export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

然后记得 source /etc/profile

现在就可以在任意地方使用hadoop指令了。

关掉防火墙

由于hadoop中的程序都是网络服务，需要监听端口，这些端口默认会被linux防火墙挡住。因此要把hadoop中的端口一个个打开，或者把防火墙关掉。由于都是内网，所以关掉就好了。

sudo firewall-cmd --state 查看防火墙状态
sudo systemctl stop firewalld.service 关闭防火墙
再次查看状态，看到已经关闭了。但在下一次开机时还会自启动，因此 sudo systemctl disable firewalld.service 禁止开机时防火墙自启。

实现SSH免密码远程登录

SSH机制解析图（假如有一台叫做weekend110的终端要远程登录叫做spark01的终端）

我们要做的只是黑色箭头的步骤，绿色的是SSH机制的内部实现。

一、创建公钥/私钥

ssh-keygen -t rsa，然后yes加一路回车

二、创建authorized_keys文件并修改权限为600

cd .ssh
touch authorized_keys
chmod 600 authorized_keys

三、将公钥追加到authorized_keys文件中去

cat id_rsa.pub >> authorized_keys

ssh node01 试试看能否成功免密登录

（因为是伪分布式集群，其实就是自己登录自己）

启动Hadoop

一、初始化（格式化）

输入 hadoop namenode -format

二、启动

start-dfs.sh
start-yarn.sh

然后输入jps 查看已成功启动的进程

若出现这六个都没少则说明已全部成功启动了。

---

几个坑点

出事点1：can't open file for writing

在网络配置第4步的时候，遇到了can't open file for writing，然而试图chmod也并没有成功，查了半天得知可能需要删除在/var/tmp路径下的.swp隐藏文件（来自http://blog.csdn.net/luoluoguo/article/details/11557291）。然后chmod，发现root状态下vi这个文件看到里面内容是空的（？）于是切换回普通用户vi修改保存后退出就成功了。

出事点2：不在sudoers文件中

第一次使用sudo命令的时候失败提示“不在sudoers文件中”

因此要切换到root修改一下sudoers文件：vi /etc/sudoers，在如下图的位置加上一行自己的用户名

出事点3：wget下载JDK后解压不了

安装jdk的时候试图用wget直接从官网下载，高高兴兴的一波操作

sudo wget http://download.Oracle.com/otn-pub/java/jdk/8u121-b13/e9e7ea248e2c4826b92b3f075a80e441/jdk-8u121-linux-x64.tar.gz
tar -xf jdk-8u121-linux-x64.tar.gz

发现GG了，怎么都解压不了，查了下发现非要手动下载再传，迷得不行orz（来自http://blog.csdn.net/jdjdndhj/article/details/73649419#/）

出事点4：Found a swap file by the name "/etc/.profile.swp"

环境变量配置到一半的时候电脑突然死机了（T T 渣机是真的难受），重启后再次进入编译/etc/profile的时候出现如下错误提示

E325: ATTENTION
Found a swap file by the name "/etc/.profile.swp"
owned by: root dated: Wed Jul 14 10:01:10 2010
file name: /etc/profile
modified: YES
user name: root host name: zhaoyang-laptop
process ID: 1934
While opening file "/etc/profile"
dated: Thu Apr 29 20:18:30 2010

解决方法是:q!退出vi编辑器，在终端输入sudo rm -f /etc/.profile.swp

出事点5：启动hadoop后jps查看进程只有一个

在配置完成后我直接启动了hadoop并jps查看，发现只有JPS一个进程，开始没注意启动过程提示一直在检查配置错误，除去上文的配置又补做了如下操作：（事实上下面的做不做都并不需要，但为了避免最终操作和文中不符所以还是列出来）

修改了hadoop-env.sh配置了hadoop_home变量
把core-site.xml的9000后多余的/去掉
mapred-site.xml加上了

mapreduce.admin.user.env
HADOOP_MAPRED_HOME=$HADOOP_COMMON_HOME


yarn.app.mapreduce.am.env
HADOOP_MAPRED_HOME=$HADOOP_COMMON_HOME

后来恍然意识到是没有输入密码，启动过程中也不会给输入密码的提示步骤，所以一定要先配置SSH免密登录。

出事点6：启动hadoop后jps查看进程没有datanode

这个坑点是重复格式化造成的。

当我们执行文件系统格式化时，会在namenode数据文件夹（即配置文件中dfs.name.dir在本地系统的路径）中保存一个current/VERSION文件，记录namespaceID，标识了所格式化的 namenode的版本。如果我们频繁的格式化namenode，那么datanode中保存（即配置文件中dfs.data.dir在本地系统的路径）的current/VERSION文件只是你第一次格式化时保存的namenode的ID，因此就会造成datanode与namenode之间的id不一致。

我们之前配置的时候是一起放在一个data文件夹下，所以先进到那个路径下去查看：cd /home/thousfeet/app/hadoop-3.0.0/data/dfs，会看到一个data文件夹和一个name文件夹。

cd cd name/current/，然后cat VERSION，把namenode的clusterID复制下来。

然后回到data文件夹下的current文件夹，vi VERSION，果然datanode这里的clusterID和namenode里的不一致，就把这串替换成刚复制过来的就好了。

这时候stop-all.sh，然后重新启动就好了。

出事点5：启动hadoop后无法访问50070端口

jps查看一切正常，防火墙也已经关闭。查看监听的端口发现8088都有，就是没有50070。

解决方案：

在 hdfs-site.xml 添加如下：

dfs.http.address
192.168.216.100:50070

然后重新格式化namenode，启动hadoop。
（来自https://blog.csdn.net/Neone__u/article/details/53741786）

---

附：vi命令的使用

首先使用命令 vi filename 打开一个文件，这个时候进入到的是命令模式
接下来按 i 进入insert模式，然后键盘随便输入写内容。
然后按ESC重新进入到命令模式。
在命令模式的情况下，按 : ，进入到了末行模式。
输入wq!，然后回车，强行保存退出。
下次再打开对应文件（可用less filename命令打开），即可看到内容已经更改。