Hadoop集群完全分布式搭建教程-CentOS

      本篇在前一篇《Hadoop单机模式和伪分布式搭建教程》的基础上完成完全分布式的搭建，所以本篇的前提是已经按照之前的教程完成了伪分布式的安装。注意截图中的slaver应该是slave，哈哈，搭建的时候多打了r，没弄清slaver和slave的区别。

1. 说明

       本教程中电脑为8G内存，故而将使用四个节点作为集群环境，其中一个为master，3个为slave（分别是slave1、slave2和slave3、master节点将仅为namenode存在，而slave节点是datanode），这样也算是比较标准的一个集群了。集群最后启动运行的时候8G内存不够了，崩溃了（原因可能是我设置虚拟机的内存是1.5G，可以考虑改成1G试试），所以建议大家学习弄个1个slave或者2个就可以了...视自己的情况而定....

2. 克隆虚拟机

右键虚拟机-->管理-->克隆，打开克隆向导，然后一路next，直至选择克隆类型为完整克隆：

 


输入虚拟机的名称为slave1，并且选择一个合适的虚拟机位置，点击完成即可。

 


同理：再克隆一个slave2

 

结果图：

 


 

       通过上面的步骤，每台虚拟机中都已经搭建了一个伪分布式的Hadoop，但是除了master外，其他的节点上的/usr/local/hadoop目录我们在后面会将其删除，然后将/usr/local/hadoop目录拷贝到每台slave节点上。如果是在实体机上面，那么需要给每个机器按照《Hadoop单机模式和伪分布式搭建教程CentOS》中1所做的准备工作做一遍。

 

Hadoop 集群的安装配置大致为如下流程:

    1. 选定一台机器作为 Master

    2. 在 Master 节点上配置 hadoop 用户、安装 SSH server、安装 Java 环境

    3. 在 Master 节点上安装 Hadoop，并完成配置

    4. 在其他 Slave 节点上配置 hadoop 用户、安装 SSH server、安装 Java 环境

    5. 将 Master 节点上的 /usr/local/hadoop 目录复制到其他 Slave 节点上

    6. 在 Master 节点上开启 Hadoop

 

3. 系统配置调整

        因为我们是复制过来的虚拟机，需要对每个虚拟机的主机名以及Hosts文件进行编辑和修改，然后建立它们之间的互通。

 

1) 首先通过XShell建立与虚拟机之间的联系，通过远程来控制每台虚拟机。

 




2) 然后分别修改它们的主机名和/etc/hosts文件，hosts文件是用来进行域名解析，这里我们只配置主机名和IP地址之间的映射。

 

        对应上面的角色，分别将主机名修改为master,slave1,slave2,slave3。为了可以立刻生效同时永久修改主机名，我们需要执行以下两个步骤：

[html] view
plain copy

 print?

vim /etc/sysconfig/network #这种方法是永久修改，必须重启才生效  

hostname master  #临时修改，立刻生效  

 


 

修改集群中每台机器的/etc/hosts，其中参数是ip地址和主机名，集群有几个Host就几个，我们只有四个节点，故4个，这个配置文件集群中每台机器都一样。

 

 

检查配置，步骤如下：

1、确认主机名

       uname -n

2、确认IP地址

       hostname --ip-address

3、确保集群中的节点互相连通，

       ping master

 

4. 建立集群之间的SSH 无密码登录

这一步呢，切换到Hadoop用户下，删除掉~/.ssh文件夹内的所有内容，然后重新生成dsa密钥。每台机器步骤如下：

 


 

再在~/.ssh目录下执行下面的命令，完了之后通过ssh localhost检验一下：

 

[html] view
plain copy

 print?

ssh-keygen -t dsa                 # 会有提示，都按回车就可以  

cat id_dsa.pub >> authorized_keys   # 加入授权  

chmod 600 ./authorized_keys       # 修改文件权限，如果不改，无法通过，原因好像是cent os的权限验证比较严格  

当所有机器都重新配置好了之后，下面将建立它们之间的SSH无密码登录：

 

具体步骤（以master无密码登录slaver为例）：

首先将master生成的公匙用scp命令传到所有的slaver上（以下命令是在master上执行）

[html] view
plain copy

 print?

scp ~/.ssh/id_dsa.pub hadoop@slave1:/home/hadoop/.ssh/m_id_dsa.pub  

scp ~/.ssh/id_dsa.pub hadoop@slave2:/home/hadoop/.ssh/m_id_dsa.pub  

scp ~/.ssh/id_dsa.pub hadoop@slave3:/home/hadoop/.ssh/m_id_dsa.pub  

然后再用hadoop登入slave1/2/3，将公匙加入到授权中，此时再从master上访问slvaer1/2/3即可无需密码了。（以下命令是在slave上执行）

[html] view
plain copy

 print?

cat ~/.ssh/m_id_dsa.pub >> ~/.ssh/authorized_keys  

 


 

同理，

Ø 对于s1来说，必须可以ssh master,ssh slave2,ssh slave3

[html] view
plain copy

 print?

scp ~/.ssh/id_dsa.pub hadoop@master:/home/hadoop/.ssh/s1_id_dsa.pub  

scp ~/.ssh/id_dsa.pub hadoop@slave2:/home/hadoop/.ssh/s1_id_dsa.pub  

scp ~/.ssh/id_dsa.pub hadoop@slave3:/home/hadoop/.ssh/s1_id_dsa.pub  

   

cat ~/.ssh/s1_id_dsa.pub >> ~/.ssh/authorized_keys  

Ø 对于s2来说，必须可以ssh master,ssh slave1,ssh slave3

[html] view
plain copy

 print?

scp ~/.ssh/id_dsa.pub hadoop@master:/home/hadoop/.ssh/s2_id_dsa.pub  

scp ~/.ssh/id_dsa.pub hadoop@slave1:/home/hadoop/.ssh/s2_id_dsa.pub  

scp ~/.ssh/id_dsa.pub hadoop@slave3:/home/hadoop/.ssh/s2_id_dsa.pub  

   

cat ~/.ssh/s2_id_dsa.pub >> ~/.ssh/authorized_keys  

Ø 对于s3来说，必须可以ssh master,ssh slave1,ssh slave2

[html] view
plain copy

 print?

scp ~/.ssh/id_dsa.pub hadoop@master:/home/hadoop/.ssh/s3_id_dsa.pub  

scp ~/.ssh/id_dsa.pub hadoop@slave2:/home/hadoop/.ssh/s3_id_dsa.pub  

scp ~/.ssh/id_dsa.pub hadoop@slave1:/home/hadoop/.ssh/s3_id_dsa.pub  

   

cat ~/.ssh/s3_id_dsa.pub >> ~/.ssh/authorized_keys  

配置完了之后，检查确保集群中的所有节点都可以互相SSH无密码登录。

 

5. 配置集群/完全分布式环境

        集群/分布式模式需要修改 /usr/local/hadoop/etc/hadoop 中的5个配置文件，更多设置项可点击查看官方说明，这里仅设置了正常启动所必须的设置项： slaves、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml 。

 

1. 文件 slaves，将作为 DataNode 的主机名写入该文件，每行一个，默认为 localhost，所以在伪分布式配置时，节点即作为 NameNode 也作为 DataNode。分布式配置可以保留 localhost，也可以删掉，让 Master 节点仅作为 NameNode 使用。

 

本教程让 Master 节点仅作为 NameNode 使用，因此将文件中原来的 localhost ，加入三行内容，分别是slave1,slave2,slave3。

 


2. 修改core-site.xml文件

[html] view
plain copy

 print?

<configuration>  

    <property>  

        <name>fs.defaultFS</name>  

        <value>hdfs://master:9000</value>  

    </property>  

    <property>  

        <name>hadoop.tmp.dir</name>  

        <value>file:/usr/local/hadoop/tmp</value>  

    </property>  

</configuration>  

3. 修改hdfs-site.xml

[html] view
plain copy

 print?

<configuration>  

    <property>  

        <name>dfs.namenode.secondary.http-address</name>  

        <value>master:50090</value>  

    </property>  

    <property>  

        <name>dfs.replication</name>  

        <value>3</value>  

    </property>  

    <property>  

        <name>dfs.namenode.name.dir</name>  

        <value>file:/usr/local/hadoop/tmp/dfs/name</value>  

    </property>  

    <property>  

        <name>dfs.datanode.data.dir</name>  

        <value>file:/usr/local/hadoop/tmp/dfs/data</value>  

    </property>  

</configuration>  

4. 文件 mapred-site.xml （可能需要先重命名，默认文件名为 mapred-site.xml.template），然后配置修改如下：

[html] view
plain copy

 print?

mv mapred-site.xml.template mapred-site.xml  #修改文件名称  

[html] view
plain copy

 print?

<configuration>  

    <property>  

        <name>mapreduce.framework.name</name>  

        <value>yarn</value>  

    </property>  

    <property>  

        <name>mapreduce.jobhistory.address</name>  

        <value>master:10020</value>  

    </property>  

    <property>  

        <name>mapreduce.jobhistory.webapp.address</name>  

        <value>master:19888</value>  

    </property>  

</configuration>  

5. 修改yarn-site.xml

[html] view
plain copy

 print?

<configuration>  

    <property>  

        <name>yarn.resourcemanager.hostname</name>  

        <value>master</value>  

    </property>  

    <property>  

        <name>yarn.nodemanager.aux-services</name>  

        <value>mapreduce_shuffle</value>  

    </property>  

</configuration>  

配置好后，将 Master 上的 /usr/local/Hadoop 文件夹复制到各个节点上(首先要将slave上的/usr/local/hadoop文件夹删除，分别在slave1/2/3上执行rm -rf /usr/local/hadoop)。因为之前有跑过伪分布式模式，建议在切换到集群模式前先删除之前的临时文件。在 Master 节点上执行：

[html] view
plain copy

 print?

cd /usr/local/hadoop  

rm -rf ./tmp/*  

rm ./logs/*  

cd ..   #返回/usr/local目录下  

tar -zcf ~/hadoop.master.tar.gz ./hadoop   # 先压缩再复制  

cd ~/  

scp ./hadoop.master.tar.gz slave1:/home/hadoop  #传输数据  



首先在slave1上执行（需要root用户）：

[html] view
plain copy

 print?

tar -zxf ~/hadoop.master.tar.gz -C /usr/local  

sudo chown -R hadoop:hadoop /usr/local/hadoop  

同理，slave2/3。

 

首次启动需要在Master节点执行NameNode格式化：

[html] view
plain copy

 print?

hdfs namenode -format  



在启动集群之前需要关闭centos 的防火墙：

[html] view
plain copy

 print?

service iptables stop   # 关闭防火墙服务  

chkconfig iptables off  # 禁止防火墙开机自启，就不用手动关闭了  



接着可以启动 hadoop 了，启动需要在 Master 节点上进行：

[html] view
plain copy

 print?

start-dfs.sh  #启动HDFS进程  



可以看到master上有namenode和secondaryNameNode的进程

 


Slave上有datanode的进程

 


 

[html] view
plain copy

 print?

start-yarn.sh  #启动计算平台  

 




 

[html] view
plain copy

 print?

mr-jobhistory-daemon.sh start historyserver #启动jobhistoryserver来实现web查看作业的历史运行情况  

缺少任一进程都表示出错。另外还需要在 Master 节点上通过命令 hdfs dfsadmin -report 查看 DataNode 是否正常启动，如果 Live datanodes 不为 0 ，则说明集群启动成功。例如我这边一共有 3个 Datanodes：

 

很不幸......由于8G内存不够，VMWare崩溃了，截图也丢了，但是通过上面的可以看到，集群已经配置成功了，下面我重新设置一下，取消一个datanode，然后再次启动一下集群，hadoop就是有这种特性，那我只启动slave1和slave2来看看。可以看到虽然我配置了3个datanode，但是此时活动的只有2个datanode。

 


也可以通过 Web 页面看到查看 DataNode 和 NameNode 的状态：http://192.168.25.128:50070/，IP是master的IP地址。如果不成功，可以通过启动日志排查原因。

 




 

 

执行以下命令将Hadoop的安装包发送到Hdfs上，查看HDFS的状态：

[html] view
plain copy

 print?

hadoop fs -mkdir -p /user/hadoop  

hadoop fs -put hadoop-2.6.0.tar.gz /user/hadoop  

 


 

6. 执行分布式实例

[html] view
plain copy

 print?

cp /usr/local/hadoop/etc/hadoop/* ./input/  

[html] view
plain copy

 print?

cd ~/  

hadoop fs -mkdir -p /user/input  

hadoop fs -put ./input/* /user/input  

hadoop fs -ls /user/input  

 


[html] view
plain copy

 print?

hadoop jar /usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep /user/input /user/output 'dfs[a-z.]+'  

 


显示mapreduce job的进度

 


MR作业的输出结果

 

 

关闭 Hadoop 集群也是在 Master 节点上执行的：

[html] view
plain copy

 print?

stop-yarn.sh  

stop-dfs.sh  

mr-jobhistory-daemon.sh stop historyserver  

此外，同伪分布式一样，也可以不启动 YARN，但要记得改掉 mapred-site.xml 的文件名。

 

OK，到这里一个完全分布式的Hadoop集群就搭建完成了！！！接下来你就可以在这个上面玩耍了，虚拟机上面需要注意自己的内存，学习一下完全分布式的搭建，根据自己的电脑配置，可以选择在实验的时候运行伪分布式还是完全分布式，伪分布式利于程序的调试，并且对资源消耗小。本教程只是是满足基本运行需求的配置，并没有对集群进任何优化，所以如果对优化比较有兴趣的童鞋，欢迎你们分享，我也想学学。