hadoop和spark搭建记录

因玩票需要，使用三台搭建spark(192.168.1.10,192.168.1.11,192.168.1.12)，又因spark构建在hadoop之上，那么就需要先搭建hadoop。历经一个两个下午，终于搭建完成，特记录如下。

准备工作

1. jdk已经安装。

2. 文件下载

http://pan.baidu.com/s/1o6mydYi

　　包含scala，hadoop，spark

3. ssh无密码认证

三台互相无密码认证步骤：

　第一步，生成rsa公约私钥：

[root@jw01 .ssh]# ssh-keygen -t rsa

[root@jw02 .ssh]# ssh-keygen -r rsa

[root@kt01  .ssh]# ssh-keygen -t rsa

[root@kt02  .ssh]# ssh-keygen -t rsa

Generating public/private rsa key pair.

Enter file in which to save the key (/root/.ssh/id_rsa): #回车代表无需密码登陆

Enter passphrase (empty for no passphrase): #回车

Enter same passphrase again: #回车

Your identification has been saved in /root/.ssh/id_rsa. #代表私钥

Your public key has been saved in /root/.ssh/id_rsa.pub. #代表公钥

The key fingerprint is:

04:45:0b:47:10:92:0c:b2:b9:d7:11:5b:49:05:e4:d9 root@jw01

第二步，将192.168.1.11,192.168.1.12两台生成的公钥id_rsa.pub重命名id_rsa.pub_11,id_rsa.pub_12传送到192.168.1.10的/root/.ssh/目录下，

然后在192.168.1.10上将所有公钥加到用于认证的公钥文件authorized_keys(若没有该文件，则下面的命令会生成文件)中，命令为：

cat ~/.ssh/id_rsa.pub* >> ~/.ssh/authorized_keys

第三步：将192.168.1.10上的文件分布复制到192.168.1.11,192.168.1.12两台机器的/root/.ssh/目录下

最后测试，是否可以使用ssh ip地址互相登陆。

环境准备

修改主机名

我们将搭建1个master，2个slave的集群方案。首先修改主机名vi /etc/hostname，在master上修改为master，其中一个slave上修改为slave1，另一个同理。

配置hosts

在每台主机上修改host文件

vi /etc/hosts

192.168.1.10      master

192.168.1.11      slave1

192.168.1.12      slave2

hadoop安装

1.解压

tar -zxvf hadoop-2.6..tar.gz

2.修改配置文件

参考文献【1】所示

在机器192.168.1.10(master)上进入hadoop配置目录，需要配置有以下7个文件：hadoop-env.sh，yarn-env.sh，slaves，core-site.xml，hdfs-site.xml，maprd-site.xml，yarn-site.xml

在hadoop-env.sh中配置JAVA_HOME

# The java implementation to use.

export JAVA_HOME=/home/spark/workspace/jdk1.7.0_75

在yarn-env.sh中配置JAVA_HOME

# some Java parameters

export JAVA_HOME=/home/spark/workspace/jdk1.7.0_75

在slaves中配置slave节点的ip或者host，
192.168.1.11
192.168.1.12

修改core-site.xml

<configuration>

    <property>

        <name>fs.defaultFS</name>

        <value>hdfs://master:9000/</value>

    </property>

    <property>

         <name>hadoop.tmp.dir</name>

         <value>file:/home/spark/workspace/hadoop-2.6.0/tmp</value>

    </property>

</configuration>

修改hdfs-site.xml

<configuration>

    <property>

        <name>dfs.namenode.secondary.http-address</name>

        <value>master:9001</value>

    </property>

    <property>

        <name>dfs.namenode.name.dir</name>

        <value>file:/home/spark/workspace/hadoop-2.6.0/dfs/name</value>

    </property>

    <property>

        <name>dfs.datanode.data.dir</name>

        <value>file:/home/spark/workspace/hadoop-2.6.0/dfs/data</value>

    </property>

    <property>

        <name>dfs.replication</name>

        <value>3</value>

    </property>

</configuration>

修改mapred-site.xml

<configuration>

    <property>

        <name>mapreduce.framework.name</name>

        <value>yarn</value>

    </property>

</configuration>

修改yarn-site.xml

<configuration>

    <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>master:8032</value>

    </property>

    <property>

        <name>yarn.resourcemanager.scheduler.address</name>

        <value>master:8030</value>

    </property>

    <property>

        <name>yarn.resourcemanager.resource-tracker.address</name>

        <value>master:8035</value>

    </property>

    <property>

        <name>yarn.resourcemanager.admin.address</name>

        <value>master:8033</value>

    </property>

    <property>

        <name>yarn.resourcemanager.webapp.address</name>

        <value>master:8088</value>

    </property>

</configuration>

3. 将配置好的hadoop-2.6.0文件夹分发给slave机器192.168.1.11,192.168.1.12

4. 在192.168.1.10启动

cd ~/workspace/hadoop-2.6.     #进入hadoop目录

bin/hadoop namenode -format     #格式化namenode

sbin/start-dfs.sh               #启动dfs

sbin/start-yarn.sh              #启动yarn

5.测试

10机器上

$ jps  #run on master

 SecondaryNameNode

 NameNode

 ResourceManager

 Jps

11,12机器上

$ jps   #run on slaves

 NodeManager

 Jps

 DataNode

admin端

在浏览器中输入 http://192.168.1.10:8088 ，应该有 hadoop 的管理界面出来了，并能看到 slave1 和 slave2 节点。端口配置在yarn-site.xml上

    <property>

        <name>yarn.resourcemanager.webapp.address</name>

        <value>master:8088</value>

    </property>

安装scala

参考文献[1]

在三台机器上分别操作：机器192.168.1.10，192.168.1.11,192.168.1.12

解压

tar -zxvf scala-2.10.4.tgz

再次修改环境变量sudo vi /etc/profile，添加以下内容：

export SCALA_HOME=$WORK_SPACE/scala-2.10.4

export PATH=$PATH:$SCALA_HOME/bin

同样的方法使环境变量生效，并验证 scala 是否安装成功

$ source /etc/profile   #生效环境变量

$ scala -version        #如果打印出如下版本信息，则说明安装成功

Scala code runner version 2.10.4 -- Copyright 2002-2013, LAMP/EPFL

可能遇到的问题解决：

【1】Hadoop jps出现process information unavailable提示解决办法：参考文献【2】

启动Hadoop之后，使用jps命令查看当前系统的java进程情况，显示：

hduser@jack:/usr/local/hadoop$ jps

18470 SecondaryNameNode

19096 Jps

12167 -- process information unavailable

19036 NodeManager

18642 ResourceManager

18021 DataNode

17640 NameNode

这时可以通过进入本地文件系统的/tmp目录下，删除名称为hsperfdata_{username}的文件夹，然后重新启动Hadoop。

【2】各种权限问题

解决方式：重做ssh无密码认证的准备工作

【3】启动Hadoop HDFS时的“Incompatible clusterIDs”错误原因分析

解决方式：“Incompatible clusterIDs”的错误原因是在执行“hdfs namenode -format”之前，没有清空DataNode节点的data目录。清空之。

spark安装

参考文献【1】所示

在10机器上解压

tar -zxvf spark-1.4.0-bin-hadoop2.6.tgz

mv spark-1.4.0-bin-hadoop2.6 spark-1.4    #原来的文件名太长了，修改下

修改配置：

cd ~/workspace/spark-1.4/conf    #进入spark配置目录

cp spark-env.sh.template spark-env.sh   #从配置模板复制

vi spark-env.sh     #添加配置内容

在spark-env.sh末尾添加以下内容（这是我的配置，你可以自行修改）：

export SCALA_HOME=/home/spark/workspace/scala-2.10.

export JAVA_HOME=/home/spark/workspace/jdk1..0_75

export HADOOP_HOME=/home/spark/workspace/hadoop-2.6.

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

SPARK_MASTER_IP=master

SPARK_LOCAL_DIRS=/home/spark/workspace/spark-1.3.

SPARK_DRIVER_MEMORY=1G

修改slaves文件
cp slaves.template slaves

修改配置：

192.168.1.11

192.168.1.12

将上述配置分发给：192.168.1.11,192.168.1.12

在10上启动：

sbin/start-all.sh

检查是否启动：

master上

$ jps

 Jps

 SecondaryNameNode

 Master

 NameNode

 ResourceManager

在slave2

$jps

 DataNode

 Worker

 Jps

 NodeManager

进入Spark的Web管理页面： http://192.168.1.10:8080

如果8080被别的程序占用，使用8081端口。

参考文献

【1】http://wuchong.me/blog/2015/04/04/spark-on-yarn-cluster-deploy/

【2】http://my.oschina.net/zhangjie830621/blog/417252

【3】http://blog.chinaunix.net/uid-20682147-id-4214553.html