Hadoop（quick start）快速入门

 

Hadoop（quick start）快速入门

目的  •        先决条件  o        支持平台  o        所需软件  o        安装软件  •        下载  •        运行Hadoop集群的准备工作  •        单机模式的操作方法  •        伪分布式模式的操作方法  o        配置  o        免密码ssh设置  o        执行  •        完全分布式模式的操作方法  目的 这篇文档是帮助你快速完成单机上的Hadoop安装与使用以便你对Hadoop分布式文件系统(HDFS)和Map-Reduce框架有所体会，比如在HDFS上运行示例程序或简单作业等。 要安装hadoop还需先安装其他文件，ssh,java等。 先决条件 支持平台 •        GNU/Linux是产品开发和运行的平台。 Hadoop已在有2000个节点的GNU/Linux主机组成的集群系统上得到验证。  •        Win32平台是作为开发平台支持的。由于分布式操作尚未在Win32平台上充分测试，所以还不作为一个生产平台被支持。  所需软件 Linux和Windows所需软件包括: 1.        JavaTM1.5.x，必须安装，建议选择Sun公司发行的Java版本。  2.        ssh 必须安装并且保证 sshd一直运行，以便用Hadoop 脚本管理远端Hadoop守护进程。  Windows下的附加软件需求 1.        Cygwin - 提供上述软件之外的shell支持。  安装软件 如果你的集群尚未安装所需软件，你得首先安装它们。 以Ubuntu Linux为例: $ sudo apt-get install ssh  $ sudo apt-get install rsync  在Windows平台上，如果安装cygwin时未安装全部所需软件，则需启动cyqwin安装管理器安装如下软件包： •        openssh - Net 类 下载 为了获取Hadoop的发行版，从Apache的某个镜像服务器上下载最近的 稳定发行版。 运行Hadoop集群的准备工作 解压所下载的Hadoop发行版。编辑 conf/hadoop-env.sh文件，至少需要将JAVA_HOME设置为Java安装根路径。  尝试如下命令： $ bin/hadoop  将会显示hadoop 脚本的使用文档。  现在你可以用以下三种支持的模式中的一种启动Hadoop集群：  •        单机模式 •        伪分布式模式 •        完全分布式模式 单机模式的操作方法 默认情况下，Hadoop被配置成以非分布式模式运行的一个独立Java进程。这对调试非常有帮助。 下面的实例将已解压的 conf 目录拷贝作为输入，查找并显示匹配给定正则表达式的条目。输出写入到指定的output目录。  $ mkdir input  $ cp conf/*.xml input  $ bin/hadoop jar hadoop-*-examples.jar grep input output 'dfs[a-z.]+'  $ cat output/*  伪分布式模式的操作方法 Hadoop可以在单节点上以所谓的伪分布式模式运行，此时每一个Hadoop守护进程都作为一个独立的Java进程运行。 配置 使用如下的 conf/hadoop-site.xml: <configuration>   <property>     <name>fs.default.name</name>     <value>localhost:9000</value>   </property>   <property>     <name>mapred.job.tracker</name>     <value>localhost:9001</value>   </property>   <property>     <name>dfs.replication</name>     <value>1</value>   </property> </configuration> 免密码ssh设置 现在确认能否不输入口令就用ssh登录localhost: $ ssh localhost  如果不输入口令就无法用ssh登陆localhost，执行下面的命令： $ ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa  $ cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys  执行 格式化一个新的分布式文件系统： $ bin/hadoop namenode -format  启动Hadoop守护进程： $ bin/start-all.sh  Hadoop守护进程的日志写入到 ${HADOOP_LOG_DIR} 目录 (默认是 ${HADOOP_HOME}/logs). 浏览NameNode和JobTracker的网络接口，它们的地址默认为： •        NameNode - http://localhost:50070/  •        JobTracker - http://localhost:50030/  将输入文件拷贝到分布式文件系统： $ bin/hadoop fs -put conf input  运行发行版提供的示例程序： $ bin/hadoop jar hadoop-*-examples.jar grep input output 'dfs[a-z.]+'  查看输出文件： 将输出文件从分布式文件系统拷贝到本地文件系统查看： $ bin/hadoop fs -get output output  $ cat output/*  或者  在分布式文件系统上查看输出文件： $ bin/hadoop fs -cat output/*  完成全部操作后，停止守护进程： $ bin/stop-all.sh  Hadoop集群搭建 •        目的  •        先决条件  •        安装  •        配置  o        配置文件  o        集群配置          配置Hadoop守护进程的运行环境          配置Hadoop守护进程的运行参数          Slaves          日志  •        Hadoop的机架感知  •        启动Hadoop  •        停止Hadoop  目的 本文描述了如何安装、配置和管理有实际意义的Hadoop集群，其规模可从几个节点的小集群到几千个节点的超大集群。 如果你希望在单机上安装Hadoop玩玩，从这里能找到相关细节。 先决条件 1.        确保在你集群中的每个节点上都安装了所有必需软件。  2.        获取Hadoop软件包。  安装 安装Hadoop集群通常要将安装软件解压到集群内的所有机器上。 通常，集群里的一台机器被指定为 NameNode，另一台不同的机器被指定为JobTracker。这些机器是masters。余下的机器即作为DataNode也作为TaskTracker。这些机器是slaves。 我们用HADOOP_HOME指代安装的根路径。通常，集群里的所有机器的HADOOP_HOME路径相同。 配置 接下来的几节描述了如何配置Hadoop集群。 配置文件 对Hadoop的配置通过conf/目录下的两个重要配置文件完成： 1.        hadoop-default.xml - 只读的默认配置。  2.        hadoop-site.xml - 集群特有的配置。  要了解更多关于这些配置文件如何影响Hadoop框架的细节，请看这里。 此外，通过设置conf/hadoop-env.sh中的变量为集群特有的值，你可以对bin/目录下的Hadoop脚本进行控制。 集群配置 要配置Hadoop集群，你需要设置Hadoop守护进程的运行环境和Hadoop守护进程的运行参数。 Hadoop守护进程指NameNode/DataNode 和JobTracker/TaskTracker。 配置Hadoop守护进程的运行环境 管理员可在conf/hadoop-env.sh脚本内对Hadoop守护进程的运行环境做特别指定。 至少，你得设定JAVA_HOME使之在每一远端节点上都被正确设置。 管理员可以通过配置选项HADOOP_*_OPTS来分别配置各个守护进程。 下表是可以配置的选项。  守护进程        配置选项 NameNode        HADOOP_NAMENODE_OPTS DataNode        HADOOP_DATANODE_OPTS SecondaryNamenode        HADOOP_SECONDARYNAMENODE_OPTS JobTracker        HADOOP_JOBTRACKER_OPTS TaskTracker        HADOOP_TASKTRACKER_OPTS 例如，配置Namenode时,为了使其能够并行回收垃圾（parallelGC）， 要把下面的代码加入到hadoop-env.sh :  export HADOOP_NAMENODE_OPTS="-XX:+UseParallelGC ${HADOOP_NAMENODE_OPTS}"  其它可定制的常用参数还包括： •        HADOOP_LOG_DIR - 守护进程日志文件的存放目录。如果不存在会被自动创建。  •        HADOOP_HEAPSIZE - 最大可用的堆大小，单位为MB。比如，1000MB。 这个参数用于设置hadoop守护进程的堆大小。缺省大小是1000MB。  配置Hadoop守护进程的运行参数 这部分涉及Hadoop集群的重要参数，这些参数在conf/hadoop-site.xml中指定。 参数        取值        备注 fs.default.name        NameNode的URI。        hdfs://主机名/ mapred.job.tracker        JobTracker的主机（或者IP）和端口。        主机:端口。 dfs.name.dir        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.data.dir        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。  mapred.system.dir        Map/Reduce框架存储系统文件的HDFS路径。比如/hadoop/mapred/system/。         这个路径是默认文件系统（HDFS）下的路径， 须从服务器和客户端上均可访问。  mapred.local.dir        本地文件系统下逗号分割的路径列表，Map/Reduce临时数据存放的地方。         多路径有助于利用磁盘i/o。 mapred.tasktracker.{map|reduce}.tasks.maximum        某一TaskTracker上可运行的最大Map/Reduce任务数，这些任务将同时各自运行。         默认为2（2个map和2个reduce），可依据硬件情况更改。  dfs.hosts/dfs.hosts.exclude        许可/拒绝DataNode列表。        如有必要，用这个文件控制许可的datanode列表。  mapred.hosts/mapred.hosts.exclude        许可/拒绝TaskTracker列表。        如有必要，用这个文件控制许可的TaskTracker列表。  通常，上述参数被标记为 final 以确保它们不被用户应用更改。  现实世界的集群配置 这节罗列在大规模集群上运行sort基准测试(benchmark)时使用到的一些非缺省配置。 •        运行sort900的一些非缺省配置值，sort900即在900个节点的集群上对9TB的数据进行排序： 参数        取值        备注 dfs.block.size        134217728        针对大文件系统，HDFS的块大小取128MB。 dfs.namenode.handler.count        40        启动更多的NameNode服务线程去处理来自大量DataNode的RPC请求。  mapred.reduce.parallel.copies        20        reduce启动更多的并行拷贝器以获取大量map的输出。  mapred.child.java.opts        -Xmx512M        为map/reduce子虚拟机使用更大的堆。  fs.inmemory.size.mb        200        为reduce阶段合并map输出所需的内存文件系统分配更多的内存。  io.sort.factor        100        文件排序时更多的流将同时被归并。 io.sort.mb        200        提高排序时的内存上限。 io.file.buffer.size        131072        SequenceFile中用到的读/写缓存大小。 •        运行sort1400和sort2000时需要更新的配置，即在1400个节点上对14TB的数据进行排序和在2000个节点上对20TB的数据进行排序： 参数        取值        备注 mapred.job.tracker.handler.count        60        启用更多的JobTracker服务线程去处理来自大量TaskTracker的RPC请求。  mapred.reduce.parallel.copies        50         tasktracker.http.threads        50        为TaskTracker的Http服务启用更多的工作线程。reduce通过Http服务获取map的中间输出。  mapred.child.java.opts        -Xmx1024M        使用更大的堆用于maps/reduces的子虚拟机 Slaves 通常，你选择集群中的一台机器作为NameNode，另外一台不同的机器作为JobTracker。余下的机器即作为DataNode又作为TaskTracker，这些被称之为slaves。 在conf/slaves文件中列出所有slave的主机名或者IP地址，一行一个。 日志 Hadoop使用Apache log4j来记录日志，它由Apache Commons Logging框架来实现。编辑conf/log4j.properties文件可以改变Hadoop守护进程的日志配置（日志格式等）。 历史日志 作业的历史文件集中存放在hadoop.job.history.location，这个也可以是在分布式文件系统下的路径，其默认值为${HADOOP_LOG_DIR}/history。jobtracker的web UI上有历史日志的web UI链接。 历史文件在用户指定的目录hadoop.job.history.user.location也会记录一份，这个配置的缺省值为作业的输出目录。这些文件被存放在指定路径下的“_logs/history/”目录中。因此，默认情况下日志文件会在“mapred.output.dir/_logs/history/”下。如果将hadoop.job.history.user.location指定为值none，系统将不再记录此日志。 用户可使用以下命令在指定路径下查看历史日志汇总 $ bin/hadoop job -history output-dir  这条命令会显示作业的细节信息，失败和终止的任务细节。  关于作业的更多细节，比如成功的任务，以及对每个任务的所做的尝试次数等可以用下面的命令查看 $ bin/hadoop job -history all output-dir  一但全部必要的配置完成，将这些文件分发到所有机器的HADOOP_CONF_DIR路径下，通常是${HADOOP_HOME}/conf。 Hadoop的机架感知 HDFS和Map/Reduce的组件是能够感知机架的。 NameNode和JobTracker通过调用管理员配置模块中的APIresolve来获取集群里每个slave的机架id。该API将slave的DNS名称（或者IP地址）转换成机架id。使用哪个模块是通过配置项topology.node.switch.mapping.impl来指定的。模块的默认实现会调用topology.script.file.name配置项指定的一个的脚本/命令。 如果topology.script.file.name未被设置，对于所有传入的IP地址，模块会返回/default-rack作为机架id。在Map/Reduce部分还有一个额外的配置项mapred.cache.task.levels，该参数决定cache的级数（在网络拓扑中）。例如，如果默认值是2，会建立两级的cache－ 一级针对主机（主机 -> 任务的映射）另一级针对机架（机架 -> 任务的映射）。  启动Hadoop 启动Hadoop集群需要启动HDFS集群和Map/Reduce集群。 格式化一个新的分布式文件系统： $ bin/hadoop namenode -format  在分配的NameNode上，运行下面的命令启动HDFS： $ bin/start-dfs.sh  bin/start-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动DataNode守护进程。 在分配的JobTracker上，运行下面的命令启动Map/Reduce： $ bin/start-mapred.sh  bin/start-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动TaskTracker守护进程。 停止Hadoop 在分配的NameNode上，执行下面的命令停止HDFS： $ bin/stop-dfs.sh  bin/stop-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上停止DataNode守护进程。 在分配的JobTracker上，运行下面的命令停止Map/Reduce： $ bin/stop-mapred.sh  bin/stop-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上停止TaskTracker守护进程。