在Linux（Centos7）系统上对进行Hadoop分布式配置以及运行Hadoop伪分布式实例

@Auther:MrZhangxd 2019-04-28 21:32:00

Hadoop单机配置(非分布式)

Hadoop 默认模式为非分布式模式，无需进行其他配置即可运行。非分布式即单 Java 进程，方便进行调试。

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

在此我们选择运行 grep 例子，我们将 input 文件夹中的所有文件作为输入，筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数，最后输出结果到 output 文件夹中。

[root@localhost~] # cd /usr/local/hadoop

[root@localhost hadoop] # madir ./input

[root@localhost hadoop] # cp ./etc/hadoop/*.xml ./input

# 将配置文件作为输入文件

[root@localhost hadoop] # ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'

[root@localhost hadoop] # cat ./output/* # 查看运行结果

若出现提示 “INFO metrics.MetricsUtil: Unable to obtain hostName java.net.UnknowHostException”，这需要执行如下命令修改 hosts 文件，为你的主机名增加IP映射：

[root@localhost hadoop] # sudo vim /etc/hosts

设置主机名的IP映射:

保存文件后，重新运行 hadoop 实例，若执行成功的话会输出很多作业的相关信息，最后的输出信息如下图所示。作业的结果会输出在指定的 output 文件夹中，通过命令 cat ./output/* 查看结果，符合正则的单词 dfsadmin 出现了1次：

Hadoop例子输出结果:略

注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。

[root@localhost hadoop] # rm -r ./output

Hadoop伪分布式配置

Hadoop 可以在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行，节点既作为 NameNode 也作为 DataNode，同时，读取的是 HDFS 中的文件。

在设置 Hadoop 伪分布式配置前，我们还需要设置 HADOOP 环境变量，执行如下命令在 ~/.bashrc 中设置：

[root@localhost hadoop] # gedit ~/.bashrc

将如下语句输入保存到bashrc

# Hadoop Environment Variables

export HADOOP_HOME=/usr/local/hadoop

export HADOOP_INSTALL=$HADOOP_HOME

export HADOOP_MAPRED_HOME=$HADOOP_HOME

export HADOOP_COMMON_HOME=$HADOOP_HOME

export HADOOP_HDFS_HOME=$HADOOP_HOME

export YARN_HOME=$HADOOP_HOME

export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin

运行如下命令配置才能生效

[root@localhost hadoop] # source ~/.bashrc

Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中，伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml 。Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

[root@localhost hadoop] # gedit ./etc/hadoop/core-site.xml

进行如下配置：然后<Ctrl+S>保存

Core-site.xml

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

<value>file:/usr/local/hadoop/tmp</value>

<description>Abase for other temporary directories.</description>

</property>

<name>fs.defaultFS</name>

<value>hdfs://localhost:9000</value>

</property>

</configuration>

[root@localhost hadoop] # gedit ./etc/hadoop/hdfs-site.xml

进行如下配置：然后<Ctrl+S>保存

Core-site.xml

<name>dfs.replication</name>

</value>

</property>

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

<value>file:/usr/local/hadoop/tmp/dfs/name</value>

</property>

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

<value>file:/usr/local/hadoop/tmp/dfs/data</value>

</property>

</configuration>

配置完成后，首先进行NameNode的格式化

[root@localhost hadoop] # ./bin/hdfs namenode -format

其次进行DataNode的格式化

[root@localhost hadoop] # ./bin/hdfs datanode -format

最后开启NameNode和DataNode两个守护进程

[root@localhost hadoop] # ./sbin/start-dfs.sh

启动后通过命令jps来查看

成功启动后，可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。

运行Hadoop伪分布式实例

上面的单机模式，grep 例子读取的是本地数据，伪分布式读取的则是 HDFS 上的数据。要使用 HDFS，首先需要在 HDFS 中创建用户目录：

[root@localhost hadoop] # . /bin/hdfs dfs -mkdir -p /user/hadoop

接着将 ./etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中，即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是/user/hadoop/input:

[root@localhost hadoop] # . /bin/hdfs dfs -mkdir input

[root@localhost hadoop] # ./bin/hdfs dfs -put ./etc/hadoop/*.xml input

复制完成后，可以通过如下命令查看 HDFS 中的文件列表：

[root@localhost hadoop] # ./bin/hdfs dfs -ls input

伪分布式运行 MapReduce 作业的方式跟单机模式相同，区别在于伪分布式读取的是HDFS中的文件

[root@localhost hadoop] # ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'

查看运行结果的命令（查看的是位于 HDFS 中的输出结果）：

[root@localhost hadoop] # ./bin/hdfs dfs -cat output/*

我们也可以将运行结果取回本地：

[root@localhost hadoop] # rm -r ./output

# 先删除本地的 output 文件夹（如果存在）

[root@localhost hadoop] # ./bin/hdfs dfs -get output ./output

# 将 HDFS 上的 output 文件夹拷贝到本机

[root@localhost hadoop] # cat ./output/*

Hadoop 正确运行程序时，输出目录不能存在，

否则会提示错误 “org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists” 。

因此若要再次执行，需要执行如下命令删除 output 文件夹

[root@localhost hadoop] # ./bin/hdfs dfs -rm -r output

# 删除 output 文件夹

注意：

运行程序时，输出目录不能存在

运行 Hadoop 程序时，为了防止覆盖结果，程序指定的输出目录（如 output）不能存在，否则会提示错误，因此运行前需要先删除输出目录。在实际开发应用程序时，可考虑在程序中加上如下代码，能在每次运行时自动删除输出目录，避免繁琐的命令行操作：

[1] Configuration conf = new Configuration();

[2] Job job = new Job(conf);

/* 删除输出目录 */

[3] Path outputPath = new Path(args[1]);

[4] outputPath.getFileSystem(conf).delete(outputPath, true);

启动YARN（伪分布式不启动 YARN 也可以，一般不会影响程序执行）

YARN 是从 MapReduce 中分离出来的，负责资源管理与任务调度。YARN 运行于 MapReduce 之上，提供了高可用性、高扩展性。

上面只不过是启动了Hadoop，仅仅是启动了 MapReduce 环境，我们可以启动 YARN ，让 YARN 来负责资源管理与任务调度。

首先修改配置文件 mapred-site.xml，这边需要先进行重命名，命令如下

[root@localhost hadoop] # mv ./etc/hadoop/mapred-site.xml.template ./etc/hadoop/mapred-site.xml

然后对mapred-site.xml和yarn-site.xml进行配置

[root@localhost hadoop] # gedit ./etc/hadoop/mapred-site.xml

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

</property>

</configuration>

[root@localhost hadoop] # gedit ./etc/hadoop/ yarn-site.xml

<name>yarn.nodemanager.aux-services</name>

<value>mapreduce_shuffle</value>

</property>

</configuration>

紧接着可以启动YARN(需要先执行过 ./sbin/start-dfs.sh)

[root@localhost hadoop] # ./sbin/start-yarn.sh $ 启动YARN

[root@localhost hadoop] # ./sbin/mr-jobhistory-daemon.sh start historyserver

# 开启历史服务器，才能在Web中查看任务运行情况

开启后通过 jps 查看，可以看到多了 NodeManager 和 ResourceManager 两个后台进程。然后在web界面查看运行情况http://localhost:8088/cluster.

有开始必然就有结束，结束YARN的命令如下：

[root@localhost hadoop] # ./sbin/stop-yarn.sh

[root@localhost hadoop] # ./sbin/mr-jobhistory-daemon.sh stop historyserver

加油！宝贝们！！！

最后您也掌握了Hadoop配置及其基本使用。

【参考资料】

[1] How to Setup Hadoop 2.7.1 on CentOS, Ubuntu & LinuxMint

[2] Yarn简单介绍及内存配置