如何部署 Hadoop 集群

原创

大数据弄潮儿

修改于 2018-11-07 19:02:58

3.3K0

修改于 2018-11-07 19:02:58

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，而MapReduce则为海量的数据提供了计算。

本指南将教您在云上搭建Hadoop集群。还没有云服务器的同学可以到腾讯云官网点击产品中的云服务器，进行购买。您也可以到这里免费领取一台腾讯云服务器。

Hadoop集群体系结构

在配置主节点和从节点之前，了解Hadoop集群的不同组件非常重要。

主节点保持对分布式文件系统的信息，就像inode上表ext3文件系统，调度资源分配。node-master将在本指南中担任此角色，并托管两个守护进程：

NameNode：管理分布式文件系统，并且知道在集群内部存储的数据块。
ResourceManager：管理YARN工作，发生在从节点保健调度和执行过程。

从节点存储实际数据并提供处理能力以运行作业。它们会是node1和node2，并将托管两个守护进程：

DataNode管理物理存储节点上的实际数据。
NodeManager管理节点上的任务执行。

配置系统

在每个节点上创建主机文件

要使每个节点与其名称进行通信，请编辑该/etc/hosts文件以添加三个服务器的IP地址。不要忘记用您的IP替换样本IP：

/ etc / hosts

192.0.2.1    node-master
192.0.2.2    node1
192.0.2.3    node2

为Hadoop用户分发身份验证密钥对

主节点将使用ssh-connection通过密钥对身份验证连接到其他节点，以管理群集。

以用户身份登录node-masterhadoop，并生成ssh-key：

ssh-keygen -b 4096

将密钥复制到其他节点。将密钥复制到node-master本身也是一种好习惯，这样您也可以根据需要将其用作DataNode。键入以下命令，并hadoop在询问时输入用户密码。如果系统提示您是否将密钥添加到已知主机，请输入yes：

ssh-copy-id -i $HOME/.ssh/id_rsa.pub hadoop@node-master
ssh-copy-id -i $HOME/.ssh/id_rsa.pub hadoop@node1
ssh-copy-id -i $HOME/.ssh/id_rsa.pub hadoop@node2

下载并解压缩Hadoop二进制文件

以用户身份登录到node-masterhadoop，从Hadoop项目页面下载Hadoop tarball ，然后解压缩：

cd
wget http://apache.mindstudios.com/hadoop/common/hadoop-2.8.1/hadoop-2.8.1.tar.gz
tar -xzf hadoop-2.8.1.tar.gz
mv hadoop-2.8.1 hadoop

设置环境变量

将Hadoop二进制文件添加到PATH中。编辑/home/hadoop/.profile并添加以下行：

/home/hadoop/.profile

PATH=/home/hadoop/hadoop/bin:/home/hadoop/hadoop/sbin:$PATH

配置主节点

配置将在node-master上完成并复制到其他节点。

设置JAVA_HOME

获取Java安装路径。如果您从软件包管理器安装了open-jdk，则可以使用以下命令获取路径：

update-alternatives --display java

获取当前链接的值并删除/bin/java。例如在Debian上，链接是/usr/lib/jvm/java-8-openjdk-amd64/jre/bin/java，所以JAVA_HOME应该是/usr/lib/jvm/java-8-openjdk-amd64/jre。

如果从Oracle安装java，JAVA_HOME则是解压缩java存档的路径。

编辑~/hadoop/etc/hadoop/hadoop-env.sh并替换此行：

export JAVA_HOME=${JAVA_HOME}

为您的实际Java安装路径。例如在带有open-jdk-8的Debian上：

~/hadoop/etc/hadoop/hadoop-env.sh

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/jre

设置NameNode位置

在每个节点上更新~/hadoop/etc/hadoop/core-site.xml您要在端口上将NameNode位置设置为node-master9000：

~/hadoop/etc/hadoop/core-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
    <configuration>
        <property>
            <name>fs.default.name</name>
            <value>hdfs://node-master:9000</value>
        </property>
    </configuration>

设置HDFS路径

编辑hdfs-site.conf：

~/hadoop/etc/hadoop/hdfs-site.xml

<configuration>
    <property>
            <name>dfs.namenode.name.dir</name>
            <value>/home/hadoop/data/nameNode</value>
    </property>

    <property>
            <name>dfs.datanode.data.dir</name>
            <value>/home/hadoop/data/dataNode</value>
    </property>

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

最后一个属性：dfs.replication表示在群集中复制数据的次数。您可以设置为2，代表在两个节点上复制所有数据。请勿输入高于实际从属节点数的值。

将YARN设置为Job Scheduler

在~/hadoop/etc/hadoop/，重命名mapred-site.xml.template为mapred-site.xml：

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

编辑文件，将yarn设置为MapReduce操作的默认框架： ~/hadoop/etc/hadoop/mapred-site.xml

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

配置YARN

编辑yarn-site.xml：

~/hadoop/etc/hadoop/yarn-site.xml

<configuration>
    <property>
            <name>yarn.acl.enable</name>
            <value>0</value>
    </property>

    <property>
            <name>yarn.resourcemanager.hostname</name>
            <value>node-master</value>
    </property>

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

配置从属

启动脚本使用slaves文件在所有节点上启动所需的守护程序。编辑~/hadoop/etc/hadoop/slaves为：

~/hadoop/etc/hadoop/slaves

node1
node2

配置内存分配

低RAM节点上的内存分配可能很麻烦，因为默认值不适合RAM少于8GB的节点。本节将重点介绍内存分配如何适用于MapReduce作业，并提供2GB RAM节点的示例配置。

内存分配属性

使用两种资源执行YARN作业：

应用主站（AM）是负责在集群中的监视应用程序和协调分布式执行者。
由AM创建的一些执行程序实际上运行该作业。对于MapReduce作业，它们将并行执行map或reduce操作。

两者都在从属节点上的容器中运行。每个从属节点都运行一个NodeManager守护程序，该守护程序负责在节点上创建容器。整个集群由ResourceManager管理，ResourceManager根据容量要求和当前费用调度所有从节点上的容器分配。

需要正确配置四种类型的资源分配才能使群集正常工作：

单个节点上的YARN容器的分配内存。这个限制应该高于所有其他限制; 否则，容器分配将被拒绝，应用程序将失败。但是，它不应该是节点上的全部RAM。

此值配置yarn-site.xml为yarn.nodemanager.resource.memory-mb。

单个容器可以消耗多少内存以及允许的最小内存分配。容器永远不会大于最大值，否则分配将失败并始终被分配为最小RAM量的倍数。

这些值yarn-site.xml使用yarn.scheduler.maximum-allocation-mb和yarn.scheduler.minimum-allocation-mb。

将为ApplicationMaster分配多少内存。这是一个常量值，应该适合容器的最大大小。

此配置在mapred-site.xml使用yarn.app.mapreduce.am.resource.mb。

将为每个映射分配多少内存或减少操作。这应该小于最大尺寸。

这是mapred-site.xml使用属性mapreduce.map.memory.mb和配置mapreduce.reduce.memory.mb。

所有这些属性之间的关系如下图所示：

2GB节点的示例配置

对于2GB节点，工作配置可能是：

属性	值
yarn.nodemanager.resource.memory-MB	1536
yarn.scheduler.maximum分配-MB	1536
yarn.scheduler.minimum分配-MB	128
yarn.app.mapreduce.am.resource.mb	512
mapreduce.map.memory.mb	256
mapreduce.reduce.memory.mb	256

编辑/home/hadoop/hadoop/etc/hadoop/yarn-site.xml并添加以下行： ~/hadoop/etc/hadoop/yarn-site.xml

   <property>
           <name>yarn.nodemanager.resource.memory-mb</name>
           <value>1536</value>
   </property>
   
   <property>
           <name>yarn.scheduler.maximum-allocation-mb</name>
           <value>1536</value>
   </property>
   
   <property>
           <name>yarn.scheduler.minimum-allocation-mb</name>
           <value>128</value>
   </property>
   
   <property>
           <name>yarn.nodemanager.vmem-check-enabled</name>
           <value>false</value>
   </property>

最后一个属性禁用虚拟内存检查，可以防止在JDK8上正确分配容器。

编辑/home/hadoop/hadoop/etc/hadoop/mapred-site.xml并添加以下行： ~/hadoop/etc/hadoop/mapred-site.xml

   <property>
           <name>yarn.app.mapreduce.am.resource.mb</name>
           <value>512</value>
   </property>
   
   <property>
           <name>mapreduce.map.memory.mb</name>
           <value>256</value>
   </property>
   
   <property>
           <name>mapreduce.reduce.memory.mb</name>
           <value>256</value>
   </property>

每个节点上的重复配置文件

将hadoop二进制文件复制到从属节点：

   cd /home/hadoop/
   scp hadoop-*.tar.gz node1:/home/hadoop
   scp hadoop-*.tar.gz node2:/home/hadoop

通过ssh连接到node1。由于上面复制的ssh密钥，不需要密码：

   ssh node1

解压缩二进制文件，重命名目录，然后退出node1以返回node-master：

   tar -xzf hadoop-2.8.1.tar.gz
   mv hadoop-2.8.1 hadoop
   exit

对node2重复步骤2和3 。
将Hadoop配置文件复制到从属节点：

   for node in node1 node2; do
       scp ~/hadoop/etc/hadoop/* $node:/home/hadoop/hadoop/etc/hadoop/;
   done

格式化HDFS

HDFS需要进行格式化。在node-master上，运行以下命令：

hdfs namenode -format

您的Hadoop安装现已配置并准备运行。

运行并监控HDFS

本节将介绍如何在NameNode和DataNodes上启动HDFS，并监控所有内容是否正常工作以及与HDFS数据交互。

启动和停止HDFS

通过从node-master运行以下脚本来启动HDFS ：

   start-dfs.sh

根据slaves配置文件中的配置，它将在node-master上启动NameNode和SecondaryNameNode，在node1和node2上启动DataNode。

使用jps在每个节点上的命令检查每个进程是否正在运行。你应该使用node-master（PID会有所不同）：

   21922 Jps
   21603 NameNode
   21787 SecondaryNameNode

在node1和node2上：

   19728 DataNode
   19819 Jps

要在主节点和从节点上停止HDFS，请从node-master运行以下命令：

   stop-dfs.sh

监控您的HDFS集群

您可以使用该hdfs dfsadmin命令获取有关运行HDFS群集的有用信息：

   hdfs dfsadmin -report

这将打印所有正在运行的DataNode的信息（例如，容量和使用情况）。要获取所有可用命令的描述，请键入：

   hdfs dfsadmin -help

您还可以自动使用更友好的Web用户界面。将浏览器指向http://node-master-IP:50070，您将获得一个用户友好的监控控制台。

将数据放入HDFS

使用命令完成HDFS的写入和读取hdfs dfs。首先，手动创建主目录。所有其他命令将使用相对于此默认主目录的路径：

hdfs dfs -mkdir -p /user/hadoop

让我们以Gutenberg项目中的一些书为例。

在HDFS中创建books目录。以下命令将在主目录中创建/user/hadoop/books：

   hdfs dfs -mkdir books

从Gutenberg项目中获取一些书籍：

   cd /home/hadoop
   wget -O alice.txt https://www.gutenberg.org/files/11/11-0.txt
   wget -O holmes.txt https://www.gutenberg.org/ebooks/1661.txt.utf-8
   wget -O frankenstein.txt https://www.gutenberg.org/ebooks/84.txt.utf-8

将三本书通过HDFS放在books目录中：

   hdfs dfs -put alice.txt holmes.txt frankenstein.txt books

   hdfs dfs -ls books

将其中一本书移到本地文件系统：

   hdfs dfs -get books/alice.txt

您也可以直接从HDFS打印书籍：

   hdfs dfs -cat books/alice.txt

有许多命令可以管理您的HDFS。有关完整列表，您可以查看Apache HDFS shell文档，或者打印以下帮助：

hdfs dfs -help

运行YARN

HDFS是一个分布式存储系统，它不为集群中的运行和调度任务提供任何服务。这是YARN框架的作用。以下部分介绍如何启动，监控和向YARN提交作业。

启动和停止YARN

使用脚本启动YARN：

   start-yarn.sh

使用该jps命令检查一切是否正在运行。除了以前的HDFS守护程序，您应该在node-master上看到ResourceManager，在node1和node2上看到NodeManager。
要停止YARN，请在node-master上运行以下命令：

   stop-yarn.sh

监控YARN

该yarn命令提供了用于管理YARN群集的实用程序。您还可以使用以下命令打印正在运行的节点的报告：

   yarn node -list

同样，您可以使用以下命令获取正在运行的应用程序列表：

   yarn application -list

要获取该yarn命令的所有可用参数，请参阅Apache YARN文档。

与HDFS一样，YARN提供了更友好的Web UI，默认情况下在8088资源管理器的端口上启动。将浏览器指向http://node-master-ip:8088/并浏览UI：

将MapReduce作业提交给YARN

将Yarn作业打包到jar文件中并提交给YARN以使用yarn jar命令执行。Hadoop安装包提供了可以运行以测试集群的示例应用程序。您将使用它们在之前上传到HDFS的三本书上运行字数统计。

将jar文件提交给YARN。并在node-master上运行：

   yarn jar ~/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8.1.jar wordcount "books/*" output

最后一个参数是保存作业的输出 - 在HDFS中。

作业完成后，您可以通过hdfs dfs -ls output查询HDFS获得结果。如果成功，输出将类似于：

   Found 2 items
   -rw-r--r--   1 hadoop supergroup          0 2017-10-11 14:09 output/_SUCCESS
   -rw-r--r--   1 hadoop supergroup     269158 2017-10-11 14:09 output/part-r-00000

打印结果：

   hdfs dfs -cat output/part-r-00000

结论

至此，您已经在云服务器创建了Hadoop集群。若您感到以上方法过于复杂，可以直接使用腾讯云弹性MapReduce，弹性MapReduce （EMR）结合云技术和 Hadoop、Hive、Spark、Hbase、Storm 等社区开源技术，提供安全、低成本、高可靠、可弹性伸缩的云端托管 Hadoop 服务。您可以在数分钟内创建安全可靠的专属 Hadoop 集群，以分析位于集群内数据节点或 COS 上的 PB 级海量数据。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

存储