1 Hadoop 是什么？

Apache Hadoop 是一个支持数据密集型分布式应用程序的开源软件框架，能在大型集群上运行应用程序。Hadoop 框架实现了 MapReduce 编程范式，把应用程序分成许多小部分，每个部分能在任意节点上运行。并且 Hadoop 提供了分布式文件系统存储所有计算节点的数据，为集群带来非常高的带宽。

2 搭建说明

• 本文几乎所有操作都需要在三台服务器上进行同样的操作，所以为了便于表示，在需要三台服务器上进行同样操作的时候会使用 x3 进行标注。
• 命令当中的 # 代表 root 用户执行。
• 命令当中的 $ 代表 hadoop 用户执行。
• ### 为该命令的注释。

注：可在一台机子上配置好后利用 scp 命令进行复制，若在虚拟机则可直接复制虚拟机。

2.1 节点机器配置

2.2 软件包版本

3 安装JDK x3

1. # mkdir -p /usr/local/java
2. # cd /usr/local/java
3. # wget http://download.oracle.com/otn-pub/java/jdk/8u131-b11/d54c1d3a095b4ff2b6607d096fa80163/jdk-8u131-linux-x64.tar.gz
4. # tar -xvzf jdk-8u131-linux-x64.tar.gz
5.  
6. ### 设置新的 JDK 为默认 JDK，如果机器已经安装 OpenJDK，可能需要先卸载。
7.  
8. # echo "export JAVA_HOME=/usr/local/java/jdk1.8.0_131/" >> /etc/profile
9. # echo "export PATH=$PATH:$JAVA_HOME/bin" >> /etc/profile
10. # source /etc/profile
11.  
12. ### 测试运行
13.  
14. # $JAVA_HOME/bin/java -version
15. java version "1.8.0_131"
16. Java(TM) SE Runtime Environment (build 1.8.0_131-b11)
17. Java HotSpot(TM) 64-Bit Server VM (build 25.131-b11, mixed mode)

4 关闭防火墙 x3

直接关闭整个防火墙不是一个明智的选择，在具体环境中应该挑选出需要的端口，进行放行，本文由于篇幅原因，不再详细讨论，故采用直接关闭防火墙的方法。

1. # systemctl stop firewalld.service
2. # systemctl disable firewalld.service

5 配置 hostname 及局域网映射 x3

1. # hostnamectl set-hostname namenode ### 为 namenode 节点设置 hostname
2. # hostnamectl set-hostname datanode1 ### 为 datanode1 节点设置 hostname
3. # hostnamectl set-hostname datanode2 ### 为 datanode2 节点设置 hostname

1. # echo "192.168.1.69 namenode" >> /etc/hosts
2. # echo "192.168.1.70 datanode1" >> /etc/hosts
3. # echo "192.168.1.71 datanode2" >> /etc/hosts

6 创建 hadoop 用户以及 hadoop 用户组 x3

1. # groupadd hadoop
2. # useradd -m -g hadoop hadoop
3. # passwd hadoop

7 SSH 免密登录

Hadoop 在 namenode 节点中使用 ssh 来访问各节点服务器，例如开启或关闭 hadoop。显然在大型集群中，不可能手动逐个输入密码，在这种情况下，我们可以利用 ssh-agent 代理我们输入密码。

注:该设置只需要在 namenode 节点设置。

7.1 ssh-agent

配置 ssh-agent 开机自动运行

1. # echo 'eval $(ssh-agent)' >> /etc/profile
2. # source /etc/profile

7.2 配置免密登录

在 namenode 节点上登录 hadoop 用户

1. $ ssh-keygen -t rsa -f ~/.ssh/id_rsa ### 输入密钥
2. $ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
3. $ chmod 644 ~/.ssh/authorized_keys
4. $ ssh-copy-id datanode1 ### 将公钥 copy 到 datanode1
5. $ ssh-copy-id datanode2 ### 将公钥 copy 到 datanode2
6. $ ssh-add ~/.ssh/id_rsa ### 使用 ssh-agent 实现免密登录
7. $ ssh datanode1 ### 测试无需密码即可登录 datanode1

8 磁盘挂载（可选） x3

1. # mkdir /home/hadoop/hdfs
2. # mount /dev/sdb1 /home/hadoop/hdfs/
3. # chown -R hadoop:hadoop /home/hadoop/hdfs/
4. # echo "/dev/sdb1 /home/hadoop/hdfs ext4 defaults 0 0" >> /etc/fstab

9 安装 Hadoop x3

1. # cd /usr/local
2. # wget https://mirrors.scau.edu.cn/hadoop/hadoop-2.8.0.tar.gz ### 使用自己的镜像源
3. # wget https://mirrors.ustc.edu.cn/apache/hadoop/common/hadoop-2.8.0/hadoop-2.8.0.tar.gz
4. # tar -xvzf hadoop-2.8.0.tar.gz
5. # chown -R hadoop:hadoop hadoop-2.8.0

10 配置 Hadoop x3

复制默认配置文件,在升级 hadoop 版本时可独立出来。

1. $ mkdir ~/config/
2. $ cp -r /usr/local/hadoop-2.8.0/etc/hadoop/ ~/config/

指定 hadoop 运行所使用的 JDK 与配置目录, vim ~/config/hadoop/hadoop-env.sh

1. $ export JAVA_HOME=/usr/local/java/jdk1.8.0_131/
2. $ export HADOOP_CONF_DIR=/home/hadoop/config/hadoop/
3.  
4. ### 最好将该环境变量也加入 /etc/profile
5. # echo "export HADOOP_CONF_DIR=/home/hadoop/config/hadoop/" >> /etc/profile

10.1 log 存储位置

修改 hadoop log 存储位置。

1. $ echo "export HADOOP_LOG_DIR=~/log/hadoop" >> ~/config/hadoop/hadoop-env.sh

修改 YARN log 存储位置，$ vim config/hadoop/yarn-env.sh。

1. YARN_LOG_DIR="/home/hadoop/log/yarn/"

10.2 配置 core-site.xml

1. $ vim ~/config/hadoop/core-site.xml

1. <?xml version="1.0" encoding="UTF-8"?>
2. <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
3. <!-- Put site-specific property overrides in this file. -->
4. <configuration>
5. <property>
6. <description>默认文件系统及端口</description>
7. <name>fs.defaultFS</name>
8. <value>hdfs://namenode/</value>
9. <final>true</final>
10. </property>
11. </configuration>

10.3 配置 hdfs-site.xml

1. $ vim ~/config/hadoop/hdfs-site.xml

1. <?xml version="1.0" encoding="UTF-8"?>
2. <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
3. <!-- Put site-specific property overrides in this file. -->
4. <configuration>
5. <property>
6. <description>namedoe 存储永久性的元数据目录列表</description>
7. <name>dfs.namenode.name.dir</name>
8. <value>/home/hadoop/hdfs/name/</value>
9. <final>true</final>
10. </property>
11.  
12. <property>
13. <description>datanode 存放数据块的目录列表</description>
14. <name>dfs.datanode.data.dir</name>
15. <value>/home/hadoop/hdfs/data/</value>
16. <final>true</final>
17. </property>
18. </configuration>

10.4 配置 mapred-site.xml

1. $ vim ~/config/hadoop/mapred-site.xml

1. <?xml version="1.0"?>
2. <configuration>
3. <property>
4. <description>MapReduce 执行框架设为 Hadoop YARN. </description>
5. <name>mapreduce.framework.name</name>
6. <value>yarn</value>
7. </property>
8.  
9. <property>
10. <description>Map 和 Reduce 执行的比例，Map 执行到百分之几后开始 Reduce 作业</description>
11. <!-- 此处设为1.0 即为 完成 Map 作业后才开始 Reduce 作业，内存情况不够的可设为 1.0 默认值为 0.05 -->
12. <name>mapreduce.job.reduce.slowstart.completedmaps</name>
13. <value>1.0</value>
14. </property>
15. </configuration>

10.5 配置 yarn-site.xml

1. $ vim ~/config/hadoop/yarn-site.xml

1. <?xml version="1.0"?>
2. <configuration>
3. <!-- Site specific YARN configuration properties -->
4. <property>
5. <description>The address of the applications manager interface in the RM.</description>
6. <name>yarn.resourcemanager.address</name>
7. <value>namenode:8032</value>
8. </property>
9.  
10. <property>
11. <name>yarn.nodemanager.aux-services</name>
12. <value>mapreduce_shuffle</value>
13. </property>
14.  
15. <property>
16. <description>存储中间数据的本地目录</description>
17. <name>yarn.nodemanager.local-dirs</name>
18. <value>/home/hadoop/nm-local-dir</value>
19. <final>true</final>
20. </property>
21.  
22. <property>
23. <description>每个容器可在 RM 申请的最大内存</description>
24. <name>yarn.scheduler.maximum-allocation-mb</name>
25. <value>2048</value>
26. <final>true</final>
27. </property>
28.  
29.  
30. <property>
31. <description>每个容器可在 RM 申请的最小内存</description>
32. <name>yarn.scheduler.minimum-allocation-mb</name>
33. <value>300</value>
34. <final>true</final>
35. </property>
36.  
37. <property>
38. <description>自动检测节点 CPU 与 Mem</description>
39. <name>yarn.nodemanager.resource.detect-hardware-capabilities</name>
40. <value>true</value>
41. </property>
42.  
43. <property>
44. <description>The address of the scheduler interface.</description>
45. <name>yarn.resourcemanager.scheduler.address</name>
46. <value>namenode:8030</value>
47. </property>
48.  
49. <property>
50. <description>The address of the RM web application.</description>
51. <name>yarn.resourcemanager.webapp.address</name>
52. <value>namenode:8088</value>
53. </property>
54.  
55. <property>
56. <description>The address of the resource tracker interface.</description>
57. <name>yarn.resourcemanager.resource-tracker.address</name>
58. <value>namenode:8031</value>
59. </property>
60.  
61. <property>
62. <description>The hostname of the RM.</description>
63. <name>yarn.resourcemanager.hostname</name>
64. <value>namenode</value>
65. </property>
66. </configuration>

10.6 配置 slaves

1. $ vim ~/config/hadoop/slaves

1. namenode
2. datanode1
3. datanode2

11 优化 namenode 节点命令使用

1. $ echo "export PATH=$PATH:/usr/local/hadoop-2.8.0/bin/:/usr/local/hadoop-2.8.0/sbin/" >> ~/.bash_profile
2. $ source ~/.bash_profile

12 启动集群及测试

测试之前最好重启一遍三台机器，以确保配置都生效，并且没有其他问题。

登录 namenode 节点

1. $ ssh-add ~/.ssh/id_rsa ### 验证密钥
2. $ hadoop namenode -format ### 初始化集群
3. $ start-dfs.sh ### 启动 HDFS
4. $ start-yarn.sh ### 启动 YARN

12.1 集群总览

12.2 测试用例

hadoop 自带了许多测试用例，所以可以很方便的快速测试集群是否搭建成功。

1. $ yarn jar /usr/local/hadoop-2.8.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8.0.jar randomwriter random-data

执行上述命令后，打开 RM 以及 NM 的 URL ，查看任务是否被执行，如执行，则搭建成功。

12.3 图片展示

hadoop

hadoop-task

hadoop-task

13 总结

本文从零开始搭建了具有三个节点服务器的 Hadoop 集群，示范了 Hadoop 搭建集群的基本配置。并且从中我们可以知道 Hadoop 集群的每台机子的配置几乎是相同的，这是大量重复性的劳动，因此使用 docker 会大大加快集群的部署。文中的配置文件，是我根据我自己的三台服务器的机器硬件所决定的参数，读者应该根据自己的实际情况选择参数的设置，下文的参考资料给出了各种属性的说明以及默认值。

14 参考资料

• core-default.xml
• hdfs-default.xml
• mapred-default.xml
• yarn-default.xml
• DeprecatedProperties