hadoop集群环境搭建

听说Hadoop很久了，今天开始尝试自己搭建一个集群来玩玩，同时学习下Linux各种操作。

主要参考资料当然是官方文档了：

Hadoop 集群搭建：http://hadoop.apache.org/common/docs/r0.19.2/cn/cluster_setup.html

Hadoop 快速入门：http://hadoop.apache.org/common/docs/r0.19.2/cn/quickstart.html

采用的操作系统是 Ubuntu 11.04.03 64-bit Server。

通过VMware 来创建虚拟网络，这也是现实问题，没有那么多机器啊

 

预计的设计是这样，4台虚拟机：NameServer, JobTracker, DataNode01, DataNode02。

主机为Win7。

 

首先安装系统，这个没有什么好说的，VMware有Easy Install，中间偶尔干涉一下，就完事了。

然后安装必须的软件，第一个就是JAVA，Hadoop推荐使用Sun公司的Java, 但是用apt-get install java， 只有openjdk之类的。于是上网搜了半天，找到一篇文章（http://blog.csdn.net/ansomray/article/details/5825096），根据其说明，添加apt source，再重新安装，命令如下：

sudo add-apt-repository "deb http://archive.canonical.com/ lucid partner"

sudo apt-get update

sudo apt-get install sun-java6-jdk

然后设置JAVA_HOME：

 

sudo vi /etc/environment

在其中添加

 

 

<pre name="code" class="plain">JAVA_HOME=/usr/lib/jvm/java-6-sun
CLASSPATH=.:/usr/lib/jvm/java-6-sun/lib

 

接着再安装ssh，这个没有什么好说的：

 

 

sudo apt-get install ssh
sudo apt-get install rsync

再来就是获取Hadoop的发行版，这个可以从这里获取稳定发行版。

 

在Win7中下载下来后，问题就来了，怎么从Ubuntu Server中访问Win7的东西，这玩意儿只有命令行啊。继续搜索，发现是通过mount 的方式来处理： 先在mnt下建立一个目录，然后把Win7中共享的文件mount 到那个目录上，这样就可以访问了。命令如下：

 

sudo mkdir /mnt/HostShare
sudo mount -t cifs -o username=myname,password=11111 //192.168.0.100/share /mnt/HostShare

这里本来是查到的用smbfs，结果Ubuntu说这个好像将从2.6.27内核中删除，不推荐使用，于是采用了cifs。同时好像必须要同时提供username和password，不然就会说writen-protected，mount不上去。

 

最后当然是建立Hadoop目录，解压弄下来的文件，我下载的是.tar.gz文件，所以命令如下：

 

sudo tar zxvf hadoop.tar.gz
sudo mv hadoop-hadoop-0.20.203 /hadoop

第二个命令是把解压后的文件夹移动到根目录并重命名为hadoop，这个是为了管理方便。

 

 

这样，基本的软件准备就搞定了，下面就是拷贝装好的第一台虚拟机，再复制三台出来，分别按照预定各自命名，然后就是组建网络了。

软件准备好了，开始搭建网络。

我用的是VMware WorkStation 6.5，而VMware提供了三种网络支持：Bridge, Nat, Host Only。

关于VMware的网络概念，我严重参考了这篇文章：深入理解VMware虚拟网络（http://wangchunhai.blog.51cto.com/225186/381225）

简单来说，我需要这4台虚拟机能上网（Internet），同时相互能互联，并且能够与主机互联。拓扑结构可以参考那篇文章，只是其中的一个子集而已（所有虚拟机在一个子网中）。

这个目标我选择使用NAT虚拟网络来实现，这好像也是VMware装机时默认的网络配置。不过在默认情况下，好像只有一台机器可以通过NAT上网，这时就需要手动配置网络了。

首先寻找NAT的网段等信息，先启动一台虚拟机，假设就是NameNode。

使用下面命令来查看：

 

ifconfig

这时，应该会有两个网络设备，eth0和lo，不去管lo，eth0的IP地址是192.168.100.138，这个是通过DHCP自动获取的，由此我们可以得到网段是192.168.100.*。

 

再看看网关：

 

route

 

得到了默认的网关是192.168.100.2。这里比较奇怪的是我在Win7的网络适配器中看到VmNet8的IP是192.168.100.1，难道网关不是它吗？不过我同时也发现VmNet8也是被禁用了的，很晕。

好了，现在得到了足够的信息，开始进行网络配置：

 

sudo vi /etc/network/interfaces

将eth0相关的内容修改为如下配置：

 

 

auto eth0

iface eth0 inet static
address 192.168.100.101
netmask 255.255.255.0
gateway 192.168.100.2

然后再重启网络服务：

 

 

sudo /etc/init.d/networking restart

最后再用ifconfig和route来看看是更改过来了，再ping一下sina，看看Internet是否可用：

 

 

按照同样的方法来配置其余3台虚拟机即可。这里要注意的是不知道是不是由于我是直接拷贝虚拟机文件的原因，在剩下的三台虚拟机中，eth0不见了，只有eth1，第一次用ifconfig时也只是显示出lo来，后来使用 ifconfig -a才发现有个eth1的。那么在之前的网络配置/etc/network/interfaces 中，就需要添加为eth1的。

 

网络配好了后，可以通过ssh或ping来检测是否可以相互联通。

接下来就是配置各个服务器了。

 

本来以为网络搭建好了就可以了，没有想到还有ssh这个东西需要配置免密码访问，这个东西应该也算是软件上互联吧。

ssh免密码本来是很简单的一件事情，不过我折腾了2天，这就是菜鸟的必经过程了，我算是觉悟了。

经过无数次的尝试，终于拼出了一条正确的道路：

 

1. 首先在本地生成空密码的公钥和私钥：

 

ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa

在网上看到有些使用rsa，不过在Hadoop网站上写的是dsa，就使用dsa吧，生成的密钥文件放在当前用户的.ssh目录下，据我观察，貌似ssh所需要的用户配置文件都存放在这里。执行命令后应该会有 id_dsa, id_dsa.pub两个文件。

 

2. 配置本地访问不需要密码：

 

cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

其实就是把生成的公钥导入到authorized_keys中，估计ssh 会使用这个文件来进行验证。

 

3. 执行下面的命令来测试本地访问

 

ssh localhost

如果之前没有使用过ssh连接localhost， 那么会有提示添加localhost到knowhosts中去，然后要求输入密码。第二次及以后的连接就不需要密码了。

 

这里要注意，一定要执行exit来退出ssh，否则这样嵌套执行会搞晕人的。我就这么晕了半天，不知道是在ssh上干活还是直接登录干活。后来在直接操作时把目录切换到了～/.ssh下，这样使用ssh后命令提示符就不一样了。呵呵，菜鸟就是需要多搞一点提示。

4. 把本地的公钥复制到另外的机器（比如192.168.100.102）上：

 

scp ~/.ssh/id_dsa.pub fox@192.168.100.102:/home/fox/.ssh/101_dsa.pub

 

这个会要求输入102的密码，照提示输入即可。

这里就是折腾了我2天的罪魁祸首，在配置从NameNode(192.168.100.101免密码ssh访问)JobTracker（192.168.100.102）时，一定要在NameNode上执行这个命令。虽然我不知道为什么，但是多次尝试下来，就只有这样才能成功。或许还有其它办法，以后有机会了再研究研究。

5. 在另外一台机器上JobTracker（192.168.100.102），把刚刚拷贝过来的公钥导入authorized_keys

 

cat ~/.ssh/101_dsa.pub >> authorized_keys

6. 从101上连接102：

 

 

ssh 192.168.100.102

同样第一次连接的话会询问是否添加机器以及要求输入密码，第二次就不用了。

 

 

至此就算配置好了ssh从其中一台到另外一台的免密码访问了，把这个操作在各个机器上两两执行，就可以让任意一台机器免密码访问另外任意一台机器了。

如果配置过程中有失误，想要重新来，可以删除.ssh下的所有东西，从头来过。

 

 

顺便提一下，我用的是VMware文件拷贝生成的虚拟机，故而所有虚拟机的机器名都是一致的，不知道会有什么问题，所以我在执行上述操作时更改了机器名。

改机器名要改两个地方：

sudo vi /etc/hostname
sudo vi /etc/hosts

/etc/hostname 里面的字符串就是机器名，这个要重启后才能生效。Ubuntu下才是这样的，其它Linux貌似不是这个文件。

/etc/hosts 里面应该是用于访问网络时的一个DNS式的东西，把所有出现原机器名的地方都替换成新的机器名即可。

 

改好后重启，可以用hostname命令来查看是否成功。

 

好了，暂时就到这里，明天再研究真正的Hadoop配置文件。

 

实际配置这部分时，才发现在（一）当中提到的那两个官网文档已经过时了，现在我实际下载的版本是 0.20.203，也即那个stable版本。于是只好找到相应版本的文档来参考了：http://hadoop.apache.org/common/docs/stable/cluster_setup.html

 

关于Hadoop的配置，按照我的理解，应该有六个文件需要修改，它们都在Hadoop的conf文件夹下，分别是：

masters/slavers：配置masters和slavers的机器IP

hadoop-env.sh ：Hadoop 运行时的环境变量，比如JAVA_HOME，LOG之类的

core-site.xml ：Hadoop 的核心配置文件，对应并覆盖core-default.xml 中的配置项

hdfs-site.xml ：HDFS 的配置文件，对应并覆盖hdfs-default.xml 中的配置项

mapred-site.xml ：Map/Reduce的配置文件，对应并覆盖mapred-default.xml 中的配置项

上面提到的三个*-default.xml 是Hadoop的默认配置项，理论上都是只读的，如果要修改，就通过对应的用户配置文件来覆盖其设置。

 

1、先配置masters/slavers，NameNode和JobTracker是master， DataNode01和DataNode02是salvers

Masters：

 

vi /hadoop/conf/masters

masters文件内容如下：

 

 

192.168.100.101
192.168.100.102

 

Slavers：

vi /hadoop/conf/slavers

slavers文件内容如下：

 

 

192.168.100.103
192.168.100.104

 

2、先配置hadoop-env.sh，这里最重要的是配置JAVA_HOME，在我的机器上是这样的：

 

export JAVA_HOME=/usr/lib/jvm/java-6-sun

其余的可以考虑配置日志文件路径：

 

 

export HADOOP_LOG_DIR=${HADOOP_HOME}/logs

3、配置core-site.xml，通过文档可以知道这里一般是配置NameNode的地址，即机器名或IP：

 

<configuration>
        <property>
                <name>fs.default.name</name>
                <value>hdfs://192.168.100.101:9000</value>
        </property>
</configuration>

4、配置hdfs-site.xml，这里一般配置文件存放路径以及文件权限：

 

 

<configuration>
    <property>
        <!-- DFS中存储文件命名空间信息的目录 -->
        <name>dfs.name.dir</name>
        <value>/hadoop/dfs/name</value>
    </property>
    <property>
        <!-- DFS中存储文件数据的目录 -->
        <name>dfs.data.dir</name>
        <value>/hadoop/dfs/data</value>
    </property>
    <property>
        <!-- 是否对DFS中的文件进行权限控制(测试中一般用false)-->
        <name>dfs.permissions</name>
        <value>false</value>
   </property>
</configuration>

5、配置mapred-site.xml， 这里配置的东西有很多，都是跟Map-Reduce相关的，不过暂时先配置如下几项：

 

<configuration>
    <property>
        <!-- JobTracker节点 -->
        <name>mapred.job.tracker</name>
        <value>192.168.100.102:9001</value>
    </property>
    <property>
        <!-- map/reduce的系统目录（使用的HDFS的路径） -->
        <name>mapred.system.dir</name>
        <value>/hadoop/mapred/system</value>
    </property>
    <property>
        <!-- map/reduce的临时目录（可使用“,”隔开，设置多重路径来分摊磁盘IO） -->
        <name>mapred.local.dir</name>
        <value>/hadoop/mapred/local</value>
    </property>
</configuration>

 

 

这些配置都可以在一台机器上搞定，由于Hadoop所有机器是使用同样的配置，所以可以通过scp命令将conf下的内容拷贝复制到各个机器上：

 

scp -rp /hadoop/conf fox@192.168.100.102/hadoop/

只复制conf是由于我拷贝虚拟机时就已经把JAVA,Hadoop 都安装好后才拷贝的，这样可以保证所有文件在同一目录。

 

 

启动

然后，激动人心的时刻到了，所有配置都搞定了，我们可以启动了！

不过还有一件事情必须要先做， 格式化名称空间。

在NameNode上，执行如下命令：

 

cd /hadoop/bin
./hadoop namenode -format

执行后结果如下：

 

 

然后就可以执行最后一个命令了：

 

./start-all.sh

如果一切顺利的话，应该就成功了：

 

 

如果要关闭的话，可以执行

 

./stop-all.sh