部署Hadoop时的注意事项（基础篇）

本作品采用知识共享署名-非商业性使用-相同方式共享 2.5 中国大陆许可协议
进行许可。

最近云计算在中国极为火爆，但看了云计算的那些云山雾罩的概念后，实在让人望而却步。还好不是所有的东西都摸不着头脑，Hadoop就是实实在在的技术之一。不才最近仔细品读了Hadoop的基础资料，特别是如何部署Hadoop的相关技术文档，发现其中有许多不为人注意的东西，在此整理一下。

关于如何部署Hadoop，网上可以搜到很多文章，在这里不打算凑这个热闹。

Hadoop
开发者入门专刊(pdf)
是目前比较权威的文档；

有什么与Hadoop相关的技术问题也可以到专业的Hadoop技术论坛
上去讨论。

Hadoop
集群的组成成份

Hadoop的核心功能有两个：HDFS与MapReduce
。与HDFS相关的服务有NameNode
、SecondaryNameNode
及DataNode
；与MapReduce
相关的服务有JobTracker
和TaskTracker
两种。

Hadoop集群中有两种角色：master与slave，master又分为主master与次master。其中：

主
master同时提供NameNode
、SecondaryNameNode
及JobTracker
三种服务；

次master只提供SecondaryNameNode
服务；

所有slave可以提供DateNode
或TaskTracker
两种服务。

Hadoop有三种集群方式可以选择：

Local (Standalone)
Mode（无集群模式）

Pseudo-Distributed
Mode（单机集群模式）

Fully-Distributed
Mode（多机集群模式）

一个Hadoop集群由多台电脑组成，每台电脑可作为一种或多种角色存在。

当使用Pseudo-Distributed

Mode创建Hadoop集群时，一台电脑同时完成主master和slave两种角色的任务。在Fully-Distributed

Mode下，如果只有一台电脑作为master，则此电脑完成主master的任务；如果有多台电脑作为master存在，则第一台电脑完成主master的任务，其它电脑完成次master的任务。

无密码SSH
登录

启动Hadoop的方式是在主master上调用下面的命令：

$HADOOP_HOME
/bin/start-all.sh

此调用过程中，Hadoop依次启动以下服务：

在主master上启动NameNode
服
务；

在主master上启动SecondaryNameNode
服
务；

在次master上启动SecondaryNameNode
服
务；

在所有slave上启动DataNode
服务；

在主master上
启动JobTracker
服务；

在所有slave上的TaskTracker
服务。

在此需要注意以下几点：

启动NameNode
与JobTracker
服务不需要SSH授权；

需要通过SSH登录之后才能启动SecondaryNameNode
、DataNode
以及TaskTracker
服
务，因此：
因为需要启动SencondaryNameNode
服务，所以要为主master提供SSH授权；

因为需要启动SencoddaryNameNode
服务，所以要为所有的次master提供SSH授权；

因为需要启动DataNode
和TaskTracker
服务，所以要为所有的slave提供SSH授权。

总而言之，要为Hadoop集群中的所有计算机提供SSH授权。

为什么要提供无密码SSH登录方式呢？为的是图省事儿。试想在启动
Hadoop集群过程中，要手动输入每一台电脑的SSH密码将是一件多么烦人的事！SSH授权的方法在这里不做详细的描述。无密码SSH登录技术也是相对成熟的技术。但有一个环节需要注意，那就是文件的访问权限问题。表现为：

Linux系统中$HOME目录下的.ssh目录为用户所有，权限必须为700（只有用户自己可以全权访问）；

.ssh目录下的授权文件“authorized_keys”为用户所有，权限必须为644。

关闭防火墙

部署Hadoop集群时，master与slave的防火墙均要关闭。关闭防火墙的根本目的也是为了图省事儿，因为在使用HDFS与MapReduce
时，Hadoop会打开许多监听端口。它们
分别是：

与HDFS有关的地址及端口属性

fs.default.name

位
置：conf/core-site.xml

必须项：是

常用值：hdfs://
[域名或IP地
址]
:9000

说明：NameNode
主服务器的地址

必须在所有master及slave上的conf/core-site.xml中设置此项。并且因为Hadoop架构是主master模式，所以在一个集群中的所有master及slave上设置的fs.default.name值应该是唯一一个NameNode
主服务器的地址。

dfs.datanode.address

位
置：conf/hdfs-site.xml

必须项：否

默认值：0.0.0.0:50010

说明：DataNode
服务的地址

dfs.datanode.ipc.address

位
置：conf/hdfs-site.xml

必须项：否

默认值：0.0.0.0:50020

说明：DataNode
IPC服务的地址

dfs.http.address

位
置：conf/hdfs-site.xml

必须项：否

默认值：0.0.0.0:50070

说明：NameNode
HTTP状态监视地址

dfs.secondary.http.address

位
置：conf/hdfs-site.xml

必须项：否

默认值：0.0.0.0:50090

说明：SecondaryNameNode
HTTP状态监视地址

dfs.datanode.http.address

位
置：conf/hdfs-site.xml

必须项：否

默认值：0.0.0.0:50075

说明：DataNode
HTTP状态监视地址

与MapReduce
有关的地址及端口属性

mapred.job.tracker

位
置：conf/mapred-site.xml

必须项：是

常用值：[域名或IP地址]
:9001

说
明：JobTracker
主服务器地址及端口

必须在所有master及slave上的conf/mapred-site.xml中设置此项。并且因为Hadoop架构是主master模式，所以在一个集群中的所有master及slave上设置的mapred.job.tracker的值应该是唯一一个JobTracker
主服务器的地址。

mapred.task.tracker.report.address

位
置：conf/mapred-site.xml

必须项：否

默认值：127.0.0.1:0

说明：提交报告用TaskTracker
服务地址

mapred.job.tracker.http.address

位
置：conf/mapred-site.xml

必须项：否

默认值：0.0.0.0:50030

说明：JobTracker
HTTP状态监视地址

mapred.task.tracker.http.address

位
置：conf/mapred-site.xml

必须项：否

默认值：0.0.0.0:50060

说明：TaskTracker
HTTP状态监视地址