HADOOP的初次尝试

Hadoop的下载地址：
http://www.apache.org/dyn/closer.cgi/hadoop/core/
版本：hadoop0.17.1

JDK的安装：
要求必须安装jdk1.5.07以上的版本。


分步式环境的搭建：
1、 硬件环境
我们采用了3台机器来构建,都安装的是Red Hat 4.1.2-42系统，并且都有一个名为“mingjie“的帐号，如下：
           主机名称：hdfs1    ip:192.168.0.221        功能：NameNode,JobTracker
           主机名称：hdfs2    ip:192.168.0.227       功能：DataNode,TaskTracker
主机名称：hdfs3    ip:192.168.0.228       功能：DataNode,TaskTracker

重点：修改3台机器的/etc/hosts,让彼此的主机名称和ip都能顺利解析
         127.0.0.1       localhost
          192.168.0.37    hdfs1
          192.168.0.43    hdfs2
          192.168.0.53    hdfs3
2、 每台机器都要安装java环境，我们的路径统一为“/opt/modules/jdk1.6“,并添加到系统环境变量sudo vi /etc/profile

JAVA_HOME=/opt/modules/jdk1.6
PATH=$JAVA_HOME/bin:$PATH:$CATALINA_HOME/bin
CLASSPATH=$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/lib/tools.jar
export JAVA_HOME
3、 下载hadoop0.17.1，将hadoop解压到/home/mingjie/,建议最好也将hadoop的目录添加到环境变量里面去:

HADOOP_HOME=/home/mingjie/hadoop-0.17.1 #这是hadoop的主目录  
export HADOOP_HOME
HADOOP_CONF_DIR=$HADOOP_HOME/conf   #这是hadoop的配置文件目录
export HADOOP_CONF_DIR
HADOOP_LOG_DIR=/home/mingjie/hadoop-0.17.1/log    ＃存放运行日志目录  
export HADOOP_LOG_DIR  
export PATH=$PATH:$HADOOP_HOME/bin

4、 安装ssh,并生成公钥和私钥
 运行 ssh-keygen -t rsa，根据屏幕提示直接选择“回车”
 会在用户目录~/.ssh/产生两个文件，id_rsa，id_rsa.pub
 cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys 
以上配置完成后，执行一下ssh localhsot,确认你的每台机器都可以使用ssh

5、 将master服务器上的authorized_keys的内容加到slave两台机器的authorized_keys文件中。让master也可以不需要密码访问2台slave服务器。

sudo scp authorized_keys hdfs2:/home/mingjie/.ssh/  
sudo scp authorized_keys hdfs3:/home/mingjie/.ssh/   
ssh hdfs2  
ssh hdfs3 
6、 接下来，我们要修改hadoop的[conf/masters]、[conf/slaves]这2个文件：
       Master设置(<HADOOP_HOME>/conf/masters):hdfs1
       Slave设置(<HADOOP_HOME>/conf/slaves):hdfs2 hdfs3
7、 修改［conf/hadoop-env.sh］：
       export JAVA_HOME=/opt/jdk1.6.0_03
8、 修改［conf/hadoop-site.xml],这里只是几个常用的属性配置，有关hadoop的性能优化调整，需要研究hadoop-default.xml:
<configuration>
   <property>  
      <name>fs.default.name</name>//你的namenode的配置，机器名加端口  
      <value>hdfs://hdfs1:54310/</value>
   </property>
   <property>
     <name>mapred.job.tracker</name>//你的JobTracker的配置，机器名加端口  
      <value>hdfs://hdfs1:54311</value>
   </property>
   <property>
      <name>dfs.replication</name>//数据需要备份的数量，默认是三  
      <value>1</value>
   </property>
   <property>
      <name>hadoop.tmp.dir</name>//Hadoop的默认临时路径，这个最好配置，如果在新增节点或者其他情况下莫名其妙的DataNode启动不了，就删除此文件中的tmp目录即可。不过如果删除了NameNode机器的此目录，那么就需要重新执行NameNode格式化的命令。   
      <value>/home/mingjie/hadoop-0.17.1/tmp/</value>
   </property>
   <property>  
      <name>mapred.child.java.opts</name>//java虚拟机的一些参数可以参照配置  
      <value>-Xmx512m</value>
   </property>
   <property> 
      <name>dfs.block.size</name>//block的大小，单位字节，后面会提到用处，必须是512的倍数，因为采用crc作文件完整性校验，默认配置512是checksum的最小单元。 
      <value>5120000</value>
      <description>The default block size for new files.</description>
   </property>
</configuration>
9、 然后将hadoop的整体环境拷贝到hdfs2、hdfs3上面去
    scp -r /home/mingjie/hadoop.0.17.1 hdfs2:/home/mingjie/ hadoop.0.17.1
    scp -r /home/mingjie/ hadoop.0.17.1 hdfs3:/home/mingjie/ hadoop.0.17.1
10、 在hdfs1这个namenode上面格式化一个新的分布式文件系统HDFS，就是hadoop-site.xml文件中指定的hadoop.tmp.dir路径
         <HADOOP_HOME>/bin/hadoop namenode –format

到此大致上就完成了hadoop环境布署
        启动hadoop：<HADOOP_HOME>/bin/start-all.sh
停止hadoop：<HADOOP_HOME>/bin/stop-all.sh

说明：
    (1) 执行启动Hadoop进程后，
 在master服务器会启动3个java进程,分别的NameNode,SecondNameNode,JobTracker,在LOG目录下会产生2个文件，分别对应NameNode的运行日志和JobTracker的运行日志，
 在slave服务器会启动2个java进程，分别为DataNode,TaskTracker，,在LOG目录下会产生2个文件，分别对应DataNode的运行日志和TaskTracker的运行日志，可以通过查看日志分析hadoop的启动是否正确。
(2) 通过IE浏览分布式文件系统中的文件
 访问 http://hdfs1:50030 可以查看JobTracker的运行状态。
 访问 http://360quan-1:50060可以查看 TaskTracker的运行状态。
 访问 http://360quan-1:50070可以查看NameNode以及整个分布式文件系统的状态。

当初研究nutch的时候也研究过hadoop，是一种并行运算的东东，里面实现的map reduce算法一直没搞清楚，lz能不能顺便做一些讲解啊。