当前位置: > Linux集群 > Hadoop >

Hadoop的shell脚本分析

时间:2014-11-04 17:20来源:www.it.net.cn 作者:IT网

Hadoop的shell脚本分析
前记:
这些天一直学习hadoop,学习中也遇到了许多的问题,主要是对hadoop的shell脚本和hadoop的源码概念不够清楚,所以我就对hadoop的bin目录下的shell脚本进行了研究,有一些成果想记录下来,也希望大家前来批评指正。

分析原因:

很多hadoop的初学者对hadoop的脚本不是很清楚,不知道为什么可以在命令行中启动hadoop,也不知道为什么有时在命令行中运行hadoop 命令时会出现java的错误。等等这些问题,究其原因我认为是大家对shell脚本不太了解。我曾学过一些shell编程的知识,可是对hadoop的 shell程序细节还不是全部了解,我想从宏观上分析一下hadoop脚本的运行流程。

脚本分析:

start-all.sh:

Java代码  收藏代码

  1. # Start all hadoop daemons.  Run this on master node.  

  2.   

  3. bin=`dirname "$0"`  

  4. bin=`cd "$bin"; pwd`  

  5.   

  6. "$bin"/hadoop-config.sh  

  7.   

  8. # start dfs daemons  

  9. "$bin"/start-dfs.sh --config $HADOOP_CONF_DIR  

  10.   

  11. # start mapred daemons  

  12. "$bin"/start-mapred.sh --config $HADOOP_CONF_DIR  

 

分析:
正如注释的一样,这个脚本是在master上运行的,即我们运行namenode和jobtracker的主机。它首先启动了hadoop- config.sh脚本,查看hadoop-config.sh,我们可以知道它的作用是对一些变量进行赋值,这些变量有 HADOOP_HOME(hadoop的安装目录),HADOOP_CONF_DIR(hadoop的配置文件目 录),HADOOP_SLAVES(--hosts指定的文件的地址),为了让大家更好地理解,下面贴出hadoop-config.sh的部分代码

 

Java代码  收藏代码

  1. #check to see it is specified whether to use the slaves or the  

  2. # masters file  

  3. if [ $# -gt 1 ]  

  4. then  

  5.     if [ "--hosts" = "$1" ]  

  6.     then  

  7.         shift  

  8.         slavesfile=$1  

  9.         shift  

  10.         export HADOOP_SLAVES="${HADOOP_CONF_DIR}/$slavesfile"  

  11.     fi  

 

前面的注释意思是:判断是使用slaves文件,还是master文件,这里为 什么要判断呢?那我们带着疑问接着分析下去吧。然后start-all.sh根据hadoop/conf目录下的配置信息启动了start-dfs.sh 和start-mapred.sh两个脚本,下面我们去看看这两个脚本又做了些什么吧。

start-dfs.sh:

Java代码  收藏代码

  1. # Start hadoop dfs daemons.  

  2. # Optinally upgrade or rollback dfs state.  

  3. # Run this on master node.  

  4.   

  5. usage="Usage: start-dfs.sh [-upgrade|-rollback]"  

  6.   

  7. bin=`dirname "$0"`  

  8. bin=`cd "$bin"; pwd`  

  9.   

  10. "$bin"/hadoop-config.sh  

  11.   

  12. # get arguments  

  13. if [ $# -ge 1 ]; then  

  14.     nameStartOpt=$1  

  15.     shift  

  16.     case $nameStartOpt in  

  17.       (-upgrade)  

  18.         ;;  

  19.       (-rollback)   

  20.         dataStartOpt=$nameStartOpt  

  21.         ;;  

  22.       (*)  

  23.           echo $usage  

  24.           exit 1  

  25.         ;;  

  26.     esac  

  27. fi  

  28.   

  29. # start dfs daemons  

  30. # start namenode after datanodes, to minimize time namenode is up w/o data  

  31. # note: datanodes will log connection errors until namenode starts  

  32. "$bin"/hadoop-daemon.sh --config $HADOOP_CONF_DIR start namenode $nameStartOpt  

  33. "$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR start datanode $dataStartOpt  

  34. "$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR --hosts masters start secondarynamenode  

 

分析:
根据前面的注释信息,我们发现这个脚本用于启动集群的DFS,我们知道DFS由namenode,datanode,secondarynamenode 组成,所以在脚本的最后它又启动了3个进程,分别根据配置文件启动了namenode,datanode,secondarynamenode。其实这个 时候你应该已经知道start-mapred.sh干了什么事了。

start-mapred.sh:

Java代码  收藏代码

  1. # Start hadoop map reduce daemons.  Run this on master node.  

  2.   

  3. bin=`dirname "$0"`  

  4. bin=`cd "$bin"; pwd`  

  5.   

  6. "$bin"/hadoop-config.sh  

  7.   

  8. # start mapred daemons  

  9. # start jobtracker first to minimize connection errors at startup  

  10. "$bin"/hadoop-daemon.sh --config $HADOOP_CONF_DIR start jobtracker  

  11. "$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR start tasktracker  

 

分析:
正如你所想,它的作用用于启动mapreduce,所以它的最后同样根据配置文件启动了jobtracker和tasktracker,呵呵,现在发现其 实脚本干的事没有想象的那么难了吧。如果你对shell代码看得仔细一点,你会发现hadoop-daemon.sh脚本用于启动namenode和 jobtracker,而hadoop-daemons.sh脚本用于启动datanode,secondarynamenode和 tasktracker。也就是说hadoop-daemon.sh用于启动master上的进程,而hadoop-daemons.sh用于启动 slaves和secondarynamenode主机上的进程(这里考虑的是slaves,secondarynamenode和master配置在了 不同主机上的情况)。如果我们分析一下它们俩的代码,你会发现其实它们是有联系的。

hadoop-daemons.sh:

Java代码  收藏代码

  1. # Run a Hadoop command on all slave hosts.  

  2.   

  3. usage="Usage: hadoop-daemons.sh [--config confdir] [--hosts hostlistfile] [start|stop] command args..."  

  4.   

  5. if no args specified, show usage  

  6. if [ $# -le 1 ]; then  

  7.   echo $usage  

  8.   exit 1  

  9. fi  

  10.   

  11. bin=`dirname "$0"`  

  12. bin=`cd "$bin"; pwd`  

  13.   

  14. . $bin/hadoop-config.sh  

  15.   

  16. exec "$bin/slaves.sh" --config $HADOOP_CONF_DIR cd "$HADOOP_HOME" \; "$bin/hadoop-daemon.sh" --config $HADOOP_CONF_DIR "$@"  

 

分析:
看到程序倒数第二行开头的那个exec关键字了吗?它执行了slaves.sh和hadoop-daemon.sh两个脚本,并且把hadoop- daemons.sh命令的参数也传入了hadoop-daemon.sh。呵呵,现在你知道这两个脚本的关系了吧,其实hadoop- daemons.sh中调用了hadoop-daemon.sh,但在调用之前它先执行了slaves.sh脚本,现在你想看看slaves.sh干了啥 吗?呵呵,我们也来分析一下吧。


slaves.sh:

Java代码  收藏代码

  1. if [ "$HOSTLIST" = "" ]; then  

  2.   if [ "$HADOOP_SLAVES" = "" ]; then  

  3.     export HOSTLIST="${HADOOP_CONF_DIR}/slaves"  

  4.   else  

  5.     export HOSTLIST="${HADOOP_SLAVES}"  

  6.   fi  

  7. fi  

  8.   

  9. for slave in `cat "$HOSTLIST"|sed  "s/#.*$//;/^$/d"`; do  

  10.  ssh $HADOOP_SSH_OPTS $slave $"${@// /\\ }" \  

  11.    2>&1 | sed "s/^/$slave: /" &  

  12.  if [ "$HADOOP_SLAVE_SLEEP" != "" ]; then  

  13.    sleep $HADOOP_SLAVE_SLEEP  

  14.  fi  

  15. done  

 

分析:
由于篇幅问题,以上只贴出了slaves.sh的关键代码,对于启动slaves来说,代码中的HOSTLIST变量是slaves配置文件的地址。再往 后看,你会看到非常醒目的一个关键字:ssh,其实这个时候你应该明白了,slave.sh脚本的作用就是通过ssh远程登录到每个在slaves中配置 的主机上。所以hadoop-daemons.sh的功能就是先远程登录slaves,在slaves上运行hadoop-daemon.sh脚本。如果 你思考的再多一点,那又是怎么启动secondarynamenode的呢?难道也是先远程登录到slaves中配置的主机上吗?答案一定是否定的。而是 先远程登录到master中配置的主机上,然后再启动hadoop-daemon.sh脚本,如果你仔细一点,可以看到start-dfs.sh脚本的最 后一行命令是启动secondarynamenode,命令传入了“--hosts master”这就指定了按照master中配置的主机来启动secondarynamenode。Hadoop-config.sh负责对 “--hosts master”进行解析。

下面你是不是对hadoop-daemon.sh脚本又产生了兴趣了呢?那我们一起来分析吧。


hadoop-daemon.sh:

Java代码  收藏代码

  1. usage="Usage: hadoop-daemon.sh [--config <conf-dir>] [--hosts hostlistfile] (start|stop) <hadoop-command> <args...>"  

  2.   

  3.   

  4. case $startStop in  

  5.   

  6.   (start)  

  7.   

  8.     mkdir -p "$HADOOP_PID_DIR"  

  9.   

  10.     if [ -f $pid ]; then  

  11.       if kill -0 `cat $pid` > /dev/null 2>&1; then  

  12.         echo $command running as process `cat $pid`.  Stop it first.  

  13.         exit 1  

  14.       fi  

  15.     fi  

  16.   

  17.     if [ "$HADOOP_MASTER" != "" ]; then  

  18.       echo rsync from $HADOOP_MASTER  

  19.       rsync -a -e ssh --delete --exclude=.svn --exclude='logs/*' --exclude='contrib/hod/logs/*' $HADOOP_MASTER/ "$HADOOP_HOME"  

  20.     fi  

  21.   

  22.     hadoop_rotate_log $log  

  23.     echo starting $command, logging to $log  

  24.     cd "$HADOOP_HOME"  

  25.     nohup nice -n $HADOOP_NICENESS "$HADOOP_HOME"/bin/hadoop --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &  

  26.     echo $! > $pid  

  27.     sleep 1; head "$log"  

  28.     ;;  

  29.             

  30.   (stop)  

  31.   

  32.     if [ -f $pid ]; then  

  33.       if kill -0 `cat $pid` > /dev/null 2>&1; then  

  34.         echo stopping $command  

  35.         kill `cat $pid`  

  36.       else  

  37.         echo no $command to stop  

  38.       fi  

  39.     else  

  40.       echo no $command to stop  

  41.     fi  

  42.     ;;  

  43.   

  44.   (*)  

  45.     echo $usage  

  46.     exit 1  

  47.     ;;  

  48.   

  49. esac  

 

分析:
以上是hadoop-daemon.sh的关键代码,用于判断执行该脚本时是启动(start)一个进程,还是停止(stop)一个进程。执行该脚本的方 式可以查看代码上方的usage变量值(注:[]括起来的表示可有可无,|表示或者,<>括起来表示参数)。这里 的<command>参数可以是start或者stop。<command>后面的参数你知道可以是哪些吗?呵呵,其实可以是 namenode,jobtracker,secondarynamenode,datanode,tasktracker,如果你在master上自己 用hadoop-daemon.sh启动datanode和tasktracker就会有问题,因为hadoop-daemon.sh没有远程登录到 slaves主机上哦。执行的结果会在master上启动一个datanode或tasktracker进程,而不是按照slaves配置文件在每个 slave上启动datanode和tasktracker哦。

分析了以上这些脚本之后,我想还有一些脚本,比如说:start-balancer.sh,start-jobhistoryserver.sh就不需要 分析了吧。不过看了这些脚本之后,我们发现脚本都是一个执行另一个脚本,到最后都是执行了hadoop-daemon.sh。以启动(start)为例, 那hadoop-daemon.sh脚本又是怎么来启动那么多的进程的呢?我们又要回到hadoop-daemon.sh的代码了,之前我们看到 hadoop-daemon.sh的一段关键代码是用于判断“启动”还是“停止”进程的,在shell中停止一个进程很方便,用kill命令就可以了,但 是该脚本是怎么启动进程的呢?我们继续分析脚本中(start)后面的代码,如果你仔细一点,可以发现其实有这样一段代码:

 

Java代码  收藏代码

  1. "$HADOOP_HOME"/bin/hadoop --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &  

 

分析:
现在你明白我想要说明什么问题了吗,呵呵,其实hadoop-daemon.sh启动进程也是执行了其它的脚本,它就是hadoop/bin /hadoop。其实说到这里hadoop脚本的秘密就快浮出水面了。你还记得博客开头我们提出的问题吗?为什么有时在命令行执行hadoop命令时会出 现java的错误信息呢,秘密就在这个hadoop/bin/hadoop脚本里。下面我们来看一下hadoop的核心脚本吧

hadoop:

Java代码  收藏代码

  1. 片段一:  

  2. cygwin=false  

  3. case "`uname`" in  

  4. CYGWIN*) cygwin=true;;  

  5. esac  

  6.   

  7. 片段二:  

  8. for developers, add Hadoop classes to CLASSPATH  

  9. if [ -d "$HADOOP_HOME/build/classes" ]; then  

  10.   CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/classes  

  11. fi  

  12. if [ -d "$HADOOP_HOME/build/webapps" ]; then  

  13.   CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build  

  14. fi  

  15. if [ -d "$HADOOP_HOME/build/test/classes" ]; then  

  16.   CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/test/classes  

  17. fi  

  18. if [ -d "$HADOOP_HOME/build/tools" ]; then  

  19.   CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/tools  

  20. fi  

  21.   

  22.   

  23. 片段三:  

  24.   

  25. elif [ "$COMMAND" = "namenode" ] ; then  

  26.   CLASS='org.apache.hadoop.hdfs.server.namenode.NameNode'  

  27.   HADOOP_OPTS="$HADOOP_OPTS $HADOOP_NAMENODE_OPTS"  

  28. elif [ "$COMMAND" = "secondarynamenode" ] ; then  

  29.   CLASS='org.apache.hadoop.hdfs.server.namenode.SecondaryNameNode'  

  30.   HADOOP_OPTS="$HADOOP_OPTS $HADOOP_SECONDARYNAMENODE_OPTS"  

  31. elif [ "$COMMAND" = "datanode" ] ; then  

  32.   CLASS='org.apache.hadoop.hdfs.server.datanode.DataNode'  

  33.   

  34. 片段四:  

  35.  exec "$JAVA" -Dproc_$COMMAND $JAVA_HEAP_MAX $HADOOP_OPTS -classpath "$CLASSPATH" $CLASS "$@"  

 

分析:
由于篇幅原因,我只贴出了hadoop脚本具有代表价值的四段代码。下面我们一个个来分析吧

片段一:
我们知道在window操作系统上可以通过安装cygwin软件来模拟linux系统环境,这段代码就是用于判断我们的hadoop命令是运行在 linux环境上,还是模拟的linux环境上,因为两种情况下文件的路径不相同,hadoop脚本为了区分这两种情况,做出了判断。

片段二:
这些操作是将一些目录的路径自动地加到环境变量(CLASSPATH)中。

片段三:
其实这个片段才是精华,它根据COMMAND的值给CLASS指定一个对应的java类,

片段四:
呵呵,根据CLASS的值,脚本执行了该java类哦,如果你看了hadoop的源码,你会发现,这些类里都有main方法。

原文地址:http://weixiaolu.iteye.com/blog/1397519

(责任编辑:IT)
------分隔线----------------------------