Nutch相关框架视频教程--说明
PDF文档：
=============================================================
Nutch相关框架视频教程
第一讲
1、 通过nutch，诞生了hadoop、tika、gora。
2、 nutch通过ivy来进行依赖管理（1.2之后）。
3、 nutch是使用svn进行源代码管理的。
4、 lucene、nutch、hadoop，在搜索界相当有名。
5、 ant构建之后，生成runtime文件夹，该文件夹下面有deploy和local文件夹，分别代表了nutch的两种运行方式。
6、 nutch和hadoop是通过什么连接起来的？通过nutch脚本。通过hadoop命令把apache-nutch-1.6.job提交给hadoop的JobTracker。
7、 nutch入门重点在于分析nutch脚本文件。
第二讲
1、 git来作为分布式版本控制工具，github作为server。bitbucket.org提供免费的私有库。
2、 nutch的提高在于研读nutch-default.xml文件中的每一个配置项的实际含义（需要结合源代码理解）。
3、 定制开发nutch的入门方法是研读build.xml文件。
4、 命令：
apt-get install subversion
svn co https://svn.apache.org/repos/asf/nutch/tags/release-1.6/
cd release-1.6
apt-get install ant
ant
cd runtime/local
mkdir urls
vi urls/url.txt 并输入http://blog.tianya.cn
nohup bin/nutch crawl urls -dir data -depth 3 -threads 100 &
vi release-1.6/conf/nutch-site.xml 增加http.agent.name配置
cd ../../release-1.6
ant
cd runtime/local
nohup bin/nutch crawl urls -dir data -depth 3 -threads 100 &
删除报错的文件夹
nohup bin/nutch crawl urls -dir data -depth 1 -threads 100 &
第三讲
1、 nutch的存储文件夹data下面各个文件夹和文件里面的内容究竟是什么？
2、 命令：
crawldb
bin/nutch | grep read
bin/nutch readdb data/crawldb -stats
bin/nutch readdb data/crawldb -dump data/crawldb/crawldb_dump
bin/nutch readdb data/crawldb -url http://4008209999.tianyaclub.com/
bin/nutch readdb data/crawldb -topN 10 data/crawldb/crawldb_topN
bin/nutch readdb data/crawldb -topN 10 data/crawldb/crawldb_topN_m 1
segments
crawl_generate：
bin/nutch readseg -dump data/segments/20130325042858 data/segments/20130325042858_dump -nocontent -nofetch -noparse -noparsedata –noparsetext
crawl_fetch：
bin/nutch readseg -dump data/segments/20130325042858 data/segments/20130325042858_dump -nocontent -nogenerate -noparse -noparsedata –noparsetext
content：
bin/nutch readseg -dump data/segments/20130325042858 data/segments/20130325042858_dump -nofetch -nogenerate -noparse -noparsedata –noparsetext
crawl_parse：
bin/nutch readseg -dump data/segments/20130325042858 data/segments/20130325042858_dump -nofetch -nogenerate -nocontent –noparsedata –noparsetext
parse_data：
bin/nutch readseg -dump data/segments/20130325042858 data/segments/20130325042858_dump -nofetch -nogenerate -nocontent -noparse –noparsetext
parse_text：
bin/nutch readseg -dump data/segments/20130325042858 data/segments/20130325042858_dump -nofetch -nogenerate -nocontent -noparse -noparsedata
全部：
bin/nutch readseg -dump data/segments/20130325042858 data/segments/20130325042858_dump
segments
bin/nutch readseg -list -dir data/segments
bin/nutch readseg -list data/segments/20130325043023
bin/nutch readseg -get data/segments/20130325042858 http://blog.tianya.cn/
linkdb
bin/nutch readlinkdb data/linkdb -url http://4008209999.tianyaclub.com/
bin/nutch readlinkdb data/linkdb -dump data/linkdb_dump
第四讲
1、 深入分析nutch的抓取周期
inject
generate -> fetch -> parse ->updatedb
2、 3大merge和3大read命令阐释
bin/nutch | grep merge
bin/nutch | grep read
bin/nutch mergesegs data/segments_all -dir data/segments
3、 反转链接
bin/nutch invertlinks data/linkdb -dir data/segments
4、 解析页面
bin/nutch parsechecker http://apdplat.org
第五讲
1、 域统计
bin/nutch domainstats data2/crawldb/current host host
bin/nutch domainstats data2/crawldb/current domain domain
bin/nutch domainstats data2/crawldb/current suffix suffix
bin/nutch domainstats data2/crawldb/current tld tld
2、webgraph
bin/nutch webgraph -segmentDir data2/segments -webgraphdb data2/webgraphdb
有相同inlinks的URL，只输出topn条
bin/nutch nodedumper -inlinks -output inlinks -topn 1 -webgraphdb data2/webgraphdb
有相同outlinks的URL，只输出topn条
bin/nutch nodedumper -outlinks -output outlinks -topn 1 -webgraphdb data2/webgraphdb
有相同scores的URL，只输出topn条（初始分值全为0）
bin/nutch nodedumper -scores -output scores -topn 1 -webgraphdb data2/webgraphdb
计算URL分值
bin/nutch linkrank -webgraphdb data2/webgraphdb
再次查看分值
bin/nutch nodedumper -scores -output scores –topn 1 -webgraphdb data2/webgraphdb
对结果进行分组，取最大值或是连加和（topn参数不参与）
bin/nutch nodedumper -group domain sum -inlinks -output inlinks_group_sum -webgraphdb data2/webgraphdb
bin/nutch nodedumper -group domain max -inlinks -output inlinks_group_max -webgraphdb data2/webgraphdb
对url进行分组，分组方式可选择为host或是domain，对同一组的url执行topn限制，对执行了topn限制的url集合执行max或是sum操作，max和sum所针对的排序值是3种方式之一inlinks、outlinks以及scores。
第六讲
1、注入分值
bin/nutch readdb data2/crawldb -dump crawldb_dump
cat crawldb_dump/* | grep Score | sort | uniq
bin/nutch scoreupdater -crawldb data2/crawldb -webgraphdb data2/webgraphdb
2、轻量级抓取
bin/nutch freegen urls data3/segments
第七讲
1、indexchecker
bin/nutch indexchecker http://www.163.com
2、安装配置SOLR3.6.2
wget http://mirror.bjtu.edu.cn/apache/lucene/solr/3.6.2/apache-solr-3.6.2.tgz
tar -xzvf apache-solr-3.6.2.tgz
cd apache-solr-3.6.2/example
复制nutch的conf目录中的schema.xml文件到solr/conf目录
将solr/conf/solrconfig.xml文件里的所有<str name="df">text</str>都替换为<str name="df">content</str>
3、运行SOLR并提交索引
启动SOLR服务器
java -jar start.jar &
Web界面
提交索引
bin/nutch solrindex http://host2:8983/solr data/crawldb -linkdb data/linkdb -dir data/segments
4、使用LUKE工具查看索引
5、给SOLR3.6.2配置分词器mmseg4j
wget http://mmseg4j.googlecode.com/files/mmseg4j-1.8.5.zip
unzip mmseg4j-1.8.5.zip -d mmseg4j-1.8.5
将mmseg4j-1.8.5/mmseg4j-all-1.8.5-with-dic.jar复制到solr下的lib目录
将schema.xml文件中所有的
<tokenizer class="solr.WhitespaceTokenizerFactory"/>
和
<tokenizer class="solr.StandardTokenizerFactory"/>
替换为
<tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex"/>
第八讲
1、指定LUKE工具的分词器
访问https://code.google.com/p/mmseg4j/downloads/list
下载mmseg4j-1.9.1.v20130120-SNAPSHOT.zip
将压缩包里面的dist文件夹里面的jar解压，将解压出来com和data文件夹拖到lukeall-4.0.0-ALPHA.jar里面
启动luke，在Search选项卡的Analysis里面选择com.chenlb.mmseg4j.analysis.ComplexAnalyzer
2、安装配置SOLR4.2
wget http://labs.mop.com/apache-mirror/lucene/solr/4.2.0/solr-4.2.0.tgz
tar -xzvf solr-4.2.0.tgz
cd solr-4.2.0/example
复制nutch的conf目录中的schema-solr4.xml文件到solr/collection1/conf目录，改名为schema.xml，覆盖原来文件
修改solr/collection1/conf/schema.xml，在<fields>下增加：<field name="_version_" type="long" indexed="true" stored="true"/>
3、给SOLR4.2配置分词器mmseg4j
wget https://mmseg4j.googlecode.com/files/mmseg4j-1.9.1.v20130120-SNAPSHOT.zip
unzip mmseg4j-1.9.1.v20130120-SNAPSHOT.zip -d mmseg4j-1.9.1
将mmseg4j-1.9.1/dist/*.jar复制到solr下的lib目录
将schema.xml文件中的
<tokenizer class="solr.WhitespaceTokenizerFactory"/>
和
<tokenizer class="solr.StandardTokenizerFactory"/>
替换为
<tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex"/>
4、运行SOLR并提交索引
启动SOLR服务器
java -jar start.jar &
Web界面
提交索引
bin/nutch solrindex http://host2:8983/solr data/crawldb -linkdb data/linkdb -dir data/segments
第九讲
1、 安装win上的nutch运行环境Cygwin
cygwin路径不要有空格
把安装好的JDK拷贝到用户主目录
把nutch的文件拷贝到用户主目录
下载解压ant，加入path
2、 运行nutch
Exception in thread "main" java.io.IOException: Failed to set permissions of path: \tmp\hadoop-ysc\mapred\staging\ysc-2036315919\.staging to 0700
https://issues.apache.org/jira/browse/HADOOP-7682
http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-1.1.2/hadoop-1.1.2.tar.gz
修改hadoop-1.1.2\src\core\org\apache\hadoop\fs\ FileUtil.java，搜索 Failed to set permissions of path，找到689行，把throw new IOException改为LOG.warn
修改hadoop-1.1.2\ build.xml，搜索autoreconf，移除匹配的6个executable="autoreconf"的exec配置
执行ant
用新生成的hadoop-core-1.1.3-SNAPSHOT.jar替换nutch的hadoop-core-1.0.3.jar
第十讲
1、HADOOP单机本地模式
wget http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-1.1.2/hadoop-1.1.2.tar.gz
tar -xzvf hadoop-1.1.2.tar.gz
export PATH=/home/ysc/hadoop-1.1.2/bin:$PATH
切换到nutch的deploy目录运行命令
2、HADOOP单机伪分布式模式
新建用户和组
addgroup hadoop
adduser --ingroup hadoop hadoop
注销root以hadoop用户登录
配置SSH
ssh-keygen -t rsa（密码为空，路径默认）
cp .ssh/id_rsa.pub .ssh/authorized_keys
准备HADOOP运行环境
wget http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-1.1.2/hadoop-1.1.2.tar.gz
tar -xzvf hadoop-1.1.2.tar.gz
在/home/hadoop/.bashrc 中追加：
export PATH=/home/hadoop/hadoop-1.1.2/bin:$PATH
重新登录就生效
ssh localhost
which hadoop
配置HADOOP运行参数
vi conf/core-site.xml
<property>
<name>fs.default.name</name>
<value>hdfs://localhost:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/tmp</value>
</property>
vi conf/hdfs-site.xml
<property>
<name>dfs.name.dir</name>
<value>/home/hadoop/dfs/filesystem/name</value>
</property>
<property>
<name>dfs.data.dir</name>
<value>/home/hadoop/dfs/filesystem/data</value>
</property>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
vi conf/mapred-site.xml
<property>
<name>mapred.job.tracker</name>
<value>localhost:9001</value>
</property>
<property>
<name>mapred.tasktracker.map.tasks.maximum</name>
<value>4</value>
</property>
<property>
<name>mapred.tasktracker.reduce.tasks.maximum</name>
<value>4</value>
</property>
<property>
<name>mapred.system.dir</name>
<value>/home/hadoop/mapreduce/system</value>
</property>
<property>
<name>mapred.local.dir</name>
<value>/home/hadoop/mapreduce/local</value>
</property>
格式化名称节点并启动集群
hadoop namenode -format
启动集群并查看WEB管理界面
start-all.sh
访问 http://localhost:50030 可以查看 JobTracker 的运行状态
访问 http://localhost:50060 可以查看 TaskTracker 的运行状态
访问 http://localhost:50070 可以查看 NameNode 以及整个分布式文件系统的状态，浏览分布式文件系统中的文件以及 log 等
停止集群
stop-all.sh停止集群
3、执行Nutch的crawl命令
第十一讲
1、配置Cygwin支持无密码SSH登陆
安装SSH
默认的Cygwin没有安装ssh，所以重新运行http://www.cygwin.com/setup.exe
在Select Packages的时候，在search输入ssh，选择openssh: The OpenSSH server and client programs
配置SSH服务（以管理员身份运行cygwin）
ssh-host-config
Should privilege separation be used? yes
Do you want to install sshd as a service? yes
默认确认
Do you want to use a different name? no
Create new privileged user account 'cyg_server'? yes
输入密码
cygrunsrv -S sshd
如果需要重新安装sshd服务，可以用cygrunsrv -R sshd
生成SSH Key
ssh-keygen -t rsa（密码为空，路径默认）
cp .ssh/id_rsa.pub .ssh/authorized_keys
登陆
ssh localhost
2、win上的HADOOP单机伪分布式
准备HADOOP运行环境
下载解压并拷贝到Cygwin的用户主目录
http://archive.apache.org/dist/hadoop/core/hadoop-0.20.2/hadoop-0.20.2.tar.gz
1.x版本有BUG,参考：
https://issues.apache.org/jira/browse/HADOOP-7682
https://issues.apache.org/jira/browse/HADOOP-8274
BUG修复请参考：
http://en.wikisource.org/wiki/User:Fkorning/Code/Hadoop-on-Cygwin
在/home/ysc/.bashrc 中追加：
export JAVA_HOME=/home/ysc/jdk1.7.0_17
export PATH=/home/ysc/hadoop-0.20.2/bin:$JAVA_HOME/bin:$PATH
在hadoop-0.20.2/conf/hadoop-evn.sh中追加
export JAVA_HOME=/home/ysc/jdk1.7.0_17
export HADOOP_LOG_DIR=/tmp/logs
创建符号链接
mklink /D C:\tmp C:\cygwin\tmp
重新登录就生效
ssh localhost
which hadoop
配置HADOOP运行参数
vi conf/core-site.xml
<property>
<name>fs.default.name</name>
<value>hdfs://localhost:9000</value>
</property>
vi conf/hdfs-site.xml
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
vi conf/mapred-site.xml
<property>
<name>mapred.job.tracker</name>
<value>localhost:9001</value>
</property>
<property>
<name>mapred.tasktracker.map.tasks.maximum</name>
<value>4</value>
</property>
<property>
<name>mapred.tasktracker.reduce.tasks.maximum</name>
<value>4</value>
</property>
格式化名称节点并启动集群
hadoop namenode -format
启动集群并查看WEB管理界面
start-all.sh
访问 http://localhost:50030 可以查看 JobTracker 的运行状态
访问 http://localhost:50060 可以查看 TaskTracker 的运行状态
访问 http://localhost:50070 可以查看 NameNode 以及整个分布式文件系统的状态，浏览分布式文件系统中的文件以及 log 等
停止集群
stop-all.sh停止集群
3、 执行wordcount命令
hadoop jar hadoop-0.20.2-examples.jar wordcount input output
第十二讲
1、 HADOOP多机完全分布式模式
三台机器
host2(NameNode、SecondaryNameNode、JobTracker、DataNode、TaskTracker)
host6(DataNode、TaskTracker)
host8(DataNode、TaskTracker)
vi /etc/hostname（分别给每一台主机指定主机名）
vi /etc/hosts（分别给每一台主机指定主机名到IP地址的映射）
新建用户和组
三台机器上面都要新建用户和组
addgroup hadoop
adduser --ingroup hadoop hadoop
更改临时目录权限
chmod 777 /tmp
注销root以hadoop用户登录
配置SSH
在host2上面执行
ssh-keygen -t rsa（密码为空，路径默认）
该命令会在用户主目录下创建 .ssh 目录，并在其中创建两个文件：id_rsa 私钥文件，是基于 RSA 算法创建，该私钥文件要妥善保管，不要泄漏。id_rsa.pub 公钥文件，和 id_rsa 文件是一对儿，该文件作为公钥文件，可以公开
cp .ssh/id_rsa.pub .ssh/authorized_keys
把公钥追加到其他主机的authorized_keys 文件中
ssh-copy-id -i .ssh/id_rsa.pub hadoop@host6
ssh-copy-id -i .ssh/id_rsa.pub hadoop@host8
可以在host2上面通过ssh无密码登陆host6和host8
ssh host2
ssh host6
ssh host8
准备HADOOP运行环境
wget http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-1.1.2/hadoop-1.1.2.tar.gz
tar -xzvf hadoop-1.1.2.tar.gz
在/home/hadoop/.bashrc 中追加：
export PATH=/home/hadoop/hadoop-1.1.2/bin:$PATH
重新登录就生效
ssh localhost
which hadoop
配置HADOOP运行参数
vi conf/masters
把localhost替换为 ：host2
vi conf/slaves
删除localhost，加入两行:
host2
host6
host8
vi conf/core-site.xml
<property>
<name>fs.default.name</name>
<value>hdfs://host2:9000</value>
</property>
vi conf/hdfs-site.xml
<property>
<name>dfs.name.dir</name>
<value>/home/hadoop/dfs/filesystem/name</value>
</property>
<property>
<name>dfs.data.dir</name>
<value>/home/hadoop/dfs/filesystem/data</value>
</property>
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
vi conf/mapred-site.xml
<property>
<name>mapred.job.tracker</name>
<value>host2:9001</value>
</property>
<property>
<name>mapred.tasktracker.map.tasks.maximum</name>
<value>4</value>
</property>
<property>
<name>mapred.tasktracker.reduce.tasks.maximum</name>
<value>4</value>
</property>
<property>
<name>mapred.system.dir</name>
<value>/home/hadoop/mapreduce/system</value>
</property>
<property>
<name>mapred.local.dir</name>
<value>/home/hadoop/mapreduce/local</value>
</property>
复制HADOOP文件到其他节点
scp -r /home/hadoop/hadoop-1.1.2 hadoop@host6:/home/hadoop/hadoop-1.1.2
scp -r /home/hadoop/hadoop-1.1.2 hadoop@host8:/home/hadoop/hadoop-1.1.2
格式化名称节点并启动集群
hadoop namenode -format
启动集群并查看WEB管理界面
start-all.sh
访问 http://localhost:50030 可以查看 JobTracker 的运行状态
访问 http://localhost:50060 可以查看 TaskTracker 的运行状态
访问 http://localhost:50070 可以查看 NameNode 以及整个分布式文件系统的状态，浏览分布式文件系统中的文件以及 log 等
停止集群
stop-all.sh停止集群
第十三讲
1、改变负载
三台机器，改变负载
host2(NameNode、DataNode、TaskTracker)
host6(SecondaryNameNode、DataNode、TaskTracker)
host8(JobTracker 、DataNode、TaskTracker)
指定SecondaryNameNode为host6：
vi conf/masters指定host6
scp conf/masters host6:/home/hadoop/hadoop-1.1.2/conf/masters
scp conf/masters host8:/home/hadoop/hadoop-1.1.2/conf/masters
vi conf/hdfs-site.xml
<property>
<name>dfs.http.address</name>
<value>host2:50070</value>
</property>
<property>
<name>dfs.secondary.http.address</name>
<value>host6:50090</value>
</property>
scp conf/hdfs-site.xml host6:/home/hadoop/hadoop-1.1.2/conf/hdfs-site.xml
scp conf/hdfs-site.xml host8:/home/hadoop/hadoop-1.1.2/conf/hdfs-site.xml
指定JobTracker为host8：
vi conf/mapred-site.xml
<property>
<name>mapred.job.tracker</name>
<value>host8:9001</value>
</property>
scp conf/mapred-site.xml host6:/home/hadoop/hadoop-1.1.2/conf/mapred-site.xml
scp conf/mapred-site.xml host8:/home/hadoop/hadoop-1.1.2/conf/mapred-site.xml
vi conf/core-site.xml
<property>
<name>fs.checkpoint.dir</name>
<value>/home/hadoop/dfs/filesystem/namesecondary</value>
</property>
scp conf/core-site.xml host6:/home/hadoop/hadoop-1.1.2/conf/core-site.xml
scp conf/core-site.xml host8:/home/hadoop/hadoop-1.1.2/conf/core-site.xml
配置host8：
host8上的脚本start-mapred.sh会启动host2和host6上面的TaskTracker，所以需要对host8执行：
ssh-keygen -t rsa（密码为空，路径默认）
ssh-copy-id -i .ssh/id_rsa.pub hadoop@host2
ssh-copy-id -i .ssh/id_rsa.pub hadoop@host6
ssh-copy-id -i .ssh/id_rsa.pub hadoop@host8
可以在host8上面通过ssh无密码登陆host2和host6
ssh host2
ssh host6
ssh host8
在/home/hadoop/.bashrc 中追加：
export PATH=/home/hadoop/hadoop-1.1.2/bin:$PATH
host2: 执行start-dfs.sh
host8: 执行start-mapred.sh
2、SecondaryNameNode
ssh host6
停止secondarynamenode
hadoop-1.1.2/bin/hadoop-daemon.sh stop secondarynamenode
强制合并fsimage和eidts
hadoop-1.1.2/bin/hadoop secondarynamenode -checkpoint force
启动secondarynamenode
hadoop-1.1.2/bin/hadoop-daemon.sh start secondarynamenode
3、启用回收站
<property>
<name>fs.trash.interval</name>
<value>10080</value>
</property>
第十四讲
1、 动态增加DataNode节点和TaskTracker节点
以host226为例
在host226上执行：
指定主机名
vi /etc/hostname
指定主机名到IP地址的映射
vi /etc/hosts
增加用户和组
addgroup hadoop
adduser --ingroup hadoop hadoop
更改临时目录权限
chmod 777 /tmp
在host2上执行：
vi conf/slaves
增加host226
ssh-copy-id -i .ssh/id_rsa.pub hadoop@host226
scp -r /home/hadoop/hadoop-1.1.2 hadoop@host226:/home/hadoop/hadoop-1.1.2
在host8上执行：
vi conf/slaves
增加host226
ssh-copy-id -i .ssh/id_rsa.pub hadoop@host226
在host226上面执行：
hadoop-daemon.sh start datanode
hadoop-daemon.sh start tasktracker
在/etc/hosts的配置文件中，localhost到ip地址的映射要放到ipv4的最后面
第十五讲
1、限制hadoop节点连接
NameNode:
vi conf/hdfs-site.xml
<property>
<name>dfs.hosts</name>
<value>/home/hadoop/hadoop-1.1.2/conf/include</value>
</property>
<property>
<name>dfs.hosts.exclude</name>
<value>/home/hadoop/hadoop-1.1.2/conf/exclude</value>
</property>
加入集群节点
vi /home/hadoop/hadoop-1.1.2/conf/include
JobTracker:
vi conf/mapred-site.xml
<property>
<name>mapred.hosts</name>
<value>/home/hadoop/hadoop-1.1.2/conf/include</value>
</property>
<property>
<name>mapred.hosts.exclude</name>
<value>/home/hadoop/hadoop-1.1.2/conf/exclude</value>
</property>
加入集群节点
vi /home/hadoop/hadoop-1.1.2/conf/include
重启集群
2、动态删除DataNode节点和TaskTracker节点
vi /home/hadoop/hadoop-1.1.2/conf/exclude
增加待删除的节点host226
在NameNode上面执行：
hadoop dfsadmin -refreshNodes
vi hadoop-1.1.2/conf/slaves （去掉host226）
vi hadoop-1.1.2/conf/include （去掉host226）
hadoop dfsadmin -refreshNodes(使include的更改生效)
rm hadoop-1.1.2/conf/exclude
exclude主要是使一个datanode节点安全退役
删除tasktracker方式一：
vi /home/hadoop/hadoop-1.1.2/conf/exclude
增加待删除的节点host226
在JobTracker上面执行：
hadoop mradmin -refreshNodes
vi hadoop-1.1.2/conf/slaves （去掉host226）
vi hadoop-1.1.2/conf/include （去掉host226）
hadoop mradmin -refreshNodes(使include的更改生效)
rm hadoop-1.1.2/conf/exclude
删除tasktracker方式二：
vi /home/hadoop/hadoop-1.1.2/conf/include
删除待删除的节点host226
在JobTracker上面执行：
hadoop mradmin -refreshNodes
vi hadoop-1.1.2/conf/slaves （去掉host226）
第十六讲
1、运行基准测试
hadoop jar hadoop-test-1.1.2.jar
hadoop jar hadoop-test-1.1.2.jar DFSCIOTest -write -nrFiles 12 -fileSize 100000 -resFile test
hadoop jar hadoop-test-1.1.2.jar DFSCIOTest -read -nrFiles 12 -fileSize 100000 -resFile test
hadoop jar hadoop-test-1.1.2.jar DFSCIOTest -clear
第十七讲
Ganglia主要是用来监控大规模分布式系统的性能，如：cpu 、内存、硬盘、负载、网络流量等。Ganglia支持通过浏览器访问，强大的图表展示方式很容易直观地了解每个节点以及整个集群的工作状态，对集群运行参数调整、提高系统整体资源利用率起到重要作用。
1、 配置服务端
host6作为服务端：
创建用户和组：
addgroup ganglia
adduser --ingroup ganglia ganglia
安装：
apt-get install gmetad
apt-get install rrdtool
apt-get install ganglia-webfrontend
apt-get install ganglia-monitor
配置gmond：
vi /etc/ganglia/gmond.conf
先找到setuid = yes,改成setuid =no;
在找到cluster块中的name，改成name =”hadoop-cluster”;
配置gmetad：
vi /etc/ganglia/gmetad.conf
在这个配置文件中增加datasource，即增加以下内容：
data_source “hadoop-cluster” 10 host2 host6 host8
gridname "Hadoop"
指定web文件夹：
ln -s /usr/share/ganglia-webfrontend /var/www/ganglia
指定主机名：
vi /etc/apache2/apache2.conf
添加： ServerName host6
重启服务：
/etc/init.d/gmetad restart
/etc/init.d/ganglia-monitor restart
/etc/init.d/apache2 restart
2、 配置客户端
在host2和host8上安装数据收集服务：
创建用户和组：
addgroup ganglia
adduser --ingroup ganglia ganglia
安装：
apt-get install ganglia-monitor
配置gmond：
vi /etc/ganglia/gmond.conf
先找到setuid = yes,改成setuid =no;
在找到cluster块中的name，改成name =”hadoop-cluster”;
重启服务：
/etc/init.d/ganglia-monitor restart
3、 访问页面
如果页面中的Choose a Source有unspecified, 重启gmetad即可：
/etc/init.d/gmetad restart
4、 集成hadoop
vi conf/hadoop-metrics2.properties
设置内容为：
# 大于0.20以后的版本用ganglia31
*.sink.ganglia.class=org.apache.hadoop.metrics2.sink.ganglia.GangliaSink31
*.sink.ganglia.period=10
# default for supportsparse is false
*.sink.ganglia.supportsparse=true
*.sink.ganglia.slope=jvm.metrics.gcCount=zero,jvm.metrics.memHeapUsedM=both
*.sink.ganglia.dmax=jvm.metrics.threadsBlocked=70,jvm.metrics.memHeapUsedM=40
#组播地址239.2.11.71
namenode.sink.ganglia.servers=239.2.11.71:8649
datanode.sink.ganglia.servers=239.2.11.71:8649
jobtracker.sink.ganglia.servers=239.2.11.71:8649
tasktracker.sink.ganglia.servers=239.2.11.71:8649
maptask.sink.ganglia.servers=239.2.11.71:8649
reducetask.sink.ganglia.servers=239.2.11.71:8649
dfs.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
dfs.period=10
dfs.servers=239.2.11.71:8649
mapred.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
mapred.period=10
mapred.servers=239.2.11.71:8649
jvm.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
jvm.period=10
jvm.servers=239.2.11.71:8649
把配置文件复制到集群其他节点，重启集群。
第十八讲
1、准备压缩数据
从dmoz下载url库
wget http://rdf.dmoz.org/rdf/content.rdf.u8.gz
gunzip content.rdf.u8.gz
准备nutch1.6
svn co https://svn.apache.org/repos/asf/nutch/tags/release-1.6/
cp release-1.6/conf/nutch-site.xml.template release-1.6/conf/nutch-site.xml
vi release-1.6/conf/nutch-site.xml
增加：
<property>
<name>http.agent.name</name>
<value>nutch</value>
</property>
cd release-1.6
ant
cd ..
使用DmozParser把dmoz的URL库解析为文本
release-1.6/runtime/local/bin/nutch org.apache.nutch.tools.DmozParser content.rdf.u8 > urls &
将url文本内容放到HDFS上面
hadoop fs -put urls urls
2、以不同压缩方法注入URL
进入nutch主目录
cd release-1.6
以未压缩的方式注入URL
runtime/deploy/bin/nutch inject data_no_compress/crawldb urls
以默认压缩的方式注入URL
vi conf/nutch-site.xml
<property>
<name>mapred.output.compression.type</name>
<value>BLOCK</value>
</property>
<property>
<name>mapred.output.compress</name>
<value>true</value>
</property>
<property>
<name>mapred.compress.map.output</name>
<value>true</value>
</property>
<property>
<name>mapred.map.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.DefaultCodec</value>
</property>
<property>
<name>mapred.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.DefaultCodec</value>
</property>
ant
runtime/deploy/bin/nutch inject data_default_compress/crawldb urls
以Gzip压缩的方式注入URL
vi conf/nutch-site.xml
<property>
<name>mapred.output.compression.type</name>
<value>BLOCK</value>
</property>
<property>
<name>mapred.output.compress</name>
<value>true</value>
</property>
<property>
<name>mapred.compress.map.output</name>
<value>true</value>
</property>
<property>
<name>mapred.map.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.GzipCodec</value>
</property>
<property>
<name>mapred.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.GzipCodec</value>
</property>
ant
runtime/deploy/bin/nutch inject data_gzip_compress/crawldb urls
以BZip2的压缩方式注入URL
vi conf/nutch-site.xml
<property>
<name>mapred.output.compression.type</name>
<value>BLOCK</value>
</property>
<property>
<name>mapred.output.compress</name>
<value>true</value>
</property>
<property>
<name>mapred.compress.map.output</name>
<value>true</value>
</property>
<property>
<name>mapred.map.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.BZip2Codec</value>
</property>
<property>
<name>mapred.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.BZip2Codec</value>
</property>
ant
runtime/deploy/bin/nutch inject data_bzip2_compress/crawldb urls
以Snappy的方式注入URL
vi conf/nutch-site.xml
<property>
<name>mapred.output.compression.type</name>
<value>BLOCK</value>
</property>
<property>
<name>mapred.output.compress</name>
<value>true</value>
</property>
<property>
<name>mapred.compress.map.output</name>
<value>true</value>
</property>
<property>
<name>mapred.map.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.SnappyCodec</value>
</property>
<property>
<name>mapred.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.SnappyCodec</value>
</property>
ant
runtime/deploy/bin/nutch inject data_snappy_compress/crawldb urls
压缩类型的影响
块大小的影响
3、Hadoop配置Snappy压缩
下载解压：
wget https://snappy.googlecode.com/files/snappy-1.1.0.tar.gz
tar -xzvf snappy-1.1.0.tar.gz
cd snappy-1.0.5
编译:
./configure
make
make install
复制库文件：
scp /usr/local/lib/libsnappy* host2:/home/hadoop/hadoop-1.1.2/lib/native/Linux-amd64-64/
scp /usr/local/lib/libsnappy* host6:/home/hadoop/hadoop-1.1.2/lib/native/Linux-amd64-64/
scp /usr/local/lib/libsnappy* host8:/home/hadoop/hadoop-1.1.2/lib/native/Linux-amd64-64/
在每一台集群机器上面修改环境变量：
vi /home/hadoop/.bashrc
追加：
export LD_LIBRARY_PATH=/home/hadoop/hadoop-1.1.2/lib/native/Linux-amd64-64
第十九讲
1、Ganglia以组播方式监控同一个网段中的多个集群
vi /etc/ganglia/gmetad.conf
data_source "cluster1" 10 host2
data_source "cluster2" 10 host6
data_source "cluster3" 10 host8
/etc/init.d/gmetad restart
下面要分别指定节点使用的端口：
cluster1：
vi /etc/ganglia/gmond.conf
指定集群名称：
cluster {
name = "cluster1"
owner = "unspecified"
latlong = "unspecified"
url = "unspecified"
}
指定端口：
udp_send_channel {
mcast_join = 239.2.11.71
port = 8661
ttl = 1
}
udp_recv_channel {
mcast_join = 239.2.11.71
port = 8661
bind = 239.2.11.71
}
/etc/init.d/ganglia-monitor restart
cluster2：
vi /etc/ganglia/gmond.conf
指定集群名称：
cluster {
name = "cluster2"
owner = "unspecified"
latlong = "unspecified"
url = "unspecified"
}
指定端口：
udp_send_channel {
mcast_join = 239.2.11.71
port = 8662
ttl = 1
}
udp_recv_channel {
mcast_join = 239.2.11.71
port = 8662
bind = 239.2.11.71
}
/etc/init.d/ganglia-monitor restart
cluster3:
vi /etc/ganglia/gmond.conf
指定集群名称：
cluster {
name = "cluster3"
owner = "unspecified"
latlong = "unspecified"
url = "unspecified"
}
指定端口：
udp_send_channel {
mcast_join = 239.2.11.71
port = 8663
ttl = 1
}
udp_recv_channel {
mcast_join = 239.2.11.71
port = 8663
bind = 239.2.11.71
}
/etc/init.d/ganglia-monitor restart
2、Ganglia以单播方式监控同一个网段中的多个集群
vi /etc/ganglia/gmetad.conf
data_source "cluster1" 10 host2
data_source "cluster2" 10 host6
data_source "cluster3" 10 host8
/etc/init.d/gmetad restart
cluster1：
vi /etc/ganglia/gmond.conf
指定集群名称：
cluster {
name = "cluster1"
owner = "unspecified"
latlong = "unspecified"
url = "unspecified"
}
指定接收数据的节点：
udp_send_channel {
# mcast_join = 239.2.11.71
host = host2
port = 8649
ttl = 1
}
udp_recv_channel {
# mcast_join = 239.2.11.71
port = 8649
# bind = 239.2.11.71
}
/etc/init.d/ganglia-monitor restart
cluster2：
vi /etc/ganglia/gmond.conf
指定集群名称：
cluster {
name = "cluster2"
owner = "unspecified"
latlong = "unspecified"
url = "unspecified"
}
指定接收数据的节点：
udp_send_channel {
# mcast_join = 239.2.11.71
host = host6
port = 8649
ttl = 1
}
udp_recv_channel {
# mcast_join = 239.2.11.71
port = 8649
# bind = 239.2.11.71
}
/etc/init.d/ganglia-monitor restart
cluster3：
vi /etc/ganglia/gmond.conf
指定集群名称：
cluster {
name = "cluster3"
owner = "unspecified"
latlong = "unspecified"
url = "unspecified"
}
指定接收数据的节点：
udp_send_channel {
# mcast_join = 239.2.11.71
host = host8
port = 8649
ttl = 1
}
udp_recv_channel {
# mcast_join = 239.2.11.71
port = 8649
# bind = 239.2.11.71
}
/etc/init.d/ganglia-monitor restart
3、Ganglia监控不同网段中的多个集群
不同网段中的主机如果属于同一个集群，则无法使用ganglia的多播配置方法，必须使用单播。
下面把host226加入cluster1：
在host226上安装数据收集服务：
创建用户和组：
addgroup ganglia
adduser --ingroup ganglia ganglia
安装：
apt-get install ganglia-monitor
配置gmond：
vi /etc/ganglia/gmond.conf
先找到setuid = yes,改成setuid =no;
在找到cluster块中的name，改成name =”cluster1”;
指定端口(要注意刚才第一步演示组播的时候已经把UDP端口改为8661)：
udp_send_channel {
mcast_join = 239.2.11.71
port = 8661
ttl = 1
}
udp_recv_channel {
mcast_join = 239.2.11.71
port = 8661
bind = 239.2.11.71
}
重启服务：
/etc/init.d/ganglia-monitor restart
第二十讲
1、Ganglia以单播方式监控跨多个网段的单一集群
vi /etc/ganglia/gmetad.conf
data_source "hadoop-cluster" 10 host6
/etc/init.d/gmetad restart
在集群的所有节点中指定以下配置：
vi /etc/ganglia/gmond.conf
指定集群名称：
cluster {
name = "hadoop-cluster"
owner = "unspecified"
latlong = "unspecified"
url = "unspecified"
}
指定接收数据的节点：
udp_send_channel {
# mcast_join = 239.2.11.71
host = host6
port = 8649
ttl = 1
}
udp_recv_channel {
# mcast_join = 239.2.11.71
port = 8649
# bind = 239.2.11.71
}
/etc/init.d/ganglia-monitor restart
2、配置Hadoop集群使用单播地址
vi conf/hadoop-metrics2.properties
设置内容为：
# 大于0.20以后的版本用ganglia31
*.sink.ganglia.class=org.apache.hadoop.metrics2.sink.ganglia.GangliaSink31
*.sink.ganglia.period=10
# default for supportsparse is false
*.sink.ganglia.supportsparse=true
*.sink.ganglia.slope=jvm.metrics.gcCount=zero,jvm.metrics.memHeapUsedM=both
*.sink.ganglia.dmax=jvm.metrics.threadsBlocked=70,jvm.metrics.memHeapUsedM=40
namenode.sink.ganglia.servers=host6
datanode.sink.ganglia.servers= host6
jobtracker.sink.ganglia.servers= host6
tasktracker.sink.ganglia.servers= host6
maptask.sink.ganglia.servers= host6
reducetask.sink.ganglia.servers= host6
dfs.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
dfs.period=10
dfs.servers= host6
mapred.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
mapred.period=10
mapred.servers= host6
jvm.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
jvm.period=10
jvm.servers= host6
把配置文件复制到集群其他节点，重启集群。
3、扩展集群，节点分别位于3个不同网段
将host226重新加入集群，并新增host138
在host6和host8的include文件中加入host226和host138
在host6和host8的slaves文件中加入host226和host138
在新增的节点host138上面执行：
指定主机名
vi /etc/hostname
指定主机名到IP地址的映射
vi /etc/hosts
增加用户和组
addgroup hadoop
adduser --ingroup hadoop hadoop
更改临时目录权限
chmod 777 /tmp
在host2和host8 上面配置对host138的SSH登陆：
ssh-copy-id -i .ssh/id_rsa.pub hadoop@host138
在host2上将hadoop文件复制到host138：
scp -r /home/hadoop/hadoop-1.1.2 hadoop@host138:/home/hadoop/hadoop-1.1.2
如果集群已经在运行，则在host226和host138上面执行以下命令以动态增加节点：
hadoop-daemon.sh start datanode
hadoop-daemon.sh start tasktracker
4、配置host138
在host138上安装数据收集服务：
创建用户和组：
addgroup ganglia
adduser --ingroup ganglia ganglia
安装：
apt-get install ganglia-monitor
配置gmond：
vi /etc/ganglia/gmond.conf
指定集群名称：
cluster {
name = "hadoop-cluster"
owner = "unspecified"
latlong = "unspecified"
url = "unspecified"
}
指定接收数据的节点：
udp_send_channel {
# mcast_join = 239.2.11.71
host = host6
port = 8649
ttl = 1
}
udp_recv_channel {
# mcast_join = 239.2.11.71
port = 8649
# bind = 239.2.11.71
}
/etc/init.d/ganglia-monitor restart