Hadoop集群环境搭建配置
前言
Hadoop的搭建分为三种形式：单机模式、伪分布模式、完全分布模式，只要掌握了完全分布模式，也就是集群模式的搭建，剩下的两种模式自然而然就会用了，一般前两种模式一般用在开发或测试环境下，Hadoop最大的优势就是分布式集群计算，所以在生产环境下都是搭建的最后一种模式：完全分布模式。
硬件选择
须知：
- 分布式环境中一个服务器就是一个节点
- 节点越多带来的是集群性能的提升
- 一个Hadoop集群环境中，NameNode,SecondaryNameNode和DataNode是需要分配不同的节点上，也就需要三台服务器
- 在Hadoop运行作业完成时，History Server来记录历史程序的运行情况，需要独立一台服务器
- 第一台：记录所有的数据分布情况，运行进程：NameNode
第二台：备份所有数据分布情况，因为当前面的那台服务器宕机（日常所说的死机）时，可通过该服务器来恢复数据。所以，该服务器运行的程序就是：SecondaryNameNode
第三台：存储实际数据，运行的进程就是;DataNode
第四台：记录应用程序历史的运行状况。运行的程序就是:History Server。(可选)
所以说，至少三台。
集群环境各个服务配置
- 在Hadoop集群环境中，最重要的就是NameNode运行的服务器是整个集群的调度和协调工作，还有一个很重要的进程是资源管理（真正的协调整个集群中每个节点的运行），所以配置要高于其他节点。
软件选择
关于Hadoop集群环境软件的选择，无非就是围绕这个几个软件产品去选择：OS操作系统，Hadoop版本，JDK版本，Hive版本、MySQL版本等。
节点配置信息的分配
提前规划出四台服务器用来搭建Hadoop集群，然后分别为其分配了机器名称、IP,IP需要设置为统一网段，可根据使用的情况，进行动态调整的。
另外说明：搭建了两台Ubuntu的服务器来单独安装MySQLServer，搭建了一个主从模式，Ubuntu是一个界面友好的操作系统，这里和Hadoop集群分离的目的是因为Mysql数据库是比较占内存资源的，所以我们单独机器来安装，当然，MySQL并不是Hadoop集群所需要的，两者没有必然的关系，这里搭建它的目的就为了后续安装Hive来分析数据应用的，并且我们可以在这个机器里进行开发调试，当然Window平台也可以，毕竟我们使用Windows平台是最熟练的。（hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。）
Hadoop集群环境安装
安装前需明了：
- 将Hadoop集群中的主节点分配2GB内存，然后剩余的三个节点都是1GB配置。
- 所有的节点存储都设置为50GB
安装流程
- 首先需要在VMWare中创建一个新的计算机，然后指定CentOS的镜像路径和用户名和密码。
- 指定当前虚拟机操作系统的存储大小（50GB）和内存大小（2GB）。
- 完成安装
- 至此，我们已经成功的安装上了CentOS操作系统，然后安装的过程中顺便创建了一个新用户Hadoop，这个账户就是我们后面安装Hadoop集群环境所使用的账号。
- 我们登录到CentOS操作系统，然后为了后续节点识别，要改计算机名。Master.Hadoop，然后重启。（不知理解是否有误）
（1）、切换到root用户
（2）、编辑/etc/sysconfig/network文件：vi /etc/sysconfig/network
（3）、保存该文件，重启计算机（reboot）
（4）、查看是否生效：hostname
- 设置固定IP（验证我们当前虚拟机是否能上网，IP是否能成功配置。）,然后配置Host文件（添加集群对应ip与节点名）。（还有要改桥接模式（B）:直接连接物理网络。现在用的是虚拟机，但是把它当成物理机一样，也给插上网线，连接到本地的网络中去。当然，如果选择这种方式的前提是要保证局域网的网段和之前规划的IP是一致的，必须都是192.168.1.* 这种网段，这样的目的就是宿主机和我们的虚拟机能够直接通信，那就意味这主机能联网，我们的虚拟机就能联网。）
（1）、固定IP设置：首先配置DNS，对/etc/resolv.conf 文件进行修改或查看
（2）、配置固定IP地址：修改 /etc/sysconfig/network-scripts/ifcfg-eth0 文件
（3）、重启网络：/etc/init.d/network restart或service network restart
修改成功：
（4）、ping通网络。
（5）、修改host文件
（6）、重启服务器
- 下载Hadoop安装包，然后进入Hadoop集群的搭建工作。
把jdk和Hadoop包下载或上传到/home/hadoop/Downloads/下
（1）、jdk的安装与配置：
一般将安装的程序存到/usr目录下，所以创建Java目录：
mkdir /usr/java，然后更改权限
chown hadoop:hadoop /usr/java/，然后查看
ll /usr然后更改系统的环境变量
vim /etc/profile然后添加脚本
# set java environmentexport JAVA_HOME=/usr/java/jdk1.8.0_121
export CLASSPATH=.:$CLASSPATH:$JAVA_HOME/lib:$JAVA_HOME/jre/lib
export PATH=$PATH:$JAVA_HOME/bin:$JAVA_HOME/jre/bin
然后将解压好的jdk移到/usr/java目录中：
cp -r jdk1.8.0_121 /usr/java/然后查看版本：
java -version（2）、Hadoop的安装与配置：
与Jdk配置类似，
--/usr目录下，创建hadoop目录mkdir /usr/hadoop
--拷贝解压后的hadoop安装包
cp -r hadoop-2.6.4 /usr/hadoop
--赋权给Hadoop用户
chown hadoop:hadoop /usr/hadoop/
--查看确认
ll /usr/
对几个关键的文件进行配置:
转到目录：
cd /usr/hadoop/hadoop-2.6.4/配置第一个文件
vim etc/hadoop/core-site.xml
<configuration>
<!– HDFS file path –>
<!– HDFS默认的连接地址 –>
<property>
<name>fs.defaultFS</name>
<value>hdfs://192.168.1.50:9000</value>
</property>
<!– 流文件的配置大小，默认是4K太小了，这里将这个值改的大 –>
<property>
<name>io.file.buffer.size</name>
<value>131072</value>
</property>
<!–生成临时结果的配置路径,需要创建目录tmp–>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/usr/hadoop/hadoop-2.6.4/tmp</value>
<description>Abasefor other temporary directories.</description>
</property>
</configuration>
xxxxxxxxxx
19
1
<configuration>
2
<!– HDFS file path –>
3
<!– HDFS默认的连接地址 –>
4
<property>
5
<name>fs.defaultFS</name>
6
<value>hdfs://192.168.1.50:9000</value>
7
</property>
8
<!– 流文件的配置大小，默认是4K太小了，这里将这个值改的大 –>
9
<property>
10
<name>io.file.buffer.size</name>
11
<value>131072</value>
12
</property>
13
<!–生成临时结果的配置路径,需要创建目录tmp–>
14
<property>
15
<name>hadoop.tmp.dir</name>
16
<value>file:/usr/hadoop/hadoop-2.6.4/tmp</value>
17
<description>Abasefor other temporary directories.</description>
18
</property>
19
</configuration>
创建目录mkdir tmp
配置第二个文件vim etc/hadoop/hdfs-site.xml
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>192.168.1.50:9001</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/usr/hadoop/hadoop-2.6.4/dfs/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/usr/hadoop/hadoop-2.6.4/dfs/data</value>
</property>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
<property>
<name>dfs.webhdfs.enabled</name>
<value>true</value>
</property>
?x
1
<property>
2
<name>dfs.namenode.secondary.http-address</name>
3
<value>192.168.1.50:9001</value>
4
</property>
5
?
6
<property>
7
<name>dfs.namenode.name.dir</name>
8
<value>file:/usr/hadoop/hadoop-2.6.4/dfs/name</value>
9
</property>
10
?
11
<property>
12
<name>dfs.datanode.data.dir</name>
13
<value>file:/usr/hadoop/hadoop-2.6.4/dfs/data</value>
14
</property>
15
?
16
<property>
17
<name>dfs.replication</name>
18
<value>1</value>
19
</property>
20
?
21
<property>
22
<name>dfs.webhdfs.enabled</name>
23
<value>true</value>
24
</property>
文件解释：
创建目录：mkdir dfs
mkdir dfs/name
mkdir dfs/data
配置第三个文件：cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml因为在这里Hadoop已经提供了一个模板，直复制创建，然后修改此文件：vim etc/hadoop/mapred-site.xml
<!– 第一个就是制定当前Hadoop的并行运行计算架构，这里为yarn,第二个就是Job运行的历史记录Server,第三个就是历史运行记录的Web服务器。 –>
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<property>
<name>mapreduce.jobhistory.address</name>
<value>192.168.1.50:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>192.168.1.50:19888</value>
</property>
</configuration>
xxxxxxxxxx
15
1
<!– 第一个就是制定当前Hadoop的并行运行计算架构，这里为yarn,第二个就是Job运行的历史记录Server,第三个就是历史运行记录的Web服务器。 –>
2
<configuration>
3
<property>
4
<name>mapreduce.framework.name</name>
5
<value>yarn</value>
6
</property>
7
<property>
8
<name>mapreduce.jobhistory.address</name>
9
<value>192.168.1.50:10020</value>
10
</property>
11
<property>
12
<name>mapreduce.jobhistory.webapp.address</name>
13
<value>192.168.1.50:19888</value>
14
</property>
15
</configuration>
配置第四个文件:vim etc/hadoop/yarn-site.xml
<!–后续的调优会一直围绕这个文件进行–>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
<property>
<name>yarn.resourcemanager.address</name>
<value>192.168.1.50:8032</value>
</property>
<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value>192.168.1.50:8030</value>
</property>
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>192.168.1.50:8035</value>
</property>
<property>
<name>yarn.resourcemanager.admin.address</name>
<value>192.168.1.50:8033</value>
</property>
<property>
<name>yarn.resourcemanager.webapp.address</name>
<value>192.168.1.50:8088</value>
</property>
1
<!–后续的调优会一直围绕这个文件进行–>
2
<property>
3
<name>yarn.nodemanager.aux-services</name>
4
<value>mapreduce_shuffle</value>
5
</property>
6
<property>
7
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
8
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
9
</property>
10
<property>
11
<name>yarn.resourcemanager.address</name>
12
<value>192.168.1.50:8032</value>
13
</property>
14
<property>
15
<name>yarn.resourcemanager.scheduler.address</name>
16
<value>192.168.1.50:8030</value>
17
</property>
18
<property>
19
<name>yarn.resourcemanager.resource-tracker.address</name>
20
<value>192.168.1.50:8035</value>
21
</property>
22
<property>
23
<name>yarn.resourcemanager.admin.address</name>
24
<value>192.168.1.50:8033</value>
25
</property>
26
<property>
27
<name>yarn.resourcemanager.webapp.address</name>
28
<value>192.168.1.50:8088</value>
29
</property>
配置Hadoop的jdk路径，不指定是不能运行的,hadoop-env.sh 和 yarn-env.sh 在开头添加如下java环境变量：export JAVA_HOME=/usr/java/jdk1.8.0_73
vim etc/hadoop/hadoop-env.sh
vim etc/hadoop/yarn-env.sh
因为所有Hadoop用户都有执行权限，所以：
chown -R hadoop:hadoop /usr/hadoop/hadoop-2.6.4/
- Hadoop配置。Hadoop环境的配置分为两步：1、Java环境配置；2、Hadoop配置。因为Hadoop就是Java语言编写的，所以一定要先配置好Java环境。
（1）Java环境的配置
见第7步
（2）Hadoop环境的配置
见第7步
- 然后格式化文件，来启动这个单节点的Hadoop集群
（1）Hadoop 分布式存储系统的HDFS格式化，这个只能在初始化系统的时候用一次，一次就好了，要不执行一次数据就丢失一次。
bin/hadoop namenode -format运行结果：
（2）Hadoop 集群进行启动验证：启动HDFS：
sbin/start-dfs.sh然后查看jps进程：
然后，查看状态
bin/hadoop dfsadmin -report
或者直接打开浏览器直接打开浏览器查看：http://192.168.10.87:50070/dfshealth.html#tab-overview
（3）Hadoop 集群启动查看
启动Hadoop集群，然后查看其状态
sbin/start-yarn.sh用浏览器打开：http://192.168.10.87:8088/cluster
Hadoop集群完全分布式坏境搭建
上一部分是单节点的安装，工作已经完成了一半，下面进行的是完全分布式的环境搭建。
为了减少配置时间，我直接对上一节点进行克隆
节点基本信息：
总共需要5台服务器来使用，四台用来搭建Hadoop集群使用，另外一台（可选）作为MySQL等外围管理Hadoop集群来使用。在开发的时候一般也是直接通过连接外围的这台机器来管理Hadoop整个集群
工作大概流程：
- 首先需要在VMWare中将之前创建的单实例的计算机进行克隆。
注意：在克隆过程中一定要选择克隆一个完整的而不是创建链接克隆，也一定不要选择现有的快照。
- 配置各个Slave节点的机器信息。
（1）主节点Master的CUP处理器设置成多路多核，这里设成4，其他节点设成1
（2）手动更改各个从节点的计算机名和Hosts文件（必须！）
vim /etc/sysconfig/networkvim /etc/hosts
配置完之后，重启完各个机器之后，确保各个节点之间可以ping 通（重点！！！）
- 配置SSH无密码配置。
（1-1）、进行sshd的配置文件的修改，去掉默认注释，开启SSH验证功能（以root用户进行操作）
vim /etc/ssh/sshd_config
将上面的这三行数据的注释“#”去掉进行，保存。这里记住了！所有的机器都要这么依次进行设置。RSAAuthentication是指开启SSH验证，PubkeyAuthetication是指可以通过公钥进行验证，AuthorizedkeysFile则指的的是公钥存放的位置。
（1-2）、重启该服务：
/sbin/service sshd restart（1-3）、用本机验证一下：
ssh localhost这个时候会让你输入密码，是因为没有生成密钥，下面进行设置（2-1）、加工生成证书公私钥，分发到各个服务器（以Hadoop用户操作）在Master节点上生成Hadoop用户的公钥，然后将这个公钥分发给各个slave节点，然后这样在Master机器上就可以用Hadoop无密码登录到各个salve机器上面了
（2-2）、
ssh-keygen -t rsa -P ‘‘
红框勾出的路径就是公钥和私钥生成的默认路径（2-3）、下一步就是将这个公钥复制到各个slave节点中去，远程文件的复制：
scp ~/.ssh/id_rsa.pub 远程用户名@远程服务器IP:~/复制的公钥文件存在默认的路径“/home/hadoop/.ssh”scp ~/.ssh/id_rsa.pub [email protected]:~/
（2-4）、登录salve01的机器将刚才生成的公钥加入的本地的权限验证组里面去
cat ~/id_rsa.pub >> ~/.ssh/authorized_keys
（2-5）、回到Master机器上面进行，ssh验证
SSH <远程IP && 域名>在master机器上登录slave01机器上实验下，看是否还需要进行密码输入ssh slave01.hadoop从Master机器上面无密码的登录到Slave01机器上面，那么说明刚才的配置生效了。（2-6）、参照上面的步骤将各个Slave节点配置完成
（2-7）、注意：在Master生成密钥只需要生成一次就可以了，不要再次生成！因为每次生成以为着所有的节点都需要重新配置。
（2-8）、参照上面的步骤将各个Slave节点SSH到Master机器（保证各个Slave节点能够无密码登录Master机器，各个Slave子节点干完Master分配的任务之后，需要有权限反馈至Master）
注意：上面的步骤要一定完成验证，要不以后的Hadoop操作会很出现各种诡异的问题！！
（3-1）、配置Hadoop集群配置
将这个单节点的配置成一个真正的分布式集群，充分利用我们刚才搭建的几台Server进行性能的最大发挥
（3-2）、首先进行slaves文件的配置，指定该集群的各个Slave节点的位置（以hadoop用户进行操作）（只需要在Master的机器上面进行就可以了）
vim /usr/hadoop/hadoop-2.6.4/etc/hadoop/slaves将各个Slave的IP或者机器名写入
（3-3）、更改hdfs-site.xml文件中的dfs.replication属性值为3（因为有另外3台虚拟机，记住：只能是奇数！）
vim /usr/hadoop/hadoop-2.6.4/etc/hadoop/hdfs-site.xml
（这里需要注意的是，所有的机器都要这样配置。）（4-1）、启动Hadoop集群，验证是否成功
先来执行一个HDFS格式的命令（改成完全分布式的集群，所以这里需要重新格式）
bin/hadoop namenode -format（4-2）、验证一下整个集群的HDFS是否正常可用，启动整个集群的HDFS，在Master机器上面，用hadoop用户操作
start-dfs.sh
通过浏览器来查看整个集群的HDFS状态，地址为：http://192.168.1.50:50070/dfshealth.html#tab-overview
（4-3）、验证一下整个集群的YARN分布式计算框架是否正常可用，启动Yarn
start-yarn.sh
通过浏览器来查看整个集群的Hadoop集群状态，地址为：http://192.168.1.50:8088/
可见当前的Hadoop集群已经存在四个正在运行的节点。