CentOS 6.5上搭建Hadoop环境详解

mypkm 2016-08-24

展开全文

本文详细记录在开发服务器CentOS 6.5上搭建Hadoop的详细过程。

ssh连接免密码配置

由于配置过程中需要频繁的进行ssh连接到开发服务器执行命令以及通过scp命令向服务器拷贝文件等依赖ssh连接的操作。所以，配置本地环境跟服务器之间的ssh免密码连接可以有效的提升工作效率。

由于我本机已经生成过公钥，所以我只需将已有的公钥拷贝到服务器即可。推荐使用ssh-copy-id命令，简单又不会出错。手动copy 再append的公钥文件尾，容易因为操作问题，造成无法正确识别公钥。

注：如果你没有生成过公钥，可通过ssh-keygen命令生成公钥。走默认配置即可。

在我的mac上，居然还没有安装ssh-copy-id命令。通过brew 命令安装即可。

brew install ssh-copy-id

然后copy公钥到指定主机

ssh-copy-id root@172.20.2.14

其中， root@172.20.2.14改为你需要访问的服务器的用户名@IP。根据提示输入一次密码。成功后，所有基于ssh的命令你只需要通过用户名@IP 即可直接访问服务器。

新用户、用户组创建

为了更好的权限控制，养成良好的Linux使用习惯，我们首先创建一个管理和使用hadoop集群的用户(组)dps-hadoop。这也是hadoop集群管理所需要的环境配置。

groupadd dps-hadoop
useradd -d /home/dps-hadoop -g dps-hadoop dps-hadoop

考虑到难免需要使用sudo提权的情况，给该用户配置到sudo名单下, 修改/etc/sudoers文件。

vim /etc/sudoers

新增一行记录：

dps-hadoop ALL=(ALL) ALL

此后，我们均使用dps-hadoop用户进行操作。

配置本地DNS服务器

之前我介绍了如何用Docker搭建本地的DNS服务器，这里终于派上用处。如果你没有本地DNS服务器，那么你修改/etc/hosts文件也可以。对于CentOS，临时生效的配置文件在

/etc/resolv.conf

你可以看到该文件开头提示你，该文件是自动生成的。重启网络服务会覆盖，永久配置修改

/etc/sysconfig/network-scripts/ifcfg-eth0

修改其中的

DNS1=172.20.2.24

其中ifcfg-eth0，改为你自己的网卡名即可。

安装JDK

Hadoop是Java开发的，自然需要依赖jre运行。我采用了比较本的方法，现在Oracle官网下载jdk-8u77到本地，再通过scp命令拷贝到服务器的方式。进入jdk所在文件夹执行

scp jdk-8u77-linux-x64.rpm dps-hadoop@172.20.2.14:~/download

其实通过wget也可以下载，但是网上给出的命令

wget --no-cookie --no-check-certificate --header 'Cookie: gpw_e24=http%3A%2F%2Fwww.oracle.com%2F' http://download.oracle.com/otn-pub/java/jdk/7u10-b18/jdk-7u10-linux-i586.rpm

我试了多次均未成功。我自己有个笨方法，就是先通过浏览器获取下载获取到真正的下载地址

然后再通过wget下载：

wget http://download.oracle.com/otn-pub/java/jdk/8u77-b03/jdk-8u77-linux-x64.rpm?AuthParam=1460511903_6b2f8345927b3fc4f961fbcaba6a01b3

下载后，你可能需要进行一次重命名，将多余的?AuthParam后缀去掉。

mv jdk-8u77-linux-x64.rpm?AuthParam=1460511903_6b2f8345927b3fc4f961fbcaba6a01b3 jdk-8u77-linux-x64.rpm

最后，安装jdk

rpm -i jdk-8u77-linux-x64.rpm

配置JAVA_HOME

修改dps-hadoop用户自己的环境变量配置文件。

vim ~/.bashrc

注意：网上提到了配置环境变量的方式有很多，粗暴的就是直接配置在/etc/environment或/etc/profile等全局配置文件中，对所有用户生效。不推荐这种做法。对于用户级的变量也有两个~/.bash_profile和~/.bashrc，区别请自行研究。如果你想通过执行start-dfs.sh等脚本，远程起停hadoop集群，那么请配置在~/.bashrc中，否则hadoop会找不到你配置的环境变量。

例如：Error: JAVA_HOME is not set and could not be found.

添加

export JAVA_HOME='/usr/java/jdk1.8.0_77'

不建议配置到/etc/environment 下，因为会对所有用户生效。

安装Hadoop 2.6.4

根据官网介绍，Hadoop项目实际包含以下模块：

Hadoop Common: The common utilities that support the other Hadoop modules.

Hadoop Distributed File System (HDFS?): A distributed file system that provides high-throughput access to application data.

Hadoop YARN: A framework for job scheduling and cluster resource management.

Hadoop MapReduce: A YARN-based system for parallel processing of large data sets.

首先，直接通过wget，从镜像站下载。

wget http://mirrors./apache/hadoop/common/hadoop-2.6.4/hadoop-2.6.4.tar.gz

解压到用户目录

tar -xvzf hadoop-2.6.4.tar.gz -C ~/

配置HADOOP_HOME，同样修改~/.bashrc文件。增加

export HADOOP_HOME='/home/dps-hadoop/hadoop-2.6.4'

在其他节点重复上述所有配置操作。

添加用户

配置dps-hadoop用户，从master到各slave节点间的ssh免密码访问。

修改DNS服务器地址

安装JDK

下载解压Hadoop

配置Hadoop环境变量

配置集群

从模块角度理解，配置hadoop集群应包括HDFS、YARN和MapReduce这三部分配置。

HDFS配置

不考虑调优，仅从功能可运行上来理解，HDFS配置需要分别配置namenode、datanode的ip和端口号。数据备份份数。数据存放地址。因此配置如下：

namenode

core-site.xml

<configuration>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/dps-hadoop/tmpdata</value>
</property>
<property>
<name>fs.default.name</name>
<value>hdfs://master:54000/</value>
</property></configuration>

hdfs-site.xml

<configuration>

<property>
<name>dfs.namenode.name.dir</name>
<value>/home/dps-hadoop//namedata</value>
</property>
<property>
<name>dfs.replication</name>
<value>2</value>
</property></configuration>

Datanode

core-site.xml

hdfs-site.xml

<configuration>

<property>
<name>dfs.datanode.data.dir</name>
<value>/home/dps-hadoop/datadir</value>
</property></configuration>

这里只有core-site.xml里的hadoop.tmp.dir的配置是我们之前没有提到的。该配置是修改临时文件的存储路径，避免因为系统重启造成的临时文件的丢失，从而导致集群不可能用的情况出现。

2016-04-28注：

<property>
<name>fs.default.name</name>
<value>hdfs://master:54000/</value>
</property>

该配置必须配置在core-site.xml配置文件中，之前的配置是错误的。否则，各个hdfs节点不在一个集群中。

启动HDFS集群

跟使用硬盘一样，HDFS使用前也需要格式化

bin/hdfs namenode -format

然后启动

sbin/start-dfs.sh

通过控制台，可查看HDFS集群状态

http://172.20.2.14:50070/

一个插曲

启动时候发现一个WARN日志。

16/04/19 13:59:18 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable

无法加载本地库。从stackoverflow上答案来看，主要有三种可能。

没有指定java.library.path环境变量。

本地库跟系统不兼容。（64位系统，提供的是32位的本地库）

GLIBC版本不兼容

通过file命令查看

file lib/native/*

已经是64位的本地库。

修改log4j.properties 打开本地加载的debug级别

log4j.logger.org.apache.hadoop.util.NativeCodeLoader=DEBUG

再次启动发现问题

16/04/19 14:27:00 DEBUG util.NativeCodeLoader: Failed to load native-hadoop with error: java.lang.UnsatisfiedLinkError: /home/dps-hadoop/hadoop-2.6.4/lib/native/libhadoop.so.1.0.0: /lib64/libc.so.6: version `GLIBC_2.14’ not found (required by /home/dps-hadoop/hadoop-2.6.4/lib/native/libhadoop.so.1.0.0)

通过

ldd --version

发现我本地环境的版本是2.12的。这个不升级系统版本很难解决。把log 改成ERROR，暂时眼不见心不烦吧。

YARN配置

在YARN里，主节点称为ResourceManager，从节点称为NodeManager。根据理解，需要告知NodeManager, ResouceManager的通信地址。对于ResourceManager来说，所以的从节点已经配置在slaves中了。因此，配置如下：

NodeManager

yarn-site.xml

<configuration>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>master</value>
</property></configuration>

启动yarn，主节点执行

.sbin/start-yarn.sh

MapReduce JobHistoryServer

对于MapReduce，默认无需特殊配置。Hadoop提供了一个管理任务执行历史的服务JobHistoryServer。按需启动即可。