Hadoop安装教程_单机/伪分布式配置

当开始着手实践Hadoop时，安装Hadoop往往会成为新手的一道门槛。尽管安装其实很简单，书上有写到，官方网站也有Hadoop安装配置教程，但由于对Linux环境不熟悉，书上跟官网上简略的安装步骤新手往往Hold不住。加上网上不少教程也甚是坑，导致新手折腾老几天愣是没装好，很是打击学习热情。

本教程适合于原生Hadoop2，包括Hadoop2.6.0,Hadoop2.7.1等版本，主要参考了官方安装教程，步骤详细，辅以适当说明，相信按照步骤来，都能顺利安装并运行Hadoop。另外有Hadoop安装配置简略版方便有基础的读者快速完成安装。此外，希望读者们能多去了解一些Linux的知识，以后出现问题时才能自行解决。本教程由给力星出品，转载请注明。

环境

本教程使用Ubuntu14.0464位作为系统环境（Ubuntu12.04也行，32位、64位均可），请自行安装系统。

如果用的是CentOS/RedHat系统，请查看相应的CentOS安装Hadoop教程_单机伪分布式配置。

本教程基于原生Hadoop2，在Hadoop2.6.0(stable)版本下验证通过，可适合任何Hadoop2.x.y版本，例如Hadoop2.4.1。

Hadoop版本

Hadoop有两个主要版本，Hadoop1.x.y和Hadoop2.x.y系列，比较老的教材上用的可能是0.20这样的版本。Hadoop2.x版本在不断更新，本教程均可适用。如果需安装0.20，1.2.1这样的版本，本教程也可以作为参考，主要差别在于配置项，配置请参考官网教程或其他教程。

新版是兼容旧版的，书上旧版本的代码应该能够正常运行（我自己没验证，欢迎验证反馈）。

装好了Ubuntu系统之后，在安装Hadoop前还需要做一些必备工作。

创建hadoop用户

如果你安装Ubuntu的时候不是用的“hadoop”用户，那么需要增加一个名为hadoop的用户。

首先按ctrl+alt+t打开终端窗口，输入如下命令创建新用户:



sudouseradd-mhadoop-s/bin/bash

Shell命令

这条命令创建了可以登陆的hadoop用户，并使用/bin/bash作为shell。

Ubuntu终端复制粘贴快捷键

在Ubuntu终端窗口中，复制粘贴的快捷键需要加上shift，即粘贴是ctrl+shift+v。

接着使用如下命令设置密码，可简单设置为hadoop，按提示输入两次密码：



sudopasswdhadoop

Shell命令

可为hadoop用户增加管理员权限，方便部署，避免一些对新手来说比较棘手的权限问题：



sudoadduserhadoopsudo

Shell命令

最后注销当前用户（点击屏幕右上角的齿轮，选择注销），在登陆界面使用刚创建的hadoop用户进行登陆。

更新apt

用hadoop用户登录后，我们先更新一下apt，后续我们使用apt安装软件，如果没更新可能有一些软件安装不了。按ctrl+alt+t打开终端窗口，执行如下命令：



sudoapt-getupdate

Shell命令

若出现如下“Hash校验和不符”的提示，可通过更改软件源来解决。若没有该问题，则不需要更改。


Ubuntu更新软件源时遇到Hash校验和不符的问题

点击查看：如何更改软件源

后续需要更改一些配置文件，我比较喜欢用的是vim（vi增强版，基本用法相同），建议安装一下（如果你实在还不会用vi/vim的，请将后面用到vim的地方改为gedit，这样可以使用文本编辑器进行修改，并且每次文件更改完成后请关闭整个gedit程序，否则会占用终端）：



sudoapt-getinstallvim

Shell命令

安装软件时若需要确认，在提示处输入y即可。


通过命令行安装软件

安装SSH、配置SSH无密码登陆

集群、单节点模式都需要用到SSH登陆（类似于远程登陆，你可以登录某台Linux主机，并且在上面运行命令），Ubuntu默认已安装了SSHclient，此外还需要安装SSHserver：



sudoapt-getinstallopenssh-server

Shell命令

安装后，可以使用如下命令登陆本机：



sshlocalhost

Shell命令

此时会有如下提示(SSH首次登陆提示)，输入yes。然后按提示输入密码hadoop，这样就登陆到本机了。


SSH首次登陆提示

但这样登陆是需要每次输入密码的，我们需要配置成SSH无密码登陆比较方便。

首先退出刚才的ssh，就回到了我们原先的终端窗口，然后利用ssh-keygen生成密钥，并将密钥加入到授权中：



exit#退出刚才的sshlocalhost

cd~/.ssh/#若没有该目录，请先执行一次sshlocalhost

ssh-keygen-trsa#会有提示，都按回车就可以

cat./id_rsa.pub>>./authorized_keys#加入授权

Shell命令

~的含义

在Linux系统中，~代表的是用户的主文件夹，即“/home/用户名”这个目录，如你的用户名为hadoop，则~就代表“/home/hadoop/”。此外，命令中的#后面的文字是注释。

此时再用sshlocalhost命令，无需输入密码就可以直接登陆了，如下图所示。


SSH无密码登录

安装Java环境

Java环境可选择Oracle的JDK，或是OpenJDK，按http://wiki.apache.org/hadoop/HadoopJavaVersions中说的，新版本在OpenJDK1.7下是没问题的。为图方便，这边直接通过命令安装OpenJDK7。



sudoapt-getinstallopenjdk-7-jreopenjdk-7-jdk

Shell命令

JRE和JDK的区别

JRE（JavaRuntimeEnvironment，Java运行环境），是运行Java所需的环境。JDK（JavaDevelopmentKit，Java软件开发工具包）即包括JRE，还包括开发Java程序所需的工具和类库。

安装好OpenJDK后，需要找到相应的安装路径，这个路径是用于配置JAVA_HOME环境变量的。执行如下命令：



dpkg-Lopenjdk-7-jdk|grep'/bin/javac'

Shell命令

该命令会输出一个路径，除去路径末尾的“/bin/javac”，剩下的就是正确的路径了。如输出路径为/usr/lib/jvm/java-7-openjdk-amd64/bin/javac，则我们需要的路径为/usr/lib/jvm/java-7-openjdk-amd64。

接着配置JAVA_HOME环境变量，为方便，我们在~/.bashrc中进行设置（扩展阅读:设置Linux环境变量的方法和区别）：



vim~/.bashrc

Shell命令

在文件最前面添加如下单独一行（注意=号前后不能有空格），将“JDK安装路径”改为上述命令得到的路径，并保存：



exportJAVA_HOME=JDK安装路径

Shell

如下图所示（该文件原本可能不存在，内容为空，这不影响）：


配置JAVA_HOME变量

接着还需要让该环境变量生效，执行如下代码：



source~/.bashrc#使变量设置生效

Shell命令

设置好后我们来检验一下是否设置正确：



echo$JAVA_HOME#检验变量值

java-version

$JAVA_HOME/bin/java-version#与直接执行java-version一样

Shell命令

如果设置正确的话，$JAVA_HOME/bin/java-version会输出java的版本信息，且和java-version的输出结果一样，如下图所示：


成功配置JAVA_HOME变量

这样，Hadoop所需的Java运行环境就安装好了。

安装Hadoop2

Hadoop2可以通过http://mirror.bit.edu.cn/apache/hadoop/common/或者http://mirrors.cnnic.cn/apache/hadoop/common/下载，一般选择下载最新的稳定版本，即下载“stable”下的hadoop-2.x.y.tar.gz这个格式的文件，这是编译好的，另一个包含src的则是Hadoop源代码，需要进行编译才可使用。

下载时强烈建议也下载hadoop-2.x.y.tar.gz.mds这个文件，该文件包含了检验值可用于检查hadoop-2.x.y.tar.gz的完整性，否则若文件发生了损坏或下载不完整，Hadoop将无法正常运行。

本文涉及的文件均通过浏览器下载，默认保存在“下载”目录中（若不是请自行更改tar命令的相应目录）。另外，本教程选择的是2.6.0版本，如果你用的不是2.6.0版本，则将所有命令中出现的2.6.0更改为你所使用的版本。



cat~/下载/hadoop-2.6.0.tar.gz.mds|grep'MD5'#列出md5检验值

#head-n6~/下载/hadoop-2.7.1.tar.gz.mds#2.7.1版本格式变了，可以用这种方式输出

md5sum~/下载/hadoop-2.6.0.tar.gz|tr"a-z""A-Z"#计算md5值，并转化为大写，方便比较

Shell命令

若文件不完整则这两个值一般差别很大，可以简单对比下前几个字符跟后几个字符是否相等即可，如下图所示，如果两个值不一样，请务必重新下载。


检验文件完整性

我们选择将Hadoop安装至/usr/local/中：



sudotar-zxf~/下载/hadoop-2.6.0.tar.gz-C/usr/local#解压到/usr/local中

cd/usr/local/

sudomv./hadoop-2.6.0/./hadoop#将文件夹名改为hadoop

sudochown-Rhadoop./hadoop#修改文件权限

Shell命令

Hadoop解压后即可使用。输入如下命令来检查Hadoop是否可用，成功则会显示Hadoop版本信息：



cd/usr/local/hadoop

./bin/hadoopversion

Shell命令

相对路径与绝对路径的区别

请务必注意命令中的相对路径与绝对路径，本文后续出现的./bin/...，./etc/...等包含./的路径，均为相对路径，以/usr/local/hadoop为当前目录。例如在/usr/local/hadoop目录中执行./bin/hadoopversion等同于执行/usr/local/hadoop/bin/hadoopversion。可以将相对路径改成绝对路径来执行，但如果你是在主文件夹~中执行./bin/hadoopversion，执行的会是/home/hadoop/bin/hadoopversion，就不是我们所想要的了。

Hadoop单机配置(非分布式)

Hadoop默认模式为非分布式模式，无需进行其他配置即可运行。非分布式即单Java进程，方便进行调试。

现在我们可以执行例子来感受下Hadoop的运行。Hadoop附带了丰富的例子（运行./bin/hadoopjar./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar可以看到所有例子），包括wordcount、terasort、join、grep等。

在此我们选择运行grep例子，我们将input文件夹中的所有文件作为输入，筛选当中符合正则表达式dfs[a-z.]+的单词并统计出现的次数，最后输出结果到output文件夹中。



cd/usr/local/hadoop

mkdir./input

cp./etc/hadoop/*.xml./input#将配置文件作为输入文件

./bin/hadoopjar./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jargrep./input./output'dfs[a-z.]+'

cat./output/*#查看运行结果

Shell命令

执行成功后如下所示，输出了作业的相关信息，输出的结果是符合正则的单词dfsadmin出现了1次


Hadoop单机模式运行grep的输出结果

注意，Hadoop默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将./output删除。



rm-r./output

Shell命令

Hadoop伪分布式配置

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/usr/local/hadoop/etc/hadoop/中，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。

修改配置文件core-site.xml(通过gedit编辑会比较方便:gedit./etc/hadoop/core-site.xml)，将当中的



<configuration>

</configuration>

XML

修改为下面配置：



<configuration>

<property>

<name>hadoop.tmp.dir</name>

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

<description>Abaseforothertemporarydirectories.</description>

</property>

<property>

<name>fs.defaultFS</name>

<value>hdfs://localhost:9000</value>

</property>

</configuration>

XML

同样的，修改配置文件hdfs-site.xml：



<configuration>

<property>

<name>dfs.replication</name>

<value>1</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>

XML

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。

配置完成后，执行NameNode的格式化:



./bin/hdfsnamenode-format

Shell命令

成功的话，会看到“successfullyformatted”和“Exittingwithstatus0”的提示，若为“Exittingwithstatus1”则是出错。


执行namenode格式化

如果在这一步时提示Error:JAVA_HOMEisnotsetandcouldnotbefound.的错误，则说明之前设置JAVA_HOME环境变量那边就没设置好，请按教程先设置好JAVA_HOME变量，否则后面的过程都是进行不下去的。

接着开启NameNode和DataNode守护进程。



./sbin/start-dfs.sh

Shell命令

若出现如下SSH提示，输入yes即可。


启动Hadoop时的SSH提示

启动时可能会出现如下WARN提示：WARNutil.NativeCodeLoader:Unabletoloadnative-hadooplibraryforyourplatform…usingbuiltin-javaclasseswhereapplicable。该WARN提示可以忽略，并不会影响正常使用（该WARN可以通过编译Hadoop源码解决）。

启动Hadoop时提示Couldnotresolvehostname

如果启动Hadoop时遇到输出非常多“ssh:Couldnotresolvehostnamexxx”的异常情况，如下图所示：


启动Hadoop时的异常提示

这个并不是ssh的问题，可通过设置Hadoop环境变量来解决。首先按键盘的ctrl+c中断启动，然后在~/.bashrc中，增加如下两行内容（设置过程与JAVA_HOME变量一样，其中HADOOP_HOME为Hadoop的安装目录）：



exportHADOOP_HOME=/usr/local/hadoop

exportHADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

Shell

保存后，务必执行source~/.bashrc使变量设置生效，然后再次执行./sbin/start-dfs.sh启动Hadoop。

启动完成后，可以通过命令jps来判断是否成功启动，若成功启动则会列出如下进程:“NameNode”、”DataNode”和“SecondaryNameNode”（如果SecondaryNameNode没有启动，请运行sbin/stop-dfs.sh关闭进程，然后再次尝试启动尝试）。如果没有NameNode或DataNode，那就是配置不成功，请仔细检查之前步骤，或通过查看启动日志排查原因。


通过jps查看启动的Hadoop进程

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：

启动时会提示形如“DBLab-XMU:startingnamenode,loggingto/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；

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。

一般出错的提示在最后面，通常是写着Fatal、Error、Warning或者JavaException的地方。

可以在网上搜索一下出错信息，看能否找到一些相关的解决方法。

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）：



#针对DataNode没法启动的解决方法

./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/hdfsnamenode-format#重新格式化NameNode

./sbin/start-dfs.sh#重启

Shell命令

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。


Hadoop的Web界面

运行Hadoop伪分布式实例

上面的单机模式，grep例子读取的是本地数据，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/hdfsdfs-mkdir-p/user/hadoop

Shell命令

接着将./etc/hadoop中的xml文件作为输入文件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。我们使用的是hadoop用户，并且已创建相应的用户目录/user/hadoop，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/hdfsdfs-mkdirinput

./bin/hdfsdfs-put./etc/hadoop/*.xmlinput

Shell命令

复制完成后，可以通过如下命令查看文件列表：



./bin/hdfsdfs-lsinput

Shell命令

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（可以将单机步骤中创建的本地input文件夹，输出结果output文件夹都删掉来验证这一点）。



./bin/hadoopjar./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jargrepinputoutput'dfs[a-z.]+'

Shell命令

查看运行结果的命令（查看的是位于HDFS中的输出结果）：



./bin/hdfsdfs-catoutput/*

Shell命令

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。


Hadoop伪分布式运行grep结果

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/hdfsdfs-getoutput./output#将HDFS上的output文件夹拷贝到本机

cat./output/*

Shell命令

Hadoop运行程序时，输出目录不能存在，否则会提示错误“org.apache.hadoop.mapred.FileAlreadyExistsException:Outputdirectoryhdfs://localhost:9000/user/hadoop/outputalreadyexists”，因此若要再次执行，需要执行如下命令删除output文件夹:



./bin/hdfsdfs-rm-routput#删除output文件夹

Shell命令

运行程序时，输出目录不能存在

运行Hadoop程序时，为了防止覆盖结果，程序指定的输出目录（如output）不能存在，否则会提示错误，因此运行前需要先删除输出目录。在实际开发应用程序时，可考虑在程序中加上如下代码，能在每次运行时自动删除输出目录，避免繁琐的命令行操作：



Configurationconf=newConfiguration();

Jobjob=newJob(conf);

/*删除输出目录*/

PathoutputPath=newPath(args[1]);

outputPath.getFileSystem(conf).delete(outputPath,true);

Java

若要关闭Hadoop，则运行



./sbin/stop-dfs.sh

Shell命令

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！

启动YARN

（伪分布式不启动YARN也可以，一般不会影响程序执行）

有的读者可能会疑惑，怎么启动Hadoop后，见不到书上所说的JobTracker和TaskTracker，这是因为新版的Hadoop使用了新的MapReduce框架（MapReduceV2，也称为YARN，YetAnotherResourceNegotiator）。

YARN是从MapReduce中分离出来的，负责资源管理与任务调度。YARN运行于MapReduce之上，提供了高可用性、高扩展性，YARN的更多介绍在此不展开，有兴趣的可查阅相关资料。

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。

首先修改配置文件mapred-site.xml，这边需要先进行重命名：



mv./etc/hadoop/mapred-site.xml.template./etc/hadoop/mapred-site.xml

Shell命令

然后再进行编辑，同样使用gedit编辑会比较方便些gedit./etc/hadoop/mapred-site.xml：



<configuration>

<property>

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

<value>yarn</value>

</property>

</configuration>

XML

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>

XML

然后就可以启动YARN了（需要先执行过./sbin/start-dfs.sh）：



./sbin/start-yarn.sh#启动YARN

./sbin/mr-jobhistory-daemon.shstarthistoryserver#开启历史服务器，才能在Web中查看任务运行情况

Shell命令

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。


开启YARN

启动YARN之后，运行实例的方法还是一样的，仅仅是资源管理方式、任务调度不同。观察日志信息可以发现，不启用YARN时，是“mapred.LocalJobRunner”在跑任务，启用YARN之后，是“mapred.YARNRunner”在跑任务。启动YARN有个好处是可以通过Web界面查看任务的运行情况：http://localhost:8088/cluster，如下图所示。


开启YARN后可以查看任务运行信息

但YARN主要是为集群提供更好的资源管理与任务调度，然而这在单机上体现不出价值，反而会使程序跑得稍慢些。因此在单机上是否开启YARN就看实际情况了。

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“Retryingconnecttoserver: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。

同样的，关闭YARN的脚本如下：



./sbin/stop-yarn.sh

./sbin/mr-jobhistory-daemon.shstophistoryserver

Shell命令

自此，你已经掌握Hadoop的配置和基本使用了。

附加教程:配置PATH环境变量

在这里额外讲一下PATH这个环境变量（可执行echo$PATH查看，当中包含了多个目录）。例如我们在主文件夹~中执行ls这个命令时，实际执行的是/bin/ls这个程序，而不是~/ls这个程序。系统是根据PATH这个环境变量中包含的目录位置，逐一进行查找，直至在这些目录位置下找到匹配的程序（若没有匹配的则提示该命令不存在）。

上面的教程中，我们都是先进入到/usr/local/hadoop目录中，再执行sbin/hadoop，实际上等同于运行/usr/local/hadoop/sbin/hadoop。我们可以将Hadoop命令的相关目录加入到PATH环境变量中，这样就可以直接通过start-dfs.sh开启Hadoop，也可以直接通过hdfs访问HDFS的内容，方便平时的操作。

同样我们选择在~/.bashrc中进行设置（vim~/.bashrc，与JAVA_HOME的设置相似），在文件最前面加入如下单独一行:

exportPATH=$PATH:/usr/local/hadoop/sbin:/usr/local/hadoop/bin

添加后执行source~/.bashrc使设置生效，生效后，在任意目录中，都可以直接使用hdfs等命令了，读者不妨现在就执行hdfsdfs-lsinput查看HDFS文件试试看。

安装Hadoop集群

在平时的学习中，我们使用伪分布式就足够了。如果需要安装Hadoop集群，请查看Hadoop集群安装配置教程。