安裝一個Hadoop分布式集群

最小化的Hadoop已經可以滿足學習程序中大部分需求，但是為了研究Hadoop集群運行機制，部署一個類生產的環境還是有必要的，因為集群機器比較少，筆者沒有配置ssh，所以就需要在每一臺機器上手動啟動服務，啟動上相對繁瑣一些，優點是可以高度自定義集群中的任務節點數量，從而更好的理解集群中各個行程的作用，

一、環境準備

筆者認為一個Hadoop集群管理著兩種資源，計算資源（CPU和記憶體）與存盤資源（資料存盤），所以就對應了兩類服務，yarn和HDFS：

yarn resourcemanager：資源管理器，負責管理nodemanager、調度集群資源
yarn nodemanager：節點管理器，管理物理機器上的CPU和記憶體，一個集群可以有多個節點
HDFS namenode：HDFS namenode節點，管理檔案系統元資料
HDFS datanode：HDFS datanode節點，存盤檔案資料塊
historyserver：歷史作業查詢服務，用于查詢已經結束的任務運行期間資料

yarn之后會進行介紹，這里只需要知道它和HDFS一樣，有兩種服務：resourcemanager和nodemanager，resourcemanager類似HDFS的namenode節點，nodemanager類似HDFS的datanode節點，

我的集群使用了2個虛擬機，debian系統，8G記憶體，并且安裝了JDK1.8，這樣我就有3臺機器，分別是客戶機Windows，Linux-1和Linux-2，Linux-1運行了集群全套的服務，Linux-2負責運行一個nodemanager節點，模擬被resourcemanager調度，

Linux-1和Linux-2的完整情況如下：

	Linux-1	Linux-2
IP地址	192.168.0.200	192.168.0.201
resourcemanager	運行
nodemanager	運行	運行
namenode	運行
datanode	運行
historyserver	運行

整個集群的網路需要能夠互相訪問，其他無特殊要求，系統拓撲如下：

二、組態檔結構

1、組態檔結構簡介

一個組態檔結構如下：

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
  <property>
    <name>my.host</name>
    <value>192.168.0.200</value>
  </property>
  <property>
    <name>fs.defaultFS</name>
    <value>hdfs://${my.host}:8082/</value>
  </property>
</configuration>

一個組態檔的根節點是configuration，一般包含多個property節點，而一個property節點就是一個配置引數，property節點有name和value兩個屬性，分別是配置名稱和值，

如果存在多個同名的property節點，后一個property節點會覆寫前一個，property節點的value支持${}占位符，運行的時候占位符會被決議為實際的值，

2、Hadoop配置

Hadoop有上百個配置，分為默認配置和自定義配置兩類，如果某個引數在自定義配置沒有，則會加載默認配置，所以我們只需要在自定義配置中加入少量的引數就可以運行集群，

可以在以下網址查詢到Hadoop的默認配置：

core-default.xml
yarn-default.xml
mapred-default.xml
hdfs-default.xml

自定義配置位于Hadoop安裝目錄下的etc/hadoop下，對應的4個自定義組態檔，名稱分別為core-site.xml、yarn-site.xml、mapred-site.xml、hdfs-site.xml

三、安裝和配置集群

1、修改組態檔

從https://hadoop.apache.org/releases.html下載Hadoop程式，這里我下載的是2.10.2，分別解壓到Linux-1和Linux-2上，解壓后程式目錄如下：

drwxr-xr-x 2 debian debian   4096  5月 25  2022 bin
drwxr-xr-x 3 debian debian   4096  5月 25  2022 etc
drwxr-xr-x 2 debian debian   4096  5月 25  2022 include
drwxr-xr-x 3 debian debian   4096  5月 25  2022 lib
drwxr-xr-x 2 debian debian   4096  5月 25  2022 libexec
-rw-r--r-- 1 debian debian 106210  5月 25  2022 LICENSE.txt
drwxr-xr-x 3 debian debian   4096  2月  4 17:05 logs
-rw-r--r-- 1 debian debian  15830  5月 25  2022 NOTICE.txt
-rw-r--r-- 1 debian debian   1366  5月 25  2022 README.txt
drwxr-xr-x 3 debian debian   4096  5月 25  2022 sbin
drwxr-xr-x 4 debian debian   4096  5月 25  2022 share

etc/hadoop為程式組態檔存放配置，我們需要在每一個節點創建4個檔案core-site.xml、yarn-site.xml、mapred-site.xml、hdfs-site.xml，

筆者的配置完整內容如下：

core-site.xml

my.host需要配置成當前主機實際的地址，my.namenode.host、my.resourcemanager.host、my.jobhistory.host分別配置為：HDFS namenode運行地址、yarn資源管理器運行地址、歷史作業查詢服務jobhistory運行地址，這里提一下fs.defaultFS，它的含義是HDFS的namenode地址，HDFS的datanode通過這個地址來發現namenode，同時這個地址也是默認檔案系統地址，用于決議相對的檔案路徑，

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
  <!-- 當前主機地址，修改成Linux-1或Linux-2實際的IP地址 -->
  <property>
    <name>my.host</name>
    <value>192.168.0.200</value>
  </property>
  <!-- dfs namenode所在地址 -->
  <property>
    <name>my.namenode.host</name>
    <value>192.168.0.200</value>
  </property>
  <!-- yarn 資源管理器所在地址 -->
  <property>
    <name>my.resourcemanager.host</name>
    <value>192.168.0.200</value>
  </property>
  <!-- 作業歷史所在地址 -->
  <property>
    <name>my.jobhistory.host</name>
    <value>192.168.0.200</value>
  </property>

  <!-- 檔案系統地址 -->
  <property>
    <name>fs.defaultFS</name>
    <value>hdfs://${my.namenode.host}:8082/</value>
  </property>
</configuration>

yarn-site.xml

yarn中機器ip的配置大多數繼承于core-site.xml，所以可以直接分發這個檔案到各個機器上，唯一需要注意的是yarn.nodemanager.local-dirs引數，這個目錄用于存放任務運行程序中的臨時檔案，通常需要大一點，

<?xml version="1.0"?>
<configuration>
  <!-- 資源管理器地址 -->
  <property>
    <name>yarn.resourcemanager.hostname</name>
    <value>${my.resourcemanager.host}</value>
  </property>
  <!-- 資源管理器系結地址 -->
  <property>
    <name>yarn.resourcemanager.bind-host</name>
    <value>0.0.0.0</value>
  </property>

  <!-- 節點管理器地址 -->
  <property>
    <name>yarn.nodemanager.hostname</name>
    <value>${my.host}</value>
  </property>
  <!-- 節點管理器系結地址 -->
  <property>
    <name>yarn.nodemanager.bind-host</name>
    <value>0.0.0.0</value>
  </property>
  <!-- 節點管理器臨時檔案存放路徑 -->
  <property>
    <name>yarn.nodemanager.local-dirs</name>
    <value>/data1/debian/hadoop-data/nodemanager-local-data</value>
  </property>
  <property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
  </property>
  <!-- 節點管理器運行容器最大記憶體 -->
  <property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>4000</value>
  </property>
  <!-- 節點管理器單個容器分配最大記憶體 -->
  <property>
    <name>yarn.scheduler.maximum-allocation-mb</name>
    <value>3000</value>
  </property>
</configuration>

mapred-site.xml

mapred-site.xml配置只需要配置歷史作業查詢服務jobhistory運行地址，筆者的這個組態檔引數也來源于core-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
  <!-- 歷史任務IPC地址 -->
  <property>
    <name>mapreduce.jobhistory.address</name>
    <value>${my.jobhistory.host}:10020</value>
  </property>
  <!-- 歷史任務web服務地址 -->
  <property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>${my.jobhistory.host}:19888</value>
  </property>
</configuration>

hdfs-site.xml

這個組態檔用于控制HDFS的namenode和datanode節點資料存放路徑，dfs.namenode.checkpoint.dir控制namenode資料持久化目錄，之前提到的HDFS檔案系統中的檔案元資料就保存在這里，dfs.datanode.data.dir為資料塊存放路徑，HDFS中的資料塊就存放在這里，

這里并沒有配置namenode所在地址，datanode是通過core-site.xml的fs.defaultFS中配置的地址尋找namenode的

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
  <!-- 配置namenode資料存盤目錄 多個逗號分割-->
  <property>
    <name>dfs.namenode.name.dir</name>
    <value>/data1/debian/hadoop-data/namenode-data</value>
  </property>
  <!-- 配置輔助namenode資料存盤目錄 多個逗號分割-->
  <property>
    <name>dfs.namenode.checkpoint.dir</name>
    <value>/data1/debian/hadoop-data/namenode-checkpoint-data</value>
  </property>
  <!-- namenode rpc系結主機地址 -->
  <property>
    <name>dfs.namenode.rpc-bind-host</name>
    <value>0.0.0.0</value>
  </property>

  <!-- 配置datanode資料存盤目錄 多個逗號分割 -->
  <property>
    <name>dfs.datanode.data.dir</name>
    <value>/data1/debian/hadoop-data/datanode-data</value>
  </property>
  <!-- 資料副本數 -->
  <property>
    <name>dfs.replication</name>
    <value>1</value>
  </property>
</configuration>

2、初始化HDFS nameserver資料目錄

一個新的HDFS的namenode類似新硬碟，使用前需要先格式化（初始化資料檔案），datanode節點不需要這個操作，一個HDFS的容量大小取決于datanode節點數量，所以也不需要設定HDFS的容量，

在namenode運行的節點，使用如下命令初始化HDFS的資料目錄：

bin/hdfs namenode -format

運行完成后在dfs.namenode.name.dir配置的目錄會生成namenode所需要的資料檔案，里面有一個檔案夾current，由于筆者HDFS節點已經運行過一段時間了，所以current中的內容如下：

debian@debian:/data1/debian/hadoop-data/namenode-data$ pwd
/data1/debian/hadoop-data/namenode-data
debian@debian:/data1/debian/hadoop-data/namenode-data$ ll
總用量 8
drwxr-xr-x 2 debian debian 4096  2月  4 15:27 current
-rw-r--r-- 1 debian debian   10  2月  4 15:27 in_use.lock
debian@debian:/data1/debian/hadoop-data/namenode-data$ ll current/
總用量 15396
-rw-r--r-- 1 debian debian 1048576  1月 22 14:20 edits_0000000000000000001-0000000000000000001
-rw-r--r-- 1 debian debian 1048576  1月 22 14:21 edits_0000000000000000002-0000000000000000002
-rw-r--r-- 1 debian debian 1048576  1月 22 14:21 edits_0000000000000000003-0000000000000000003
-rw-r--r-- 1 debian debian 1048576  1月 22 14:29 edits_0000000000000000004-0000000000000000004
-rw-r--r-- 1 debian debian 1048576  1月 24 17:47 edits_0000000000000000005-0000000000000000048
-rw-r--r-- 1 debian debian 1048576  1月 24 18:03 edits_0000000000000000049-0000000000000000061
-rw-r--r-- 1 debian debian 1048576  1月 28 10:01 edits_0000000000000000062-0000000000000000170
-rw-r--r-- 1 debian debian 1048576  2月  2 17:01 edits_0000000000000000171-0000000000000000171
-rw-r--r-- 1 debian debian 1048576  2月  2 21:18 edits_0000000000000000172-0000000000000000482
-rw-r--r-- 1 debian debian 1048576  2月  2 22:32 edits_0000000000000000483-0000000000000000866
-rw-r--r-- 1 debian debian 1048576  2月  2 22:45 edits_0000000000000000867-0000000000000000867
-rw-r--r-- 1 debian debian 1048576  2月  2 23:09 edits_0000000000000000868-0000000000000001143
-rw-r--r-- 1 debian debian 1048576  2月  3 10:50 edits_0000000000000001144-0000000000000001382
-rw-r--r-- 1 debian debian 1048576  2月  4 00:39 edits_0000000000000001383-0000000000000001620
-rw-r--r-- 1 debian debian 1048576  2月  4 17:07 edits_inprogress_0000000000000001621
-rw-r--r-- 1 debian debian    8109  2月  4 00:01 fsimage_0000000000000001382
-rw-r--r-- 1 debian debian      62  2月  4 00:01 fsimage_0000000000000001382.md5
-rw-r--r-- 1 debian debian   10696  2月  4 15:27 fsimage_0000000000000001620
-rw-r--r-- 1 debian debian      62  2月  4 15:27 fsimage_0000000000000001620.md5
-rw-r--r-- 1 debian debian       5  2月  4 15:27 seen_txid
-rw-r--r-- 1 debian debian     214  2月  4 15:27 VERSION

四、啟動服務

1、啟停腳本說明

進入Hadoop安裝目錄下的sbin檔案夾，主要有3個腳本檔案，用于啟停集群中各種守護行程，它們分別是

hadoop-daemon.sh

啟停HDFS的namenode和datanode，它還有多主機的啟停版本hadoop-daemons.sh
yarn-daemon.sh

啟停yarn的資源管理器和節點管理器，它還有多主機的啟停版本yarn-daemons.sh
mr-jobhistory-daemon.sh

啟停歷史任務管理服務historyserver

2、啟動HDFS

在Linux-1機器上運行如下命令

-- 啟動namenode
sbin/hadoop-daemon.sh start namenode
-- 啟動datanode
sbin/hadoop-daemon.sh start datanode

使用jps命令可以看到兩個行程

debian@debian:~/program/hadoop-2.10.2$ jps
676 NameNode
7846 Jps
733 DataNode

在windows物理機的瀏覽器輸入http://192.168.0.200:50070/可訪問HDFS的web管理頁面，筆者的顯示如下：

3、啟動yarn

在Linux-1上輸入如下命令啟動yarn resourcemanager

-- 啟動yarn resourcemanager
sbin/yarn-daemon.sh start resourcemanager

然后在Linux-1和Linux-2啟動yarn nodemanager

-- 啟動yarn nodemanager
sbin/yarn-daemon.sh start nodemanager

訪問yarn的web管理地址http://192.168.0.200:8088/，可以看到當前集群下有兩個資源管理器

4、啟動歷史作業查詢服務

在Linux-1運行如下命令啟動：

sbin/mr-jobhistory-daemon.sh start historyserver

訪問可以看到http://192.168.0.200:19888，如下界面：

五、在集群運行一個MapReduce作業

本文所有的代碼放在我的github上，地址是：https://github.com/xunpengliu/hello-hadoop ，本節需要用到的模塊是maxSaleMapReduce，任務用到的資料檔案可以用common模塊中的SaleDataGenerator可以生成，

1、撰寫任務配置

為了讓任務運行在Hadoop集群上，我們需要撰寫一個組態檔cluster-config.xml，需要注意的是yarn.resourcemanager.hostname配置，很多書籍或其他資料配置的是yarn.resourcemanager.address，因為筆者提交作業是在windows上提交的，作業使用的配置是Hadoop默認配置，如果不配置yarn.resourcemanager.hostname，那么yarn.resourcemanager.resource-tracker.address的值就是0.0.0.0:8031（默認${yarn.resourcemanager.hostname}:8031），導致ApplicationMasters行程無法連上yarn resourcemanager，

如果需要跨平臺，也就是提交作業的系統和集群運行的系統不一樣，需要把mapreduce.app-submission.cross-platform配置成true

其他的配置就沒什么特別的了，fs.defaultFS配置成HDFS的namenode的地址，mapreduce執行框架配置成yarn

完整內容如下：

<configuration>
    <!--  跨平臺提交  -->
    <property>
        <name>mapreduce.app-submission.cross-platform</name>
        <value>true</value>
    </property>
    <!--  檔案系統地址  -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://192.168.0.200:8082/</value>
    </property>
    <!--  資源管理器地址  -->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>192.168.0.200</value>
    </property>
    <!--  執行框架  -->
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <!--  map任務數量  -->
    <property>
        <name>mapreduce.job.maps</name>
        <value>5</value>
    </property>
</configuration>

2、準備作業資料檔案

任務用到的資料檔案可以用common包中的SaleDataGenerator生成，把生成資料檔案傳到HDFS上的/input目錄上，可以用Hadoop的fs命令上傳，

hadoop fs -copyFromLocal file-0 hdfs://192.168.0.200:8082/input/file-0
hadoop fs -copyFromLocal file-1 hdfs://192.168.0.200:8082/input/file-1
hadoop fs -copyFromLocal file-2 hdfs://192.168.0.200:8082/input/file-2
hadoop fs -copyFromLocal file-3 hdfs://192.168.0.200:8082/input/file-3
hadoop fs -copyFromLocal file-4 hdfs://192.168.0.200:8082/input/file-4

上傳完成后可以在HDFS的管理頁面中看到檔案：

3、啟動作業

輸入命令啟動作業：

hadoop jar maxSaleMapReduce-1.0-SNAPSHOT.jar -conf cluster-config.xml -libjars ./lib/common-1.0-SNAPSHOT.jar /input /output

命令最后的input和output引數分別是資料輸入目錄和輸出目錄，由于是相對路徑，會自動使用fs.defaultFS配置進行填充，所以相當于hdfs://192.168.0.200:8082/input和hdfs://192.168.0.200:8082/output，

命令執行如下：

C:\Users\l3789\Desktop\新建檔案夾>hadoop jar maxSaleMapReduce-1.0-SNAPSHOT.jar -conf cluster-config.xml -libjars ./lib/common-1.0-SNAPSHOT.jar /input /output
23/02/04 21:27:31 INFO client.RMProxy: Connecting to ResourceManager at /192.168.0.200:8032
23/02/04 21:27:41 INFO input.FileInputFormat: Total input files to process : 5
23/02/04 21:27:41 INFO mapreduce.JobSubmitter: number of splits:15
23/02/04 21:27:42 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1675501509686_0002
23/02/04 21:27:42 INFO conf.Configuration: resource-types.xml not found
23/02/04 21:27:42 INFO resource.ResourceUtils: Unable to find 'resource-types.xml'.
23/02/04 21:27:42 INFO resource.ResourceUtils: Adding resource type - name = memory-mb, units = Mi, type = COUNTABLE
23/02/04 21:27:42 INFO resource.ResourceUtils: Adding resource type - name = vcores, units = , type = COUNTABLE
23/02/04 21:27:42 INFO impl.YarnClientImpl: Submitted application application_1675501509686_0002
23/02/04 21:27:42 INFO mapreduce.Job: The url to track the job: http://192.168.0.200:8088/proxy/application_1675501509686_0002/
23/02/04 21:27:42 INFO mapreduce.Job: Running job: job_1675501509686_0002
23/02/04 21:27:46 INFO mapreduce.Job: Job job_1675501509686_0002 running in uber mode : false
23/02/04 21:27:46 INFO mapreduce.Job:  map 0% reduce 0%

可以訪問http://192.168.0.200:8088/proxy/application_1675501509686_0002/查看任務運行情況：

六、常見問題

上傳檔案到HDFS提示copyFromLocal: Permission denied

這個是因為hadoop命令獲取到用戶與HDFS上的權限不符，修改環境變數更改運行用戶，然后重新執行命令：
```
-- windows
set HADOOP_USER_NAME=debian
-- linux
export HADOOP_USER_NAME=debian
```

運行MapReduce作業提示無讀寫權限

23/02/04 21:34:34 INFO client.RMProxy: Connecting to ResourceManager at /192.168.0.200:8032
Exception in thread "main" org.apache.hadoop.security.AccessControlException: Permission denied: user=test, access=EXECUTE, inode="/tmp":debian:supergroup:drwx------
        at org.apache.hadoop.hdfs.server.namenode.FSPermissionChecker.check(FSPermissionChecker.java:350)
        at org.apache.hadoop.hdfs.server.namenode.FSPermissionChecker.checkTraverse(FSPermissionChecker.java:311)

/tmp存放任務運行的歷史結果，供historyserver使用，運行任務的用戶無寫入權限，把這個目錄設定成所有人可寫，或者修改運行用戶為/tmp目錄的用戶

修改環境變數更改運行用戶，然后重新執行命令：

-- windows
set HADOOP_USER_NAME=debian
-- linux
export HADOOP_USER_NAME=debian

運行任務狀態一直卡在，任務日志報org.apache.hadoop.ipc.Client: Retrying connect to server: 0.0.0.0/0.0.0.0:8031

這個問題卡了我好久，MapReduce任務的ApplicationMasters行程無法連上yarn resourcemanager，根本原因是提交任務的機器使用的yarn.resourcemanager.resource-tracker.address配置是默認的，需要在任務的組態檔中加入yarn.resourcemanager.address配置

轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/543109.html

標籤：其他

上一篇：SQLSERVER 快照隔離級別到底怎么理解?

下一篇：order by原理

05安裝一個Hadoop分布式集群