Hadoop 2.2.0 (YARN)搭建笔记
最近工作需要，摸索着搭建了Hadoop 2.2.0(YARN)集群，中间遇到了一些问题，在此记录，希望对需要的同学有所帮助。
本篇文章不涉及hadoop2.2的编译，编译相关的问题在另外一篇文章《hadoop 2.2.0 源码编译笔记》中说明，本篇文章我们假定已经获得了hadoop 2.2.0的64bit发行包。
由于spark的兼容问题，我们后面使用了Hadoop 2.0.5-alpha的版本（2.2.0是稳定版本），2.0.5的配置有一点细微的差别，文中有特别提示。
1. 简介
【本节摘自http://www.cnblogs.com/xia520pi/archive/2012/05/16/2503949.html】
Hadoop是Apache软件基金会旗下的一个开源分布式计算平台。以Hadoop分布式文件系统（HDFS，Hadoop Distributed Filesystem）和MapReduce（Google MapReduce的开源实现）为核心的Hadoop为用户提供了系统底层细节透明的分布式基础架构。
对于Hadoop的集群来讲，可以分成两大类角色：Master和Salve。一个HDFS集群是由一个NameNode和若干个DataNode组成的。其中NameNode作为主服务器，管理文件系统的命名空间和客户端对文件系统的访问操作；集群中的DataNode管理存储的数据。MapReduce框 架是由一个单独运行在主节点上的JobTracker和运行在每个集群从节点的TaskTracker共同组成的。主节点负责调度构成一个作业的所有任 务，这些任务分布在不同的从节点上。主节点监控它们的执行情况，并且重新执行之前的失败任务；从节点仅负责由主节点指派的任务。当一个Job被提交 时，JobTracker接收到提交作业和配置信息之后，就会将配置信息等分发给从节点，同时调度任务并监控TaskTracker的执行。
从上面的介绍可以看出，HDFS和MapReduce共同组成了Hadoop分布式系统体系结构的核心。HDFS在集群上实现分布式文件系统，MapReduce在集群上实现了分布式计算和任务处理。HDFS在MapReduce任务处理过程中提供了文件操作和存储等支持，MapReduce在HDFS的基础上实现了任务的分发、跟踪、执行等工作，并收集结果，二者相互作用，完成了Hadoop分布式集群的主要任务。
2. 系统环境
系统版本
CentOS 6.4 64bit
uname -a
Linux ** 2.6.32_1-7-0-0 #1 SMP *** x86_64 x86_64 x86_64 GNU/Linux
JAVA环境
安装Java 1.6
将jdk解压到local目录下
添加JAVA_HOME环境变量到.bashrc文件中
export JAVA_HOME="/home/<hostname>/local/jdk1.6.0_45/"
export JRE_HOME="/home/<hostname>/local/jdk1.6.0_45/jre/"
export PATH=$JAVA_HOME/bin:$JRE_HOME/bin:$PATH
export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH
HADOOP解压hadoop-2.2.0-bin_64.tar.gz(这个包是我在CentOS6.4 64bit的环境下编译得到的) 到用户根目录
export HADOOP_HOME=/home/<hostname>/hadoop-2.2.0
[html] view plaincopyprint?
export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$PATH
测试本地模式
hadoop默认情况下配置为本地模式，所以解压后不修改任何配置，可以执行本地测试
// 创建本地目录
mkdir input
// 填充数据
cp conf/*.xml input
// 执行hadoop
bin/hadoop jar hadoop-examples-*.jar grep input output 'dfs[a-z.]+'
// 查看结果
[html] view plaincopyprint?
cat output/*
3. 网络环境
由于前期只是测试环境和配置，所以简单的使用两个节点：
master机器，充当namenode & datanode
slave机器，充当datanode
设置hostname
HDFS用hostname而不是IP来相互之间进行通信，hadoop会反向解析hostname，即使是用了IP，也会使用hostname 来启动TaskTracker，所以所有配置文件只能用hostname，不能用IP（满满的都是泪）。我们给两个机器分别设置如下：
| 机器 | IP | HOSTNAME | 角色 |
|---|---|---|---|
| master | 192.168.216.135 | master | namenode, datanode |
| slave | 192.168.216.136 | slave1 | datanode |
临时更改hostname的命令是(root权限)
hostname <new_name>
永久更改需要修改配置文件/etc/sysconfig/network
[html] view plaincopyprint?
HOSTNAME=<new_name>
修改hosts文件
设置/etc/hosts文件(每台机器上都要设置)，添加如下内容
[html] view plaincopyprint?
192.168.216.135 master
192.168.216.136 slave1
namenode与datanode的/etc/hosts内容都必须是ip位址与host name的对应，不能使用127.0.0.1代替本机的ip地址，否则hadoop使用hostname找ip时，会以"127.0.0.1"作为ip位址。
设置ssh无密码访问
master和所有的slave之间，需要实现双向ssh无密码访问(slave和slave之间可以不用实现)。
请参见《ssh无密码访问》文章，本文不再详述
防火墙设置
严格来说，应该是打开某些对应的端口。为了简单起见，我们这里关闭selinux和iptalbes.
关闭selinux的方法
[html] view plaincopyprint?
setenforce 1 设置SELinux 成为enforcing模式
setenforce 0 设置SELinux 成为permissive模式
如果永久关闭，编辑/etc/selinux/config
[html] view plaincopyprint?
SELINUX=disabled
关闭iptables的方法
[html] view plaincopyprint?
service iptables stop
service ip6tables stop
如果需要永久关闭（各个运行级别）
[html] view plaincopyprint?
chkconfig iptables off
chkconfig ip6tables off
4. 配置
我们只需要在master机器上配置好所有的配置文件，然后全部拷贝到各个slave机器上即可。
注意配置文件中涉及到的一些访问地址，都写成master：port的形式。很多文档中写为localhost或者127.0.0.1，这个是不对的，在多机器集群中，每一个机器上的这些配置，都是指向master节点的。
配置文件位于$HADOOP_HOME/etc/hadoop/目录下
建立数据目录
我们在根目录下建立$HADOOP_DATA_HOME目录(/home/<hostname>/hadoop-data/, 其中<hostname>是你的用户名), 将dfs和mapred目录建立在这里，包括：
$HADOOP_DATA_HOME/dfs/name
$HADOOP_DATA_HOME/dfs/data
$HADOOP_DATA_HOME/mapred/local
$HADOOP_DATA_HOME/mapred/system
HDFS配置
配置hadoop-env.sh
将该脚本中的JAVA_HOME设置为JAVA安装的位置，该配置文件中，只有JAVA_HOME变量是必须配置的，其它变量都是可选配置的。
由于我们在.bashrc中添加了JAVA_HOME环境变量，这一步可以省略。
配置core-site.xml
[html] view plaincopyprint?
<span style="background-color:rgb(240,240,240)"><configuration></span>
<property>
<name>io,native.lib.available</name>
<value>true</value>
</property>
<property>
<name>fs.default.name</name>
<value>hdfs://master:54310</value>
<final>true</final>
</property>
</configuration>
hdfs-site.xml
[html] view plaincopyprint?
<configuration>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/home/<hostname>/hadoop-data/dfs/name</value>
<description>Determines where on the local filesystem the DFS name node should store the name table.If this is a comma-delimited list of directories,then name table is replicated in all of the directories,for redundancy.</description>
<final>true</final>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/home/<hostname>/hadoop-data/dfs/data</value>
<description>Determines where on the local filesystem an DFS data node should store its blocks.If this is a comma-delimited list of directories,then data will be stored in all named directories,typically on different devices.Directories that do not exist are ignored.
</description>
<final>true</final>
</property>
<property>
<name>dfs.replication</name>
<value>1</value>
<description>副本数目</description>
</property>
<property>
<name>dfs.permission</name>
<value>false</value>
</property>
</configuration>
dfs.datanode.name.dir是NameNode持久存储名字空间及事务日志的本地文件系统路径。 当这个值是一个逗号分割的目录列表时，nametable数据将会被复制到所有目录中做冗余备份。
dfs.datanode.data.dir是DataNode存放块数据的本地文件系统路径，逗号分割的列表。 当这个值是逗号分割的目录列表时，数据将被存储在所有目录下，通常分布在不同设备上。
dfs.replication是数据需要备份的数量，默认是3，如果此数大于集群的机器数会出错。
map-reduce配置
mapred-env.sh
类似hadoop-env.sh，配置JAVA_HOME即可
mapred-site.xml
[html] view plaincopyprint?
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
<span style="text-align:justify"><description>设置MapReduce的执行框架为YARN，这样mr job会被提交到ResourceManager</description></span>
</property>
<property>
<name>mapreduce.job.tracker</name>
<value>hdfs://master:9001</value>
<final>true</final>
</property>
<property>
<name>mapreduce.map.memory.mb</name>
<value>1536</value>
</property>
<property>
<name>mapreduce.map.java.opts</name>
<value>-Xmx1024M</value>
</property>
<property>
<name>mapreduce.reduce.memory.mb</name>
<value>3072</value>
</property>
<property>
<name>mapreduce.reduce.java.opts</name>
<value>-Xmx2560M</value>
</property>
<property>
<name>mapreduce.task.io.sort.mb</name>
<value>512</value>
</property>
<property>
<name>mapreduce.task.io.sort.factor</name>
<value>100</value>
</property>
<property>
<name>mapreduce.reduce.shuffle.parallelcopies</name>
<value>50</value>
</property>
<property>
<name>mapred.system.dir</name>
<value>file:/home/hadoop/mapred/system</value>
<final>true</final>
</property>
<property>
<name>mapred.local.dir</name>
<value>file:/home/hadoop/mapred/local</value>
<final>true</final>
</property>
</configuration>
Yarn配置
yarn-site.xml
[html] view plaincopyprint?
<configuration>
<property>
<name>yarn.resourcemanager.address</name>
<value><span style="font-family:Arial,Helvetica,sans-serif">master</span><span style="font-family:Arial,Helvetica,sans-serif">:8080</value></span>
</property>
<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value>master:8081</value>
</property>
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>master:8082</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.aux-services.mapreduce_shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
</configuration>
注意这里的配置文件里面，有两处mapreduce_shuffle（原本配置是mapreduce.shuffle，启动时会报错，原因是**命名不能包含.字符）。
2.0.5.alpha版本中，这里需要配置成mapreduce.shuffle，否则会报错【java.lang.IllegalStateException: Invalid shuffle port number -1 returned】
yarn中shuffle部分被独立成一个service，需要在nodemanager启动的时候作为auxiliary service一起启动，这样可以自定义第三方的shuffle provider，和ShuffleConsumer，比如可以替换现阶段的HTTP Shuffle为RDMA Shuffle，对于中间结果merge可以采用更合适的策略来得到更好的性能提升。
masters & slaves文件
masters文件，告诉系统那个节点是master，填写的是master节点的hostname(由于我们配置了其就叫master，所以内容填master，注意这里必须是hostname，如果填IP，会出错)
[html] view plaincopyprint?
master
slaves文件，告诉系统哪些节点是slave，填写的是所有slave节点的hostname，每行一个。注意事项同master。
[html] view plaincopyprint?
slave1
默认的环境里面可能没有masters和slaves文件，自己建立即可。
5. 启动集群
格式化HDFS：
$HADOOP_HOME/bin/hdfs namenode -format
注意，如果不是第一次格式化，那么需要先清理tmp目录中的数据（默认的tmp目录在/tmp/hadoop-<username>下面），以及hdfs-site.xml中配置的dfs.datanode.data.dir目录，否则可能出错。
启动集群
$HADOOP_HOME/sbin/start-all.sh
该命令会依次启动hdfs和yarn，分别调用start-hdfs.sh和start-yarn.sh;
start-hdfs.sh依次启动namenode、secondarynamenode、datanode，也可以单独启动，对应的命令为
[html] view plaincopyprint?
hdfs namenode
hdfs secondarynamenode
hdfs datanode
6. 测试
JPS测试
在master上执行jps，输出：
[html] view plaincopyprint?
3716 ResourceManager
3456 DataNode
4193 Jps
3350 NameNode
3587 SecondaryNameNode
3807 NodeManager
在slaver上执行jps，输出：
[html] view plaincopyprint?
2032 DataNode
2118 NodeManager
2274 Jps
WebUI访问
查看端口打开状态
[html] view plaincopyprint?
netstat -nap | grep 54310
访问http://<master-ip>:8088
NameNode：http://<master-ip>:50070
JobTracker：http://<master-ip>:50030
HDFS访问
在HDFS上创建新目录，可进一步测试HDFS是否工作正常：
[html] view plaincopyprint?
hdfs dfs -mkdir /xxx
hdfs dfs -ls /
简单任务执行
简单的map-reduce任务，在hadoop的根目录下执行：
[html] view plaincopyprint?
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.2.0.jar pi 2 2
其中最后两个参数是map数和reduce数目
或者使用如下方式调用：
[html] view plaincopyprint?
yarn jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.2.0.jar pi -Dmapreduce.clientfactory.class.name=org.apache.hadoop.mapred.YarnClientFactory -libjars $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.2.0.jar 2 2
其它的例子：
[html] view plaincopyprint?
// 将数据上传到hdfs,如果这时出现 <span style="padding-right:0.3em; padding-left:0.3em; border:1px solid rgb(221,221,221); display:inline-block; margin-top:-1px; margin-bottom:-1px">SafeModeException</span> 异常，不用担心，等待几分钟即可。因为hadoop刚刚启动时，会进入安全模式进行自检。
bin/hadoop fs -put etc/hadoop/*.xml input
// 运行 Hadoop 自带的例子:
<pre name="code" class="html">hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.2.0.jar grep input output 'dfs[a-z.]+'</pre><pre name="code" class="html">// 查看运行结果</pre>hadoop fs -cat output/*
7. 扩展性
添加datanode节点
添加一个新的节点到现有的Hadoop集群需要做的事情包括：
1. 将这个新节点添加到网络环境中，处理好ssh免密码登录(包括从master到该机器以及从该机器到master)
2. 在该机器上部署hadoop，并设置masters文件中的master为现有集群的master（name node）
3. 在master的slaves文件中添加该新的机器
4. start-all.sh启动系统
然后可以通过http://(Masternode的主机名):50070查看新添加的DataNode
8. 问题记录
出错的时候，可以设置logger级别，看下具体原因：export HADOOP_ROOT_LOGGER=DEBUG,console
1. INFO util.NativeCodeLoader - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable -- hadoop的本地库加载失败。
Hadoop默认会从$HADOOP_HOME/lib/native/Linux-*目录中加载本地库。如果加载成功，输出为：
DEBUG util.NativeCodeLoader - Trying to load the custom-built native-hadoop library...
INFO util.NativeCodeLoader - Loaded the native-hadoop library
如果加载失败，则报错为Unable to load native-hadoop library for your platform...
相关的配置：
在Hadoop的配置文件core-site.xml中可以设置是否使用本地库：
[html] view plaincopyprint?
<property>
[html] view plaincopyprint?
<name>hadoop.native.lib</name>
[html] view plaincopyprint?
<value>true</value>
[html] view plaincopyprint?
<description>Should native hadoop libraries, if present, be used.</description>
[html] view plaincopyprint?
</property>
Hadoop默认的配置为启用本地库。另外，可以在环境变量中设置使用本地库的位置：
export JAVA_LIBRARY_PATH=/path/to/hadoop-native-libs
出错原因：
检查native库的版本信息，32bit的版本和64bit的版本在不匹配的机器上会加载失败，检查的命令是file <native-so-file>。
native库依赖的glibc的版本问题。如果在高版本gcc（glibc）的机器上编译的native库，放到低版本的机器上使用，会由于glibc版本不一致导致该错误。
2. java.io.IOException: Failed on local exception: java.io.EOFException; Host Details : local host is: "master/192.168.216.135"; destination host is: "master":54310;
重新格式化namenode
3. maps to localhost, but this does not map back
是因为DNS服务器把 192.168.x.x 的地址都反向解析成 localhost ，而DNS服务器不是自己的，不能改。 解决的办法就是，编辑 ssh 客户端的 /etc/hosts 文件，把出问题的IP 地址和主机名加进去，就不会报这样的错了。
4. java.io.IOException: Incompatible clusterIDsin /home/wangming/hadoop-data/dfs/data
format 前 rm 一下
5. jps命令正常，但是8088端口的WEB页面无法访问
检查一下防火墙，selinux & iptables
6. 8088端口访问正常，但是看不到datanode节点
查看配置中，发现yarn-site.xml中，yarn.resourcemanager.address属性配置的端口号为8080，启动的时候，打开这个端口失败（可能是被其它进程占用，maybe tomcat等），改成8085，重新启动，问题解决。
7. java.io.IOException: Failed on local exception: java.io.EOFException; Host Details : local host is: "master/192.168.216.135"; destination host is: "master":54310;
不知道为什么，重新格式化namenode,再启动，没有再报错。
8. java.lang.IllegalStateException: Invalid shuffle port number -1 returned
参见yarn-site.xml的配置，2.0.5.alpha版本中，这里需要配置成mapreduce.shuffle
9. org.apache.hadoop.ipc.Client: Retrying connect to server: master/192.168.216.131:54310
一是检查slave机器到master机器的连通性；
二是检查master机器上，是否打开了192.168.216.131:54310的监听（netstat -nap | grep 54310）
注意hostname的问题，同时，namenode与data node的/etc/hosts内容都必须是ip位址与host name的对应，不能使用127.0.0.1代替本机的ip地址，否则hadoop使用hostname找ip时，会以"127.0.0.1"作为ip位址。
10. FATAL org.apache.hadoop.hdfs.server.datanode.DataNode: Exception in secureMain：
hostname不在hosts列表里面，检查hostname和/etc/hosts文件
11. INFO org.apache.hadoop.hdfs.server.datanode.DataNode: Exiting Datanode 或者 INFO org.apache.hadoop.hdfs.server.datanode.DataNode: Removed Block pool
fs.data.dir参数设置的目录权限必需为755，要不启动datanode节点启动就会因为权限检测错误而自动关闭。
9. 参考资料
1. 在CentOS上安装Hadoop
2. Hadoop-2.0.5-alpha部署
3. Hadoop集群（第5期）Hadoop安装配置
4. Hadoop Cluster Setup
5. YARN安装配置初体验
Apache有另一个项目叫做Ambari，旨在让大家能够方便快速的配置和部署Hadoop生态圈相关的组件的环境,并提供维护和监控的功能，本文没有涉及到这个工具，有兴趣的同学可以一试。