如何在 Ubuntu 上安装配置 Hadoop
版本
- JDK: 8u221
- Hadoop: 3.1.2
下载
首先点击这里,进入 Hadoop 官网下载页面。
选择 3.0.3 版本进行下载,然后点击 binary 地址进行下载
选中官方推荐的地址即可下载,其他地址也可用(建议采用迅雷等下载工具下载,速度比较会快很多,上传至 UBUNTU 系统)
或者使用 wget
命令进行下载
1 | wget http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-3.1.2/hadoop-3.1.2.tar.gz |
HOSTS
Hosts 是一个没有扩展名的系统文件,可以用记事本等工具打开,其作用就是将一些常用的网址域名与其对应的 IP 地址建立一个关联 “数据库”,当用户在浏览器中输入一个需要登录的网址时,系统会首先自动从 Hosts 文件中寻找对应的 IP 地址,一旦找到,系统会立即打开对应网页,如果没有找到,则系统会再将网址提交 DNS 域名解析服务器进行 IP 地址的解析。
为了机器能够快速识别自己以及其他机器,我们可以做一下域名和 IP 的 hosts 映射,这样在之后的操作中,我们就可以直接用域名来代替 IP 地址
伪分布模式
使用 vi /etc/hosts
命令添加 master 映射,并修改 localhost
1 | 本机IP localhost |
全分布模式
全分布模式下,需要你在每一台机器都设置好 hosts,例如我有三台机器,IP 分别为 192.168.0.1
192.168.0.2
192.168.0.3
,那么 master 主节点机器的 hosts 内容就如下进行设置
1 | 192.168.0.1 localhost |
方便计算机互相连接
SSH
简介
SSH 为 Secure Shell 的缩写,由 IETF 的网络小组(Network Working Group)所制定;SSH 为建立在应用层基础上的安全协议。SSH 是目前较可靠,专为远程登录会话和其他网络服务提供安全性的协议。
安装
Ubuntu 中一般默认安装了 ssh,如果没有安装,可以使用下面的命令进行安装
1 | sudo apt-get install openssh-server |
由于我的 Ubuntu 服务器已经安装好了 SSH,所以提示我无需安装。安装好后,我们需要启动一下 SSH 服务。
查看并启动 SSH
1 | sudo ps -e | grep ssh |
其中 ps -e
表示查看当前的进程,-e 表示显示全部,效果同 - Agrep ssh
即 grep match_pattern
,是正则表达式,它会获取包含 match_pattern 的文本段
当有类似如上结果显示时,表示服务器的 SSH 服务正在运行中。如果没有则需要启动 SSH 服务,可以运行下面的命令:
1 | service ssh start |
或者
1 | service ssh restart |
查看并修改 SSH 设置
SSH 的配置文件一般在 /etc/ssh/sshd_config
中
可以使用下面的命令编辑,或者使用 gedit
编辑
1 | vi /etc/ssh/sshd_config |
老版本的话,可能需要做如下修改才行。如果有 PermitRootLogin without-password
, 加一个”#” 号,注释掉该行,并增加一句 PermitRootLogin yes
生成密钥对
使用下面的命令
1 | ssh-keygen -t rsa |
该命令将在~/.ssh 目录下面产生一个密钥 id_rsa 和一个公钥 id_rsa.pub
将你的计算机 (A) 中的公钥传给别的计算机 (B),你才能免密码登录到计算机 B
免密登录本机
首先使用下面的命令,将公钥发放给自己
1 | cp ~/.ssh/id_rsa.pub ~/.ssh/authorized_keys |
你可以进入 ~/.ssh/
路径下,更方便的进行操作
需要查看 authorized_keys
文件的权限,需要保证是 600,
如果权限不正确,请使用下面的命令
1 | chmod 600 authorized_keys |
然后使用下面的命令,免密连接本机
1 | ssh localhost |
当有类似结果如上图所示,表示你已经可以成功免密登录了
全分布模式 (免密登录到别的计算机)
如果你需要登录到别的计算机,你需要将 id_rsa.pub
发送给别的电脑同样的路径,保存到 authorized_keys
文件中,如果对方计算机也要免密登录到你的计算机,也需要将它的 id_rsa.pub
发送到你的电脑同样的路径,保存到 authorized_keys
文件中
如果是多个计算机,比如三个(master slave1 slave2), 最方便的方法就是,每台计算机先运行 ssh-keygen -t rsa
生成 id_rsa.pub
文件,然后创建一个记事本,将 3 个 id_rsa.pub
文件中的内容都保存起来,然后重命名为 authorized_keys
,然后使用下面 scp
命令,直接发放给每台计算机,发放时需要输入每天计算机密码,设置完毕后,再进行传输就不需要了
1 | scp ~/.ssh/authorized_keys slave1:~/.ssh/authorized_keys |
记得检查权限
环境配置
下载完毕后,使用下面的命令,将 hadoop 解压出来,并移动到合适的位置,我解压到了 /opt
目录下
1 | tar -zxvf ./hadoop-3.1.2.tar.gz -C /opt |
之后,需要配置以下的环境变量
使用 vi 命令编辑 vi /etc/profile
,添加下面的环境变量
1 | # HADOOP |
添加完毕保存后,使用 source /etc/profile
更新环境变量
更新环境变量后,可以命令 hdfs
来检查环境变量是否配置成功
当有类似的命令提示如上图所示,表示你已经成功配置好环境变量了
部署
hadoop 的部署分为 3 种模式,分别为单机模式 伪分布模式 (单节点) 全分布模式三种
无论部署哪种模式,我们都需要先配置环境变量,我们选择配置系统变量,无论是否是当前路径都可以使用
单机模式
如果你只是进行单节点运行,那么你现在已经完成安装了,不需要启动,可以直接进入测试环节
伪分布模式
首先打开 /opt/hadoop-3.2.0/etc/hadoop
这个目录,分别编辑下面几个文件,根据个人需求更改参数:
core-site.xml
1 | <configuration> |
master 在 hosts 文件中做了映射,可以替换成本机 IP
hadoop 有时候并不能自己创建 namenode 和 datanode 文件夹,可以运行下面的命令手动创建这 2 个文件夹
1 | mkdir -p /opt/data/namenode |
hdfs-site.xml
1 | <configuration> |
yarn-site.xml
1 | <configuration> |
mapred-site.xml
1 | <configuration> |
hadoop-env.sh
在任意地方添加 JAVA_HOME
1 | export JAVA_HOME=你的JDK安装地址 |
所有配置文件修改完毕后,进入 hadoop 初始化步骤
全分布模式
首先打开 /opt/hadoop-3.2.0/etc/hadoop
这个目录,分别编辑下面几个文件,根据个人需求更改参数:
core-site.xml
1 | <configuration> |
master 在 hosts 文件中做了映射,可以替换成本机 IP
hadoop 有时候并不能自己创建 namenode 和 datanode 文件夹,可以运行下面的命令手动创建这 2 个文件夹
1 | mkdir -p /opt/data/namenode |
hdfs-site.xml
1 | <configuration> |
如果你只有 3 个 datanode,但是你却指定副本数为 4,是不会生效的,因为每个 datanode 上只能存放一个副本。
yarn-site.xml
1 | <configuration> |
mapred-site.xml
1 | <configuration> |
workers
1 | master |
老版本文件名为 slaves,配置的是所有的从节点,用 IP 也可以,所有配置文件修改完毕后,进入 hadoop 初始化步骤
Hadoop 初始化
允许 root 账户运行
使用下面的命令进入 hadoop 脚本路径
1 | cd $HADOOP_HOME/sbin/ |
使用 vi
编辑 start-dfs.sh
和 stop-dfs.sh
添加
1 | HDFS_DATANODE_USER=root |
使用 vi
编辑 start-yarn.sh
和 stop-yarn.sh
添加
1 | YARN_RESOURCEMANAGER_USER=root |
hdfs 初始化
伪分布模式
然后使用下面的命令初始化 hdfs
1 | hdfs namenode -format |
格式化完毕后,如图所示,则表示初始化成功,如果初始化失败,需要用下面的命令手动清空 namenode 和 datanode 文件夹,调整配置后,重新初始化
1 | rm -rf /opt/data/namenode/* |
全分布模式
集群模式下,不能能只在主机进行 hdfs 初始化,还需要到每一台机子中运行下面的命令进行 hdfs 初始化
1 | hdfs namenode -format |
启动 Hadoop
伪分布模式
初始化完毕后,我们就可以使用下面的命令启动 hadoop 了
1 | start-yarn.sh & start-dfs.sh |
启动完毕后可以使用 jps
命令查看启动的 hadoop 进程
可以访问 http://master:8088 查看所有任务的运行情况
可以访问 http://master:9870 查看 Hadoop 集群运行情况
至此整个 hadoop 就搭建好了
全分部模式
Namenode
1 | hdfs --daemon start namenode |
Datanode
1 | hdfs --daemon start datanode |
你可以使用上面的命令挨个启动 namenode 和 datanode,如果已配置好 workers 和 ssh 免密登录,你可以使用下面的命令调用脚本直接启动所有 hdfs 进程
1 | start-dfs.sh |
ResourceManager
1 | yarn --daemon start resourcemanager |
NodeManager
1 | yarn --daemon start nodemanager |
你可以使用上面的命令挨个启动 resourcemanager 和 nodemanager,如果已配置好 workers 和 ssh 免密登录,你可以使用下面的命令调用脚本直接启动所有 yarn 进程
1 | start-yarn.sh |
案例测试
词频统计
可以使用下面的命令进行一个 wordcount 的测试程序 (命令已进行版本兼容,不需要修改直接运行即可)
1 | mkdir input |
之后通过 ls
查看当前目录下的文件
使用下面的命令可查看词频统计的结果
1 | cat output/part-r-00000 |
当有类似的结果如上图所示,表示你已经成功搭建好了 hadoop 单机模式,并测试成功
PI 值计算
我们可以使用一个简单的例子来测试一下 hadoop 是否能够正常运行
我们从 hadoop 安装文件夹,启动一个终端,使用下面的命令,计算 pi 值
1 | hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar pi 10 10 |
如图所示,我们计算量比较少导致不够精确,但是已经可以成功运算出 pi 值了