ubuntu下hadoop配置指南
目录
1.实验目的
2.实验内容（hadoop伪分布式与分布式集群环境配置）
3.运行wordcount词频统计程序
一 . 实验目的
通过学习和使用开源的 Apache Hadoop工具，亲身实践云计算环境下对海量数据的处理，理解并掌握分布式的编程模式 MapReduce，并能够运用MapReduce编程模式完成特定的分布式应用程序设计，用于处理实际的海量数据问题。
二 . 实验内容
1．实验环境搭建
1.1. 前期准备
操作系统： Linux Ubuntu 10.04
Java开发环境：需要JDK 6及以上，Ubuntu 10.04默认安装的OpenJDK可直接使用。不过我使用的是sun的jdk，从官方网站上下载，具体可以参考博客：ubuntu下安装JDK并配置java环境
Hadoop开发包：试过了hadoop的各种版本，包括0.20.1,0.20.203.0和0.21.0，三个版本都可以配置成功，但是只有0.20.1这个版本的eclipse插件是可用的，其他版本的eclipse插件都出现各种问题，因此当前使用版本为hadoop-0.20.1
Eclipse：与hadoop-0.20.1的eclipse插件兼容的只有一些低版本的eclipse，这里使用eclipse-3.5.2。
1.2. 在单节点（伪分布式）环境下运行Hadoop
（1）添加 hadoop用户并赋予sudo权限（可选）
为 hadoop应用添加一个单独的用户，这样可以把安装过程和同一台机器上的其他软件分离开来，使得逻辑更加清晰。可以参考博客：Ubuntu-10.10如何给用户添加sudo权限。
（2）配置 SSH
无论是在单机环境还是多机环境中， Hadoop均采用SSH来访问各个节点的信息。在单机环境中，需要配置 SSH 来使用户 hadoop 能够访问 localhost 的信息。首先需要安装 openssh-server。
sudo apt-get install openssh-server
其次是配置 SSH使得Hadoop应用能够实现无密码登录：
su - hadoop ssh-keygen -trsa -P "" cp ~/.ssh/id_rsa.pub ~/.ssh/authorized_keys
第一条命令将当前用户切换为hadoop（如果当前用户就是hadoop，则无需输入），第二条命令将生成一个公钥和私钥对（即id_dsa和id_dsa.pub两个文件，位于~/.ssh文件夹下），第三条命令使得hadoop用户能够无需输入密码通过SSH访问localhost。这时可通过以下命令来验证安装是否成功（如果没有提示输入密码直接登录成功，则说明安装成功）：
ssh localhost
（3） 配置Hadoop
Hadoop的配置文件都放在/hadoop/conf这个文件夹下面，主要是四个配置文件，分别是core-site.xml,hadoop-env.sh,hdsf-site.xml和mapred-site.xml。
修改conf/hadoop-‐env.sh，设置JAVA_HOME，在该文件中找到如下行，去掉前面的注释。
将
# Thejava implementation to use. Required. # export JAVA_HOME=/usr/lib/j2sdk1.5-sun
修改为：
# Thejava implementation to use. Required. export JAVA_HOME=/usr/lib/jvm/jdk1.6.0_27
修改core-site.xml内容如下：
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl"href="configuration.xsl"?>
<!-- Put site-specific property overrides in thisfile. -->
<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://localhost:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/program/tmp-${user.name}</value>
</property>
</configuration>
修改conf/hdfs-site.xml为
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl"href="configuration.xsl"?>
<!-- Put site-specific property overrides in thisfile. -->
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
修改conf/mapred-site.xml为：
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl"href="configuration.xsl"?>
<!-- Put site-specific property overrides in thisfile. -->
<configuration>
<property>
<name>mapred.job.tracker</name>
<value>localhost:9001</value>
</property>
</configuration>
（4） 运行Hadoop（当前用户为hadoop）
以上操作已经完成对Hadoop的配置，接下来是运行Hadoop。第一步需要进行格式化HDFS，运行脚本主要位于HADOOP_HOME/bin目录下，注意HADOOP_HOME为解压缩之后的Hadoop根目录，此处为/home/hadoop/program/hadoop-0.20.1。格式化HDFS命令为： （假设当前目录是已经在/home/hadoop/program/hadoop-0.20.1/bin/）下./hadoop namenode –format启动单节点集群：
./start-all.sh这个操作会在本机上启动Namenode,SecondaryNameNode,Datanode,JobTracker和TaskTracker共计5个JVM进程，可以通过java自带的jps命令查看。
jps通过jps命令可以查看到进程如下：
19811 TaskTracker 19674 SecondaryNameNode 19735 JobTracker 19497 NameNode 20879 TaskTracker 21810 Jps停止单节点集群：
./stop-all.sh另外可以通过以下网址查看节点的运行情况：
http://localhost:50030/ - Hadoop 管理介面
http://localhost:50060/ - Hadoop Task Tracker 状态
http://localhost:50070/ - Hadoop DFS 状态
1.3. 在多节点（分布式）环境下运行Hadoop
搭建多节点集群的思想主要是在每一台机器上分别搭建好单机环境，再将几台机器整合成一个集群。因此，在此之前，请确保每一台机器都如1.2节中所述搭建好了单机环境（最好是相同的结构）。 这里说的相同结构是指hadoop安装在项目的目录下，然后多个节点使用都使用相同的用户名操作hadoop集群。比如使用用户名hadoop。这个在 hadoop搭建注意事项汇总中的第一条里面有提到。我第一次部署的时候，因为第一台slave机器使用hadoop账户配置hadoop环境，而第二台master机器使用xuwei这个账户配置hadoop环境，这样在ssh的时候也会出现问题。我使用xuwei账户ssh slave，找到的不是hadoop@slave，而是xuwei@slave。 最后在slave上新建了一个hadoop账户才解决问题。（1） 设置/etc/hosts文件
实验中两台机器处于同一局域网中，其中一台作为master，ip地址为192.168.0.55，一台作为slave，ip地址为192.168.0.42。更新两台机器的/etc/hosts文件，使用如下命令：sudo gedit /etc/hosts
添加以下内容：
# /etc/hosts (for master AND slave) 192.168.0.55 master 192.168.0.42 slave
（2） 设置节点之间的无密码SSH登录
这里要求master上的用户hadoop必须能够无密码登录到master和slave两台机器上。经过1.2节第（2）步的配置，已经可以在单机上进行密码SSH登录，这里只需设置由master无密码登录到slave，采用如下命令即可： 在master上运行:ssh-copy-id -i $HOME/.ssh/id_rsa.pub hadoop@slave
这条命令的意思是将master上的公钥拷贝到slave上，这样下次ssh slave的时候slave就认识master，无需在输入密码验证。
如下命令可以测试SSH连接成功与否：ssh master ssh slave
（3） 修改集群配置文件
hadoop集群的架构分为两层：HDFS层和MapReduce层，在HDFS层，master将作为NameNode和DataNode，slave作为DataNode；在MapReduce层，master将作为JobTracker和TaskTracker，而slave将作为TaskTracker。值得一提的是，本次实验中master节点既作为管理节点，又担当数据节点。接下来需要修改$HADOOP_HOME/conf/下的配置文件。 在master节点上修改conf/masters文件，添加如下内容：master在master节点上修改conf/slaves文件，添加如下内容（这表明master节点具有双重角色，即做master，又做slave）：
master slave如果需要添加更多slave，则可以在conf/slaves中将其他节点的名称添加进去，如下所示：
master slave anotherslave01 anotherslave02在所有节点上修改conf/core-site.xml，更改fs.default.name的值为hdfs://master:9000，具体为：
<property>
<name>fs.default.name</name>
<value>hdfs://master:9000</value>
</property>
在所有节点上修改conf/mapred-site.xml，将JobTracker的地址改为master具体为：
<property> <name>mapred.job.tracker</name> <value>hdfs://master:9001</value> </property>在所有节点上修改conf/hdfs-site.xml，将更改dfs.replication的值，这个参数决定了集群中一个文件需要保存为多少个拷贝。其默认值为3，因本次试验节点数为2，故更改为2。具体为：
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
（4） 格式化HDFS
注意： 如果之前单机环境下格式化过HDFS建议把之前的文件删除，否则可能会出现异常(HDFS目录即之前设置的${hadoop.tmp.dir}\dfs目录)。格式化命令和单机情况下类似， 只是需要在master节点上运行。./hadoop namenode -format
（5） 启动和停止集群
在master节点上首先启动HDFS，其命令为：./start-dfs.sh其结果是在master节点上启动NameNode,SecondaryNameNode和DataNode，在所有slave节点上启动DataNode，通过jps命令可以查看master上启动的服务列表：
hadoop@master:~$ jps 14799 NameNode 15314 Jps 14880 DataNode 14977 SecondaryNameNode此时slave上的进程列表如下：
hadoop@master:~$ jps 15183 Jps 15616 DataNode其次，在master节点上启动MapReduce，其命令为：
./start-mapred.sh这样将会在master 节点上启动JobTracker 和TaskTracker ， 在所有slave 节点上启动TaskTracker，通过jps命令可以查看master上启动的服务列表：
hadoop@master:~$ jps 14799 NameNode 15314 Jps 14880 DataNode 14977 SecondaryNameNode 15686 TaskTracker 15596 JobTracker此时slave上的进程列表如下：
hadoop@slave:~$ jps 15183 DataNode 15897 TaskTracker 16284 Jps如要停止集群，则需要将上述步骤反过来运行，首先在master上运行
./stop-mapred.sh其次在master上运行以下命令停止HDFS：
./stop-dfs.sh这个过程也可通过jps命令来查看是否完成。
三.运行WordCount词频统计程序
代码参考博客：Hadoop WordCount改进实现正确识别单词以及词频降序排序。
在eclipse下运行配置参照： eclipse运行wordcount参数配置