CentOS下Hadoop伪分布模式安装笔记

CentOS下Hadoop伪分布模式安装笔记

   一. 前言

       Hadoop 伪分布式模式是在单机上模拟 Hadoop分布式，单机上的分布式并不是真正的伪分布式，而是使用线程模拟分布式。Hadoop本身是无法区分伪分布式和分布式的，两种配置也很相似，唯一不同的地方是伪分布式是在单机器上配置，数据节点和名字节点均是一个机器。 现在很多初学者根本不具备搭建完全分布式集群的硬件环境，大多都是在单机下进行学习和实验。 下面将我在安装期间遇到的问题和解决方法记录下来，和网友共勉。本人当时是在Linux Cent OS 6.3下搭建成功Hadoop伪分布式测试环境。

*******************************************************************博文更新说明**************************************************************************

本博文我已在2014.3.13日做了小幅度的更新，由于工作原因，把hadoop版本定位在了hadoop-1.2.1.tar.gz，其他细节也多有改动，使得配置流程更加容易理解和操作！

二. 环境搭建

搭建测试环境所需的软件包括：jdk-6u19-linux-i586.bin 、hadoop-1.2.1.tar.gz。测试服务器操作系统Linux Cent OS 6.3。

1、JDK安装及Java环境变量的配置

说明：1.CentOS默认情况下，会安装OpenOffice之类的软件，这些软件需要Java的支持，所以系统默认会安装JDK的环境，若需要特定的Java环境，最好将默认的JDK彻底删除；

2.查看默认的JDK命令：java -version

3.但是如果先删除默认再装新的JDK，则与之相关的软件比如openoffice等也会随之删除，所以，应该先装新的jdk再卸系统默认自带的jdk。

***卸载系统自带原JDK的方法示例：（注意，此操作应该在新jdk安装完毕后再执行）

终端输入，查看gcj的版本号：rpm -qa|grep  jdk

得到结果：

jdk-1.6.0_19-fcs.x86_64

java-1.6.0-openjdk-1.6.0.0-1.49.1.11.4.el6_3.x86_64

终端输入，卸载：yum -y remove java java-1.6.0-openjdk-1.6.0.0-1.49.1.11.4.el6_3.x86_64

等待系统自动卸载，最终终端显示 Complete，卸载完成

 1.1 JDK安装(个人选择把jdk安装在root用户下，供本机所有用户使用。当然也可以选择安装在其他指定用户下。)

root 用户登陆，使用命令mkdir /usr/program新建目录/usr/program,下载 JDK 安装包jdk-6u19-linux-i586.bin，将其复制到目录/usr/program下，用cd命令进入该目录，执行命令“./ jdk-6u13-linux-i586.bin”，命令运行完毕即安装完成，将在目录下生成文件夹/jdk1.6.0_19，此即为jdk被成功安装到目录：/usr/program/jdk1.6.0_13下。

1.2 java环境变量配置

root 用户登陆，命令行中执行命令“vi /etc/profile”,并加入以下内容，配置环境变量(注意/etc/profile 这个文件很重要，后面 Hadoop的配置还会用到)。

# set java environment

   export JAVA_HOME=/usr/program/jdk1.6.0_19

   export JRE_HOME=/usr/program/jdk1.6.0_19/jre

   export CLASSPATH=.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib

   export PATH=$JAVA_HOME/bin:$JAVA_HOME/jre/bin:$PATH

在vi编辑器增加以上内容后保存退出，并执行以下命令使配置生效！

[root@localhost ~]#chmod  +x  /etc/profile ；增加执行权限

[root@localhost ~]#source  /etc/profile；使配置生效！

配置完毕后，在命令行中输入：java -version，如出现下列信息说明java环境安装成功。

java version "1.6.0_19"

Java(TM) SE Runtime Environment (build 1.6.0_19-b03)

Java HotSpot(TM) Server VM (build 16.3-b01, mixed mode)

2、SSH无密码验证配置（SSH免密码登陆应该在hadoop安装环境所在的用户下配置，比如本Hadoop伪集群搭建在hadoop用户下，则SSH免密码登陆应该在hadoop用户下配置）

注：Hadoop 需要使用SSH 协议，namenode 将使用SSH 协议启动 namenode和datanode 进程，伪分布式模式数据节点和名称节点均是本身，所以配置 SSH localhost无密码验证登录就会方便很多。实际上，在H adoop的安装过程中，是否免密码登录是无关紧要的，但是如果不配置免密码登录，每次启动Hadoop都需要输入密码以登录到每台机器的DataNode上，考虑到一般的Hadoop集群动辄拥有数百或上千台机器，因此一般来说都会配置SSH的免密码登录！在此我们选择配置SSH为免密码登录模式！！！

配置为可以免密码登录本机:

注意：SSH免密码登陆应该在hadoop安装环境所在的用户下配置，比如本Hadoop伪集群搭建在hadoop用户下，则SSH免密码登陆应该在hadoop用户下配置

首先查看在“当前用户”(hadoop)文件夹下是否存在.ssh 文件夹（注意ssh前面有“.”，这是一个隐藏文件夹）。输入命令查看此文件夹是否存在。一般来说，安装SSH时会自动在当前用户下创建这个隐藏文件夹，如果没有，可以手创建一个。

下面的配置我是在hadoop用户下进行的：

[hadoop@localhost ~]$ls –a

发现.ssh文件夹已经存在。

接下来输入命令（注意下面命令中不是双引号，是两个单引号）：

方法一：用hadoop用户登录，终端执行如下命令：ssh-keygen -t rsa

[hadoop@localhost ~]$ssh-keygen -t  rsa

Generating public/private rsa key pair.

Enter file in which to save the key (/hadoop/.ssh/id_rsa): &按回车默认路径 &

......

......

通过以上命令将在/hadooop/.ssh/ 目录下生成id_rsa私钥和id_rsa.pub公钥。进入/hadoop/.ssh目录在namenode节点下做如下配置：

[hadoop@localhost .ssh]# cat id_rsa.pub > authorized_keys

配置完毕，可通过ssh 本机IP 测试是否需要密码登录。

方法二、或者按照如下方式配置：

生成签名文件：

[hadoop@localhost ~]$ ssh-keygen -t dsa -P ' ' –f  ~/.ssh/id_dsa

解释一下，ssh-keygen代表生成秘钥； -t（注意区分大小写）表示指定生成的秘钥类型；dsa是dsa密钥认证的意思。即秘钥类型；-P用于提供密语；-f指定生成的秘钥文件。(其中~代表当前用户文件夹，如home/wade )，这条命令会在.ssh文件夹下创建id_dsa及id_dsa.pub两个文件，这是SSH的一对私钥和秘钥，类似于锁和钥匙。

[hadoop@localhost ~]$ cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

这条命令用于把公钥加到用于认证的公钥文件中。这里的authorized_keys是用于认证的公钥文件。

至此免密码登录本机已配置完毕，可通过ssh 本机IP 测试是否需要密码登录。如果没有提示输入密码，则无密码登录配置成功！
如果确实配置成功了，但是还是不能免密码登陆，这可能就是authorized_keys文件没有访问权限，执行命令：chmod  600 ~/.ssh/authorized_keys 即可！

3、 Hadoop安装和配置

3.0.首先创建专门的hadoop组和用户

创建用户组：hadoop，然后在此用户组下创建hadoop用户。可在安装系统的时候创建，也可以在安装好之后用如下命令创建：

[root@ localhost ~]# groupadd  hadoop

[root@ localhost~]# useradd -g hadoop  -d /home/hadoop  hadoop

“hadoop”是所创建的用户名, -d指明“ hadoop”用户的home目录是/home/hadoop）

[root@ localhost~]# passwd hadoop [给用户hadoop设置口令]

然后解压安装Hadoop

—        到Hadoop官网下载hadoop-1.2.1.tar.gz

—        建立安装目录

    [hadoop@ localhost~] mkdir ~/hadoop-env

—        把hadoop-1.2.1.tar.gz放在这里，然后解压：

    [hadoop@ localhosthadoop_env]$ tar –zxvf hadoop-1.2.1.tar.gz

注：解压安装生成文件/hadoop-1.2.1（即为hadoop被安装到/home/hadoop/hadoop-env/ hadoop-1. 2.1文件夹下）。

接着来在root用户下配置hadoop的环境变量：

命令“vi /etc/profile”

#set hadoop

export HADOOP_HOME=/home/hadoop/hadoop-env/ hadoop-1. 2.1

export PATH=$HADOOP_HOME/bin:$PATH

最后执行命令：source  /etc/profile 使刚配置的文件生效！

3.1   进入/home/hadoop/hadoop-env/ hadoop-1. 2.1/conf，配置Hadoop配置文件

3.1.1 配置hadoop-env.sh文件

打开文件命令：vi hadoop-env.sh

添加 # set java environment

             export JAVA_HOME=/usr/program/jdk1.6.0_19

编辑后保存退出。

3.1.2 配置core-site.xml

[hadoop@localhost conf]$ vi core-site.xml

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>

   <property>

     <name>fs.default.name</name>

     <value>hdfs://localhost:9000/</value> 注：9000后面的“/”不能少

   </property>

    <property> 

      <name>hadoop.tmp.dir</name> 

<value>/home/hadoop/hadoop-env/hadooptmp</value> 

</property>

</configuration>

说明：hadoop分布式文件系统的两个重要的目录结构，一个是namenode上名字空间的存放地方，一个是datanode数据块的存放地方，还有一些其他的文件存放地方，这些存放地方都是基于hadoop.tmp.dir目录的，比如namenode的名字空间存放地方就是 ${hadoop.tmp.dir}/dfs/name, datanode数据块的存放地方就是 ${hadoop.tmp.dir}/dfs/data，所以设置好hadoop.tmp.dir目录后，其他的重要目录都是在这个目录下面，这是一个根目录。我设置的是进入/home/hadoop/hadoop-env/ hadoop-1. 2.1/hadooptmp,当然这个目录必须是存在的。

3.1.3 配置hdfs-site.xml

[hadoop@localhost conf]$ vi  hdfs-site.xml

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>

  <property>

     <name>dfs.replication</name>

     <value>1</value>

  </property>

</configuration>    

3.1.4 配置mapred-site.xml

[hadoop@localhost conf]$ vi mapred-site.xml

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>

  <property>

     <name>mapred.job.tracker</name>

     <value>localhost:9001</value>

  </property>

</configuration>

3.1.5 配置masters文件和slaves文件（一般此二文件的默认内容即为下述内容，无需重新配置）

[hadoop@localhost conf]$ vi masters

localhost   //注意，此配置文件中的localhost代表本机IP:127.0.0.1 ,而[hadoop@localhost ~]中的localhost仅仅是一个主机名，二者不对等，主机名可以是任意字符串。

[hadoop@localhost conf]$ vi slaves

localhost

注：因为在伪分布模式下，作为master的namenode与作为slave的datanode是同一台服务器，所以配置文件中的ip是一样的。 

3.1.6 主机名和IP解析配置 (这一步非常重要！！！)

[root@localhost ~]# vi /etc/hosts

注：因为是在伪分布模式下，所以master与slave是一台机器

补充：若主机名不是localhost，而是我们自己指定一个主机名，则需要按照以下两点进行配置。

1.编辑主机名：

[root@localhost ~]# vi /etc/hostname

内容为：mycentos

[root@localhost ~]# vi /etc/sysconfig/network

2.主机名和IP解析配置 (这一步非常重要！！！)

[root@mycentos ~]# vi /etc/hosts

注：因为是在伪分布模式下，所以master与slave是一台机器

说明：这三个位置的配置必须协调一致，Hadpoop才能正常工作！主机名的配置非常重要！

我在上面的配置中没有修改主机名，还是用的mycentos这个主机名，这样容易出错，最好还是将主机名修改为master，在配置中使127.0.0.1  master对应！ 

4、 Hadoop启动

4.1 进入 /home/hadoop/hadoop-env/ hadoop-1. 2.1/bin目录下，格式化namenode

[hadoop@localhost bin]$ hadoop namenode -format

然后根据提示选择相应操作，即可完成格式化！

4.2启动hadoop所有进程

在/home/hadoop/hadoop-env/ hadoop-1. 2.1/bin目录下，执行start-all.sh命令

启动完成后，可用[root@master bin]# jps命令查看hadoop进程是否启动完全。正常情况下应该有如下进程：如下如所示：

启动hadoop伪分布式集群成功！

说明：1.secondaryname是namenode的一个备份，里面同样保存了名字空间和文件到文件块的map关系。建议运行在另外一台机器上，这样master死掉之后，还可以通过secondaryname所在的机器找回名字空间，和文件到文件块得map关系数据，恢复namenode。

2.启动之后，在/usr/local/hadoop/hadoop-1.0.1/hadooptmp下的dfs文件夹里会生成 data目录，这里面存放的是datanode上的数据块数据，因为笔者用的是单机，所以name和 data都在一个机器上，如果是集群的话，namenode所在的机器上只会有name文件夹，而datanode上只会有data文件夹。

补充： 

在搭建过程中，在此环节出现的问题最多，经常出现启动进程不完整的情况，要么是datanode无法正常启动，就是namenode或是TaskTracker启动异常。解决的方式如下：

1. 在Linux下关闭防火墙：使用service iptables stop命令；关闭hadoop：stop-all.sh

1) 重启后生效

开启： chkconfig iptables on

关闭： chkconfig iptables off

2) 即时生效，重启后失效

开启： service iptables start

关闭： service iptables stop

需要说明的是对于Linux下的其它服务都可以用以上命令执行开启和关闭操作。

在开启了防火墙时，做如下设置，开启相关端口，

修改/etc/sysconfig/iptables 文件，添加以下内容：

-A RH-Firewall-1-INPUT -m state --state NEW -m tcp -p tcp --dport 80 -j ACCEPT

-A RH-Firewall-1-INPUT -m state --state NEW -m tcp -p tcp --dport 22 -j ACCEPT

开始我使用的是service方式，但是总不好用，最后使用了chkconfig重启方式，生效！

2.再次对namenode进行格式化：/home/hadoop/hadoop-env/ hadoop-1. 2.1/bin目录下执行hadoop namenode -format命令

3.对服务器进行重启

4.查看datanode或是namenode对应的日志文件，日志文件保存在/home/hadoop/hadoop-env/ hadoop-1. 2.1/logs目录下。

5.再次在/bin目录下用start-all.sh命令启动所有进程，通过以上的几个方法应该能解决进程启动不完全的问题了。

6.在执行hadoop相关命令时候，总是出现如下提示：

分析：经过查看hadoop-1.2.1的hadoop和hadoop-config.sh脚本，发现对于HADDP_HOME做了判断

解决方法如下：

在hadoop-env.sh ，添加一个环境变量：export HADOOP_HOME_WARN_SUPPRESS=true

 

4.3  查看集群状态

 [hadoop@localhost bin]$ hadoop dfsadmin -report

4.4、在WEB页面下查看Hadoop工作情况

4.4.1打开IE浏览器输入部署Hadoop服务器的IP：http://localhost:50070；

        示意图略

4.4.2输入：http://localhost:50030

         示意图略

 

5. Hadop使用(一个测试例子wordcount)

      计算输入文本中词语数量的程序。WordCount在Hadoop主目录下的java程序包hadoop-examples-1.2.1.jar中，执行步骤如下：

5.1. 首先启动hadoop所有进程:bin/start-all.sh，然后在/home/hadoop/hadoop-env/ hadoop-1. 2.1/下新建目录test，可任意命名)，在test下创建文本file01、file02，分别输入数个单词。

5.2.在hdfs分布式文件系统创建目录input：

 [hadoop@localhost bin]$hadoop fs -mkdir input

然后可以使用 [hadoop@localhost bin]$hadoop fs -ls查看:

注：删除目录： [hadoop@localhost bin]$hadoop fs -rmr ***；删除文件：hadoop fs -rm ***

5.3.离开hodoop的安全模式 [hadoop@localhost bin]$hadoop dfsadmin –safemode leave

注：Hadoop的安全模式相关命令 [hadoop@localhost bin]$hadoop dfsadmin –safemode enter/leave/get/wait

Hadoop的HDFS系统在安全模式下只能进行“读”操作！不能进行文件等的删除，创建和更新操作！

5.4.将数据从linux文件系统复制到HDFS分布式文件系统中的input文件夹中：

 [hadoop@localhost bin]$hadoop fs -put /home/hadoop/hadoop-env/hadoop-1.2.1/test/* input

5.5.执行例子中的WordCount：

 [hadoop@localhost bin]$hadoop jar/home/hadoop/hadoop-env/hadoop-1.2.1/hadoop-examples-1.2.1.jar wordcount input output

参考：

 

5.6.查看执行结果: [hadoop@localhost bin]$hadoop dfs -cat output/*

5.7.执行完毕后，可进入web界面刷新查看running job及completed job的显示。

5.8.关闭hadoop所有进程: [hadoop@localhost bin]$stop-all.sh。

说明：以上配置步骤本人亲自动手实践，证明是可行的！可能不是最优的配置方法，欢迎学友指正批评！