Hadoop 简明教程

Hadoop - Enviornment Setup

Hadoop 受 GNU/Linux 平台及其变体支持。因此，我们必须安装 Linux 操作系统以设置 Hadoop 环境。如果你有除 Linux 以外的其他操作系统，则可以在其中安装 Virtualbox 软件，并在 Virtualbox 内使用 Linux。

Pre-installation Setup

在将 Hadoop 安装到 Linux 环境之前，我们需要使用 ` ssh `（安全 Shell）设置 Linux。按照以下步骤设置 Linux 环境。

Creating a User

开始时，建议为 Hadoop 创建一个单独的用户，以将 Hadoop 文件系统与 Unix 文件系统隔离。按照以下步骤创建用户：

  1. 使用命令“su”打开 root。

  2. 使用命令“useradd username”从 root 帐户创建用户。

  3. 现在可以使用命令“su username”打开一个现有用户帐户。

打开 Linux 终端并输入以下命令以创建用户。

$ su
   password:
# useradd hadoop
# passwd hadoop
   New passwd:
   Retype new passwd

SSH Setup and Key Generation

SSH 设置需要对集群执行不同的操作，例如启动、停止、分布式守护程序 shell 操作。要对不同 Hadoop 用户进行身份验证，需要为 Hadoop 用户提供公钥/私钥对，并与不同用户共享。

以下命令用于使用 SSH 生成密钥值对。将公钥窗体 id_rsa.pub 复制到 authorized_keys，并分别向所有者授予 authorized_keys 文件的读写权限。

$ ssh-keygen -t rsa
$ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
$ chmod 0600 ~/.ssh/authorized_keys

Installing Java

Java 是 Hadoop 的主要先决条件。首先，您应该使用 “java -version” 命令验证系统中 java 的存在。java 版本命令的语法如下。

$ java -version

如果一切正常，它将为您提供以下输出。

java version "1.7.0_71"
Java(TM) SE Runtime Environment (build 1.7.0_71-b13)
Java HotSpot(TM) Client VM (build 25.0-b02, mixed mode)

如果您的系统中未安装 java，请按照以下步骤安装 java。

Step 1

访问以下链接下载 java (JDK <最新版本> - X64.tar.gz)：{s0}

然后 jdk-7u71-linux-x64.tar.gz 将下载到您的系统中。

Step 2

通常，您将在“下载”文件夹中找到下载的 java 文件。使用以下命令对其进行验证并解压缩 jdk-7u71-linux-x64.gz 文件。

$ cd Downloads/
$ ls
jdk-7u71-linux-x64.gz

$ tar zxf jdk-7u71-linux-x64.gz
$ ls
jdk1.7.0_71   jdk-7u71-linux-x64.gz

Step 3

为了让所有用户都可以使用 java，您必须将其移动到 “/usr/local/” 位置。打开 root，并键入以下命令。

$ su
password:
# mv jdk1.7.0_71 /usr/local/
# exit

Step 4

为设置 PATH 和 JAVA_HOME 变量，将以下命令添加到 ~/.bashrc 文件。

export JAVA_HOME=/usr/local/jdk1.7.0_71
export PATH=$PATH:$JAVA_HOME/bin

现在将所有更改应用到当前正在运行的系统中。

$ source ~/.bashrc

Step 5

使用以下命令配置 java 替代项 −

# alternatives --install /usr/bin/java java usr/local/java/bin/java 2
# alternatives --install /usr/bin/javac javac usr/local/java/bin/javac 2
# alternatives --install /usr/bin/jar jar usr/local/java/bin/jar 2

# alternatives --set java usr/local/java/bin/java
# alternatives --set javac usr/local/java/bin/javac
# alternatives --set jar usr/local/java/bin/jar

现在，如上所述，从终端验证 java -version 命令。

Downloading Hadoop

使用以下命令从 Apache 软件基金会下载并解压 Hadoop 2.4.1。

$ su
password:
# cd /usr/local
# wget http://apache.claz.org/hadoop/common/hadoop-2.4.1/
hadoop-2.4.1.tar.gz
# tar xzf hadoop-2.4.1.tar.gz
# mv hadoop-2.4.1/* to hadoop/
# exit

Hadoop Operation Modes

下载 Hadoop 后，您可以在三种受支持模式中操作您的 Hadoop 集群 −

  1. Local/Standalone Mode − 在系统中下载 Hadoop 后，默认情况下，它配置为独立模式，并且可以作为单个 java 进程运行。

  2. Pseudo Distributed Mode − 它是单个机器上的分布式仿真。每个 Hadoop 守护进程，例如 hdfs、yarn、MapReduce 等，都将作为单独的 java 进程运行。此模式适用于开发。

  3. Fully Distributed Mode − 此模式分布广泛，至少有两台或多台机器作为集群。我们将在后面的章节中详细了解此模式。

Installing Hadoop in Standalone Mode

这里我们将讨论在独立模式下安装 Hadoop 2.4.1 。

没有正在运行的守护进程，所有内容都在单个 JVM 中运行。独立模式适用于在开发过程中运行 MapReduce 程序，因为它易于测试和调试。

Setting Up Hadoop

您可以通过将以下命令追加到 ~/.bashrc 文件来设置 Hadoop 环境变量。

export HADOOP_HOME=/usr/local/hadoop

在继续之前，您需要确保 Hadoop 正常工作。只需发出以下命令 −

$ hadoop version

如果您的设置一切正常，那么您应该看到以下结果 −

Hadoop 2.4.1
Subversion https://svn.apache.org/repos/asf/hadoop/common -r 1529768
Compiled by hortonmu on 2013-10-07T06:28Z
Compiled with protoc 2.5.0
From source with checksum 79e53ce7994d1628b240f09af91e1af4

这意味着您的 Hadoop 独立模式设置正常工作。默认情况下，Hadoop 配置为在单台机器上以非分布式方式运行。

Example

让我们查看一个 Hadoop 的简单示例。Hadoop 安装提供了以下示例 MapReduce jar 文件，它提供了 MapReduce 的基本功能，且可用于计算，如 Pi 值、给定文件列表中的单词计数等。

$HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.2.0.jar

让我们有一个输入目录，我们将向其中推送几个文件，我们的要求是对这些文件中的单词总数进行计数。要计算单词总数，我们无需编写自己的 MapReduce，前提是 .jar 文件包含单词计数的实现。您可以使用同一个 .jar 文件尝试其他示例；仅需发出以下命令，即可检查 hadoop-mapreduce-examples-2.2.0.jar 文件支持的 MapReduce 函数程序。

$ hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduceexamples-2.2.0.jar

Step 1

在输入目录中创建临时内容文件。您可以在希望工作的任何位置创建这个输入目录。

$ mkdir input
$ cp $HADOOP_HOME/*.txt input
$ ls -l input

它将在您的输入目录中给出以下文件 −

total 24
-rw-r--r-- 1 root root 15164 Feb 21 10:14 LICENSE.txt
-rw-r--r-- 1 root root   101 Feb 21 10:14 NOTICE.txt
-rw-r--r-- 1 root root  1366 Feb 21 10:14 README.txt

这些文件已从 Hadoop 安装主目录中复制。在您的实验中，您可以拥有不同且较大型的文件集。

Step 2

让我们开始 Hadoop 进程，以计算输入目录中所有可用文件中的单词总数，如下所示 −

$ hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduceexamples-2.2.0.jar  wordcount input output

Step 3

步骤 2 将执行所需的处理，并将输出保存在 output/part-r00000 文件中，您可使用 − 进行检查

$cat output/*

它将列出输入目录中所有可用文件中的所有单词及其总计数。

"AS      4
"Contribution" 1
"Contributor" 1
"Derivative 1
"Legal 1
"License"      1
"License");     1
"Licensor"      1
"NOTICE”        1
"Not      1
"Object"        1
"Source”        1
"Work”    1
"You"     1
"Your")   1
"[]"      1
"control"       1
"printed        1
"submitted"     1
(50%)     1
(BIS),    1
(C)       1
(Don't)   1
(ECCN)    1
(INCLUDING      2
(INCLUDING,     2
.............

Installing Hadoop in Pseudo Distributed Mode

按照以下步骤在伪分布模式下安装 Hadoop 2.4.1。

Step 1 − Setting Up Hadoop

您可以通过将以下命令追加到 ~/.bashrc 文件来设置 Hadoop 环境变量。

export HADOOP_HOME=/usr/local/hadoop
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME

export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin
export HADOOP_INSTALL=$HADOOP_HOME

现在将所有更改应用到当前正在运行的系统中。

$ source ~/.bashrc

Step 2 − Hadoop Configuration

您可以在 “$HADOOP_HOME/etc/hadoop” 位置找到所有 Hadoop 配置文件。根据您的 Hadoop 基础架构，需要更改这些配置文件中的内容。

$ cd $HADOOP_HOME/etc/hadoop

为使用 java 开发 Hadoop 程序，您必须在 hadoop-env.sh 文件中通过将 JAVA_HOME 值替换为系统中 java 的位置来重置 java 环境变量。

export JAVA_HOME=/usr/local/jdk1.7.0_71

以下是要编辑以配置 Hadoop 的文件列表。

core-site.xml

core-site.xml 文件包含信息，例如用于 Hadoop 实例的端口号、分配给文件系统内存、用于存储数据的内存限制和读/写缓冲区的大小。

打开 core-site.xml，并在 <configuration>、</configuration> 标记之间添加以下属性。

<configuration>
   <property>
      <name>fs.default.name</name>
      <value>hdfs://localhost:9000</value>
   </property>
</configuration>

hdfs-site.xml

hdfs-site.xml 文件包含有关复制数据的值、名称节点路径和本地文件系统的 DataNode 路径的信息。也就是说，您想将 Hadoop 基础架构存储在什么位置。

让我们假设以下数据。

dfs.replication (data replication value) = 1

(In the below given path /hadoop/ is the user name.
hadoopinfra/hdfs/namenode is the directory created by hdfs file system.)
namenode path = //home/hadoop/hadoopinfra/hdfs/namenode

(hadoopinfra/hdfs/datanode is the directory created by hdfs file system.)
datanode path = //home/hadoop/hadoopinfra/hdfs/datanode

打开此文件，并在该文件中的 <configuration> </configuration> 标记之间添加以下属性。

<configuration>
   <property>
      <name>dfs.replication</name>
      <value>1</value>
   </property>

   <property>
      <name>dfs.name.dir</name>
      <value>file:///home/hadoop/hadoopinfra/hdfs/namenode </value>
   </property>

   <property>
      <name>dfs.data.dir</name>
      <value>file:///home/hadoop/hadoopinfra/hdfs/datanode </value>
   </property>
</configuration>

Note − 在上述文件中，所有属性值都是用户定义的，您可以根据 Hadoop 基础架构进行更改。

yarn-site.xml

此文件用于将 Yarn 配置到 Hadoop 中。打开 yarn-site.xml 文件并在该文件中的 <configuration>、</configuration> 标记之间添加以下属性。

<configuration>
   <property>
      <name>yarn.nodemanager.aux-services</name>
      <value>mapreduce_shuffle</value>
   </property>
</configuration>

mapred-site.xml

此文件用于指定我们使用的 MapReduce 框架。默认情况下，Hadoop 包含 yarn-site.xml 的模板。首先，需要使用以下命令将文件从 mapred-site.xml.template 复制到 * mapred-site.xml* 文件。

$ cp mapred-site.xml.template mapred-site.xml

打开 mapred-site.xml 文件，并在该文件中的 <configuration>、</configuration> 标记之间添加以下属性。

<configuration>
   <property>
      <name>mapreduce.framework.name</name>
      <value>yarn</value>
   </property>
</configuration>

Verifying Hadoop Installation

以下步骤用于验证 Hadoop 安装。

Step 1 − Name Node Setup

使用命令 “hdfs namenode -format” 设置名称节点，如下所示。

$ cd ~
$ hdfs namenode -format

预期结果如下所示。

10/24/14 21:30:55 INFO namenode.NameNode: STARTUP_MSG:
/************************************************************
STARTUP_MSG: Starting NameNode
STARTUP_MSG:   host = localhost/192.168.1.11
STARTUP_MSG:   args = [-format]
STARTUP_MSG:   version = 2.4.1
...
...
10/24/14 21:30:56 INFO common.Storage: Storage directory
/home/hadoop/hadoopinfra/hdfs/namenode has been successfully formatted.
10/24/14 21:30:56 INFO namenode.NNStorageRetentionManager: Going to
retain 1 images with txid >= 0
10/24/14 21:30:56 INFO util.ExitUtil: Exiting with status 0
10/24/14 21:30:56 INFO namenode.NameNode: SHUTDOWN_MSG:
/************************************************************
SHUTDOWN_MSG: Shutting down NameNode at localhost/192.168.1.11
************************************************************/

Step 2 − Verifying Hadoop dfs

以下命令用于启动 DFS。执行此命令将启动您的 Hadoop 文件系统。

$ start-dfs.sh

预期输出如下所示 −

10/24/14 21:37:56
Starting namenodes on [localhost]
localhost: starting namenode, logging to /home/hadoop/hadoop
2.4.1/logs/hadoop-hadoop-namenode-localhost.out
localhost: starting datanode, logging to /home/hadoop/hadoop
2.4.1/logs/hadoop-hadoop-datanode-localhost.out
Starting secondary namenodes [0.0.0.0]

Step 3 − Verifying Yarn Script

以下命令用于启动 Yarn 脚本。执行此命令将启动您的 Yarn 守护程序。

$ start-yarn.sh

预期输出如下所示 −

starting yarn daemons
starting resourcemanager, logging to /home/hadoop/hadoop
2.4.1/logs/yarn-hadoop-resourcemanager-localhost.out
localhost: starting nodemanager, logging to /home/hadoop/hadoop
2.4.1/logs/yarn-hadoop-nodemanager-localhost.out

Step 4 − Accessing Hadoop on Browser

访问 Hadoop 的默认端口号为 50070。使用以下网址在浏览器上获取 Hadoop 服务。

http://localhost:50070/
hadoop on browser

Step 5 − Verify All Applications for Cluster

访问集群所有应用程序的默认端口号为 8088。使用以下网址访问此服务。

http://localhost:8088/
hadoop application cluster