问题导读
进行配置前,需要安装JDK,创建dhu用户,配置Hadoop环境变量
了解YARN框架和MR的区别
解答Hadoop或者Datanode无法正常启动
安装ssh
sudo apt-get install ssh
配置可以免密码登陆本机
ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys
这条命令完成后,会在当前文件夹下面的.ssh文件夹下创建id_dsa和id_dsa.pub两个文件,这是SSH的一对私钥和公钥,把id_dsa.pub(公钥)追加到授权的key中去。
关于这两个命令的详细解释可参考云技术基础:集群搭建SSH的作用及这些命令的含义
输入ssh localhost
,显示登陆成功信息。
配置Hadoop伪分布式模式
我这里的Hadoop全路径是:/usr/hadoop/hadoop-2.7.2/
Hadoop 可以在单节点上以伪分布式的方式运行,Hadoop 进程以分离的 Java 进程来运行,节点既作为 NameNode 也作为 DataNode,同时,读取的是 HDFS 中的文件。
Hadoop 的配置文件位于全路径的/etc/hadoop/ 中(注意,不是系统的etc目录下),伪分布式需要修改2个配置文件* core-site.xml 和 hdfs-site.xml *。Hadoop的配置文件是 xml 格式,每个配置以声明 property 的 name 和 value 的方式来实现。
配置hadoop环境文件
进入haddop安装文件的配置文件目录etc/hadoop
打开文件,找到某行有”# export JAVA_HOME = …”字样的地方,去掉“#”,然后在等号后面填写你自己的JDK路径,比如像我自己的JDK路径,那就改为了如下所示
export JAVA_HOME=/usr/lib/jvm/java8
**TIPS:如果你不小心忘了JDK路径也没关系,使用whereis java
或者echo $JAVA_HOME
就可以看到你的jdk安装路径**
配置Hadoop的核心文件core-site.xml
打开文件,会发现标签中是空的,在空的地方添加如下配置
<configuration>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/usr/hadoop/hadoop-2.7.2/tmp</value>
<description>Abase for other temporary directories.</description>
</property>
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
</configuration>
修改etc/hadoop/hdfs-site.xml:
添加如下内容:
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/usr/hadoop/hadoop-2.7.2/tmp/dfs/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/usr/hadoop/hadoop-2.7.2/tmp/dfs/data</value>
</property>
</configuration>
Hadoop配置文件说明
Hadoop 的运行方式是由配置文件决定的(运行 Hadoop 时会读取配置文件),因此如果需要从伪分布式模式切换回非分布式模式,需要删除 core-site.xml 中的配置项。
此外,伪分布式虽然只需要配置 fs.defaultFS 和 dfs.replication 就可以运行(官方教程如此),不过若没有配置 hadoop.tmp.dir 参数,则默认使用的临时目录为 /tmp/hadoo-hadoop,而这个目录在重启时有可能被系统清理掉,导致必须重新执行 format 才行。所以我们进行了设置,同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir,否则在接下来的步骤中可能会出错。
格式化Hadoop文件系统HDFS并启动Hadoop
首次运行hadoop必须进行格式化Hadoop文件系统,以后运行即可跳过
格式化文件系统
打开命令行,进入安装Hadoop的文件路径下,然后在命令行输入bin/hadoop namenode -format
启动Hadoop:
在命令行里面输入sbin/start-dfs.sh
验证是否正常启动
在命令行里面输入jps
,然后回车,如果在命令行里面出现如下类似画面则说明已经正常启动。(因为前面的数字可以不同)关闭Hadoop
在Hadoop安装的文件夹路径下面在命令行输入
sbin/stop-dfs.sh
配置YARN(可选)
YARN 是 Hadoop 2.x 中的内容,(伪分布式不启动 YARN 也可以,一般不会影响程序执行)
上述通过 ./sbin/start-dfs.sh
启动 Hadoop,仅仅是启动了 MapReduce 环境,我们可以启动 YARN ,让 YARN 来负责资源管理与任务调度。
Hadoop中MapReduce的配置文件为mapred-site.xml
默认情况下,etc/hadoop/文件夹下有mapred.xml.template文件,我们要复制该文件,并命名为mapred.xml,该文件用于指定MapReduce使用的框架。
1.首先复制配置文件 mapred-site.xml.template
cp mapred-site.xml.template mapred-site.xml
2.然后再进行编辑:
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
3.接着修改配置文件 yarn-site.xml:
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
4.然后就可以启动 YARN 了
注意:需要先执行过 ./sbin/start-dfs.sh
./sbin/start-yarn.sh # 启动YARN
./sbin/mr-jobhistory-daemon.sh start historyserver # 开启历史服务器,才能在Web中查看任务运行情况
开启后通过 jps 查看,可以看到多了 NodeManager 和 ResourceManager 两个后台进程,如下图所示:
不启动 YARN 需重命名 mapred-site.xml
如果不想启动 YARN,务必把配置文件 mapred-site.xml 重命名,改成 mapred-site.xml.template,需要用时改回来就行。否则在该配置文件存在,而未开启 YARN 的情况下,运行程序会提示 “Retrying connect to server: 0.0.0.0/0.0.0.0:8032” 的错误,这也是为何该配置文件初始文件名为 mapred-site.xml.template。
5.关闭 YARN:
./sbin/stop-yarn.sh
./sbin/mr-jobhistory-daemon.sh stop historyserver
运行Hadoop伪分布式实例
伪分布式读取的则是 HDFS 上的数据。要使用 HDFS,
首先需要在 HDFS 中创建用户目录
./bin/hdfs dfs -mkdir -p /user/dhu
其中-p代表如果没有父目录,则新建一个
注意:
Hadoop实际上有三种shell命令方式。
1. hadoop fs
2. hadoop dfs
3. hdfs dfs
hadoop fs适用于任何不同的文件系统,比如本地文件系统和HDFS文件系统
hadoop dfs只能适用于HDFS文件系统
hdfs dfs跟hadoop dfs的命令作用一样,也只能适用于HDFS文件系统
接着将 ./etc/hadoop 中的 xml复制到分布式文件系统中
即将/usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。
注意:由于我们使用的是 dhu 用户,并且上一步已创建相应的用户目录 /user/dhu ,因此在命令中就可以使用相对路径如 input,其对应的绝对路径就是 /user/hadoop/input:
./bin/hdfs dfs -mkdir input
./bin/hdfs dfs -put ./etc/hadoop/*.xml input
复制完成后,可以通过如下命令查看文件列表:
./bin/hdfs dfs -ls input
查找dfs开头的xml
伪分布式运行 MapReduce 作业的方式跟单机模式相同,区别在于伪分布式读取的是HDFS中的文件
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'
查看运行结果的命令
这里查看的是位于 HDFS 中的输出结果
./bin/hdfs dfs -cat output/*
结果如下,注意到刚才我们已经更改了配置文件,所以运行结果不同。
我们也可以将运行结果取回到本地:
rm -r ./output # 先删除本地的 output 文件夹(如果存在)
./bin/hdfs dfs -get output ./output # 将 HDFS 上的 output 文件夹拷贝到本机
cat ./output/*
注意:
Hadoop 运行程序时,输出目录不能存在,否则会提示错误。因此若要再次执行,需要执行如下命令删除 output 文件夹:
/bin/hdfs dfs -rm -r output # 删除 output 文件夹
关闭 Hadoop
./sbin/stop-dfs.sh
注意:
下次启动 hadoop 时,无需进行 NameNode 的初始化,只需要运行./sbin/start-dfs.sh
就可以!
遇到的问题
Hadoop无法正常启动的解决方法:
一般可以查看启动日志来排查原因,注意几点:
1. 启动时会提示形如 “DBLab-XMU: starting namenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-namenode-DBLab-XMU.out”,其中 DBLab-XMU 对应你的机器名,但其实启动日志信息是记录在 /usr/local/hadoop/logs/hadoop-hadoop-namenode-DBLab-XMU.log 中,所以应该查看这个后缀为 .log 的文件;
2. 每一次的启动日志都是追加在日志文件之后,所以得拉到最后面看,对比下记录的时间就知道了。
3. 一般出错的提示在最后面,通常是写着 Fatal、Error、Warning 或者 Java Exception 的地方。
针对 DataNode 没法启动的解决方法
此外,若是 DataNode 没有启动,可尝试如下的方法(注意这会删除 HDFS 中原有的所有数据,如果原有的数据很重要请不要这样做):
./sbin/stop-dfs.sh # 关闭
rm -r ./tmp # 删除 tmp 文件,注意这会删除 HDFS 中原有的所有数据
./bin/hdfs namenode -format # 重新格式化 NameNode
./sbin/start-dfs.sh # 重启
成功启动后,可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息,还可以在线查看 HDFS 中的文件。
调试Hadoop
开启debug:export HADOOP_ROOT_LOGGER=DEBUG,console
再执行hadoop命令