hodoop 伪分布式环境配置

一. 概要 
       经过几天的调试，终于在Linux Cent OS 5.5下成功搭建Hadoop测试环境。本次测试在一台服务器上进行伪分布式搭建。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。虽然Hadoop的安装步骤并不复杂，但是我在安装期间还是遇到了很多琐碎的问题，现将自己搭建Hadoop的详细过程和遇到的问题记录下来。完全分布式就是一个hadoop集群，有n台机器组成，一般组织方式是：一台机器作为master，上面 运行    namenode和jobtracker,另外的机器作为slave，上面运行datanode和tasktracker，至于secondaryname，可以运行在master上，也可以运行在另外一台机器上。 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。  

二. 环境搭建 
      搭建测试环境所需的软件包括：jdk1.6.0_20、hadoop-0.20.2.tar.gz。测试服务器操作系统Linux Cent OS 5.5。 
网上说使用专门的用户hadoop操作，但是这里我是完全使用的root，方便而已。 
总体的流程如下： 
    1、实现linux的ssh无密码验证配置. 
    2、在linux下安装jdk，并配好环境变量 
    3、修改linux的机器名，并配置 /etc/hosts 
    4、在windows下下载hadoop 0.20.0，并修改hadoop-env.sh，core-site.xml，hdfs-site.xml，mapred-site.xml，masters，slaves文件的配置 
    5、把修改好的hadoop整个文件夹传到linux下 
    6、把hadoop的bin加入到环境变量 
    7、格式化hadoop，启动hadoop 
    8、验证是否启动，并执行wordcount  
具体如下： 
     1.  SSH无密码验证配置 
     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，必须配置 SSH localhost无密码验证。 
    用root用户登录，在家目录下执行如下命令：ssh-keygen -t rsa 
[root@master ~]# ssh-keygen -t  rsa 
Generating public/private rsa key pair. 
Enter file in which to save the key (/root/.ssh/id_rsa):  & 按回车默认路径 & 
Created directory '/root/.ssh'.  &创建/root/.ssh目录& 
Enter passphrase (empty for no passphrase): 
Enter same passphrase again: 
Your identification has been saved in /root/.ssh/id_rsa. 
Your public key has been saved in /root/.ssh/id_rsa.pub. 
The key fingerprint is: 
c6:7e:57:59:0a:2d:85:49:23:cc:c4:58:ff:db:5b:38 root@master 
     通过以上命令将在/root/.ssh/ 目录下生成id_rsa私钥和id_rsa.pub公钥。进入/root/.ssh目录在namenode节点下做如下配置： 
[root@master .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。 
原理： 
Hadoop需要使用SSH协议，namenode将使用SSH协议启动namenode和datanode进程，(datanode向namenode传递心跳信息可能也是使用SSH协议，这是我认为的，还没有做深入了解)。许多教程上介绍Hadoop集群配置时只说明了namenode上SSH无密码登录所有datanode，我在配置时发现必须使datanode上也能SSH无密码登录到namenode，Hadoop集群才能正常启动(也许这不是必须的） 
以namenode到datanode为例子：Namenode作为客户端，要实现无密码公钥认证，连接到服务端datanode上时，需要在namenode上生成一个密钥对，包括一个公钥和一个私钥，而后将公钥复制到datanode上。当namenode通过ssh连接datanode时，datanode就会生成一个随机数并用namenode的公钥对随机数进行加密，并发送给namenode。namenode收到加密数之后再用私钥进行解密，并将解密数回传给datanode，datanode确认解密数无误之后就允许namenode进行连接了。这就是一个公钥认证过程，其间不需要用户手工输入密码。重要过程是将客户端namenode公钥复制到datanode上  
     2. JDK安装及Java环境变量的配置 
2.1 JDK安装 
     root 用户登陆，新建文件夹 /usr/program ,下载 JDK 安装包 
jdk-6u13-linux-i586.bin,复制到目录/usr/ program 下，在命令行进入该目录，执行命令“./ jdk-6u20-linux-i586.bin”，命令运行完毕，将在目录下生成文件夹jdk1.6.0_20，安装完毕。 
2.2 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_20 
   export JRE_HOME=/usr/program/jdk1.6.0_20/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 
    chmod +x  /etc/profile ；增加执行权限 
    source  /etc/profile ； 
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_20" 
Java(TM) SE Runtime Environment (build 1.6.0_20-b02) 
Java HotSpot(TM) Server VM (build 16.3-b01, mixed mode) 
再有就是修改linux的机器名 
最好修改机器名为其ip地址，要不后来hdfs上传put文件的时候可能会出现无法连接的错误。 
命令： 
hostname ip 
重启无效 
     2. Hadoop配置 
   下载 hadoop-0.20.2.tar.gz，将其解压到/usr/local/hadoop 目录下，解压后目录形式是/usr/local/hadoop/hadoop-0.20.2。使用如下命令: 
  tar zxvf  hadoop-0.19.1.tar.gz 进行hadoop压缩文件解压。 
2.1   进入/usr/local/hadoop/hadoop-0.20.2/conf， 配置Hadoop配置文件 
2.1.1 配置hadoop-env.sh文件 
添加 # set java environment 
             export JAVA_HOME=/usr/program/jdk1.6.0_20 
编辑后保存退出。 
2.1.2 配置core-site.xml 

 [root@master 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://202.173.253.36:9000/</value>
      默认的namenode的端口为8020
    </property>
    <property>
      <name>hadoop.tmp.dir</name>
      <value>/usr/local/hadoop/hadooptmp</value>
    </property>
 </configuration>

2.1.3 配置hdfs-site.xml 

 [root@master 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.name.dir</name>
      <value>/usr/local/hadoop/hdfs/name</value>
   </property>
   <property>
      <name>dfs.data.dir</name>
      <value>/usr/local/hadoop/hdfs/data</value>
   </property>
   <property>
      <name>dfs.replication</name>
      <value>1</value>
   </property>
 </configuration>

    
2.1.4 配置mapred-site.xml 

 [root@master 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>202.173.253.36:9001</value>
   </property>
   <property>
      <name>mapred.local.dir</name>
      <value>/usr/local/hadoop/mapred/local</value>
   </property>
   <property>
      <name>mapred.system.dir</name>
      <value>/tmp/hadoop/mapred/system</value>
   </property>
 </configuration>

1、其实core-site.xml 对应有一个core-default.xml, hdfs-site.xml对应有一个hdfs-default.xml, 

mapred-site.xml对应有一个mapred-default.xml。这三个defalult文件里面都有一些默认配置，现在我们修改这三个site文件，目的就覆盖default里面的一些配置， 
2、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 /usr/local/hadoop/hadooptmp,当然这个目录必须是存在的。 
3、fs.default.name,这个是设置namenode位于哪个机器上，端口号是什么hdfs://192.168.133.128:9000，格式一定要这样写，网上很多资料说ip地址写localhost也行，笔者建议最好写ip，因为后期讲到windows下 eclipse连接hadoop 的时候，如果写localhost，就会连接不到。 
4、mapred.job.tracker，这个是设置jobtracker位于哪个机器上，端口号是什么，192.168.133.128:9001，格式和上一个不一样，这个也必须这样写，同样localhost和ip的分别和上述一样 
5、dfs.replication，这个是设置数据块的复制次数，默认是3，因为笔者这里就一台机器，所以只能存在一份，就改成了1  
2.1.5 配置masters文件和slaves文件 
[root@master conf]# vi masters 
202.173.253.36 
[root@master conf]# vi slaves 
202.173.253.36 
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。 

2.1.6 编辑主机名 
[root@master ~]# vi /etc/hosts 
# Do not remove the following line, or various programs 
that require network functionality will fail. 
127.0.0.1                      localhost 
202.173.253.36            master 
202.173.253.36            slave 
注：因为是在伪分布模式下，所以master与slave是一台机 

2.2 Hadoop启动 
2.2.1 进入 /usr/local/hadoop/hadoop-0.20.2/bin目录下，格式化namenode 
[root@master bin]# hadoop namenode -format 
10/07/19 10:46:41 INFO namenode.NameNode: STARTUP_MSG: 
/************************************************************ 
STARTUP_MSG: Starting NameNode 
STARTUP_MSG:   host = master/202.173.253.36 
STARTUP_MSG:   args = [-format] 
STARTUP_MSG:   version = 0.20.2 
STARTUP_MSG:   build = https://svn.apache.org/repos/asf/hadoop/common/branches/branch-0.20 -r 911707; compiled by 'chrisdo' on Fri Feb 19 08:07:34 UTC 2010 
************************************************************/ 
Re-format filesystem in /usr/local/hadoop/hdfs/name ? (Y or N) Y 
10/07/19 10:46:43 INFO namenode.FSNamesystem: fsOwner=root,root,bin,daemon,sys,adm,disk,wheel 
10/07/19 10:46:43 INFO namenode.FSNamesystem: supergroup=supergroup 
10/07/19 10:46:43 INFO namenode.FSNamesystem: isPermissionEnabled=true 
10/07/19 10:46:43 INFO common.Storage: Image file of size 94 saved in 0 seconds. 
10/07/19 10:46:43 INFO common.Storage: Storage directory /usr/local/hadoop/hdfs/name has been successfully formatted. 
10/07/19 10:46:43 INFO namenode.NameNode: SHUTDOWN_MSG: 
/************************************************************ 
SHUTDOWN_MSG: Shutting down NameNode at master/202.173.253.36 
************************************************************/ 
2.2.2 启动hadoop所有进程 
在/usr/local/hadoop/hadoop-0.20.2/bin 目录下，执行start-all.sh命令 
启动完成后，可用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： 
10910 NameNode 
11431 Jps 
11176 SecondaryNameNode 
11053 DataNode 
11254 JobTracker 
11378 TaskTracker  
启动之后，在/usr/local/hadoop/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。  
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，要不是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 ： 
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：在/usr/local/hadoop/hadoop-0.20.2/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/usr/local/hadoop/hadoop-0.20.2/logs目录下。仔细查看日志报错的原因，（上次日志报错的信息忘记了）解决方法是进入/usr/local/hadoop/hdfs/name 和usr/local/hadoop/hdfs/data目录下，将目录下的文件全部删除。 
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。 

2.2.3  查看集群状态 
在 bin目录下执行：hadoop dfsadmin  -report 
[root@master bin]# hadoop dfsadmin -report 
Configured Capacity: 304427253760 (283.52 GB) 
Present Capacity: 282767941632 (263.35 GB) 
DFS Remaining: 282767904768 (263.35 GB) 
DFS Used: 36864 (36 KB) 
DFS Used%: 0% 
Under replicated blocks: 0 
Blocks with corrupt replicas: 0 
Missing blocks: 0 
------------------------------------------------- 
Datanodes available: 1 (1 total, 0 dead) 
Name: 202.173.253.36:50010 
Decommission Status : Normal 
Configured Capacity: 304427253760 (283.52 GB) 
DFS Used: 36864 (36 KB) 
Non DFS Used: 21659312128 (20.17 GB) 
DFS Remaining: 282767904768(263.35 GB) 
DFS Used%: 0% 
DFS Remaining%: 92.89% 
Last contact: Mon Jul 19 11:07:22 CST 2010 

2.3 在WEB页面下查看Hadoop工作情况 
启动后可以通过以下两个页面查看节点状况和job状况 
http://localhost:50070； 

http://localhost:50030。 
可以查看任务的执行情况 
     3. 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-0.20.2-examples.jar 中，执行步骤如下： 
在/usr/local/hadoop/hadoop-0.20.2/bin/目录下进行如下操作： 
执行 hadoop fs -ls命令，查看当前hdfs分布式文件系统的 文件目录结构，刚执行会说no such dictionary， 
你要先建一个文件夹,用命令 haoop fs -mkdir testdir ，然后再执行hadoop fs -ls，就会展示/user/root/testdir 
当前用户是root，所以hdfs的根目录就是  /user/root 

hadoop fs -mkdir  okdir(新建目录名称，可任意命名) 
离开hodoop的安全模式 
bin/hadoop dfsadmin -safemode leave 
在这个目录里放入文件：hadoop fs -put /usr/test_in/*.txt okdir（把本地/usr/test_in目录里的所有txt文件copy到 hdfs分布式文件系统的 /user/root/inputdir 目录里面，因为当前目录就是root 所以 直接写input 就代表/user/root/inputdir） 
在/usr/local/hadoop/hadoop-0.20.2下执行： 
[root@master hadoop-0.20.2]# hadoop jar hadoop-0.20.2-examples.jar wordcount okdir output (提交作业，此处需注意okdir与output是一组任务，下次再执行wordcount程序，还要新建目录，不能跟okdir与output重名) 

 11/05/28 22:02:34 INFO input.FileInputFormat: Total input paths to process : 0
 11/05/28 22:02:34 INFO mapred.JobClient: Running job: job_201105282107_0005
 11/05/28 22:02:35 INFO mapred.JobClient:  map 0% reduce 0%
 11/05/28 22:02:46 INFO mapred.JobClient:  map 0% reduce 100%
 11/05/28 22:02:48 INFO mapred.JobClient: Job complete: job_201105282107_0005
 11/05/28 22:02:48 INFO mapred.JobClient: Counters: 8
 11/05/28 22:02:48 INFO mapred.JobClient:   Job Counters
 11/05/28 22:02:48 INFO mapred.JobClient:     Launched reduce tasks=1
 11/05/28 22:02:48 INFO mapred.JobClient:   Map-Reduce Framework
 11/05/28 22:02:48 INFO mapred.JobClient:     Reduce input groups=0
 11/05/28 22:02:48 INFO mapred.JobClient:     Combine output records=0
 11/05/28 22:02:48 INFO mapred.JobClient:     Reduce shuffle bytes=0
 11/05/28 22:02:48 INFO mapred.JobClient:     Reduce output records=0
 11/05/28 22:02:48 INFO mapred.JobClient:     Spilled Records=0
 11/05/28 22:02:48 INFO mapred.JobClient:     Combine input records=0
 11/05/28 22:02:48 INFO mapred.JobClient:     Reduce input records=0

执行完毕后， 

 [root@hadoopName hadoop-0.20.2]# hadoop fs -ls output
 Found 2 items
 drwxr-xr-x   - root supergroup          0 2011-05-08 05:20 /user/root/output/_logs
 -rw-r--r--   1 root supergroup       1688 2011-05-08 05:21 /user/root/output/part-r-00000

可以查看运行结果 
# bin/hadoop dfs -cat hellooutput/part-r-00000 

 a       1
 are     1
 day     1
 fine    1
 fridey  1
 is      3
 name    1
 not     1
 today   4
 you     1
 your    1

也可进入web界面刷新查看running job及completed job的显示。