Hadoop安裝配置

 最近在公司接手了新的project，需要對公司的整個無線網路進行分布式的爬取，網頁索引進行更新和計算PR值，由於資料量太大（千萬級資料量），不得不進行分布式的處理。新的版本準備採用Hadoop架構，現在將Hadoop配置的大致過程和需要注意的事項進行說明，呵呵，轉載自別人的文章（以後的文章我會著重說明我在配置的過程中碰到的一些問題，作為一點小小的總結吧）http://www.cnblogs.com/wayne1017/archive/2007/03/20/678724.html

本文主要是以安裝和使用hadoop為例，指出在部署Hadoop的時候容易遇到的問題以及如何解決。

硬體環境
共有3台機器，均使用的FC5系統，Java使用的是jdk1.6.0。IP配置如下：
dbrg-1：202.197.18.72
dbrg-2：202.197.18.73
dbrg-3：202.197.18.74

這裡有一點需要強調的就是，務必要確保每台機器的主機名稱和IP地址之間能正確解析。

一個很簡單的測試辦法就是ping一下主機名稱，比如在dbrg-1上ping
dbrg-2，如果能ping通就OK！若不能正確解析，可以修改/etc/hosts檔案，如果該台機器作Namenode用，則需要在hosts檔案中加上叢集中所有機器的IP地址及其對應的主機名稱；如果該台機器作Datanode用，則只需要在hosts檔案中加上本機IP地址和Namenode機器的IP地址。

以本文為例，dbrg-1中的/etc/hosts檔案看起來就應該是這樣的：
127.0.0.0        
localhost     localhost
202.197.18.72     dbrg-1       
dbrg-1
202.197.18.73     dbrg-2        dbrg-2
202.197.18.74    
dbrg-3        dbrg-3

dbrg-2中的/etc/hosts檔案看起來就應該是這樣的：
127.0.0.0        
localhost    localhost
202.197.18.72     dbrg-1      
dbrg-1
202.197.18.73     dbrg-2       dbrg-2

在上一篇學習筆記中提到過，對於Hadoop來說，在HDFS看來，節點分為Namenode和Datanode，其中Namenode只有一個，Datanode可以是很多；在MapReduce看來，節點又分為Jobtracker和Tasktracker，其中Jobtracker只有一個，Tasktracker可以是很多。
我是將namenode和jobtracker部署在dbrg-1上，dbrg-2,dbrg-3作為datanode和tasktracker。當然你也可以將namenode，datanode，jobtracker，tasktracker全部部署在一台機器上

目錄結構
由於Hadoop要求所有機器上hadoop的部署目錄結構要相同，並且都有一個相同的使用者名稱的帳戶。
我的三台機器上是這樣的：都有一個dbrg的帳戶，主目錄是/home/dbrg
Hadoop部署目錄結構如下：/home/dbrg/HadoopInstall，所有的hadoop版本放在這個目錄中。
將hadoop0.12.0壓縮包解壓至HadoopInstall中，為了方便以後升級，建議建立一個連結指向要使用的hadoop版本，不妨設為hadoop
[dbrg@dbrg-1:HadoopInstall]$ln 
-s  hadoop0.12.0  
hadoop
這樣一來，所有的設定檔都在/hadoop/conf/目錄中，所有執行程式都在/hadoop/bin目錄中。
但是由於上述目錄中hadoop的設定檔和hadoop的安裝目錄是放在一起的，這樣一旦日後升級hadoop版本的時候所有的設定檔都會被覆蓋，因此建議將設定檔與安裝目錄分離，一種比較好的方法就是建立一個存放設定檔的目錄，/home/dbrg/HadoopInstall/hadoop-config/，然後將/hadoop/conf/目錄中的hadoop_site.xml，slaves，hadoop_env.sh三個檔案拷貝到hadoop-config/目錄中(這個問題很奇怪，在官網上的Getting
Started With
Hadoop中說是只需要拷貝這個三個檔案到自己建立的目錄就可以了，但我在實際配置的時候發現還必須把masters這個檔案也拷貝到hadoop-conf/目錄中才行，不然啟動Hadoop的時候就會報錯說找不到masters這個檔案)，並指定環境變數$HADOOP_CONF_DIR指向該目錄。環境變數在/home/dbrg/.bashrc和/etc/profile中設定。
綜上所述，為了方便以後升級版本，我們需要做到設定檔與安裝目錄分離，並通過設定一個指向我們要使用的版本的hadoop的連結，這樣可以減少我們對設定檔的維護。在下面的部分，你就會體會到這樣分離以及連結的好處了。

SSH設定
在Hadoop啟動以後，Namenode是通過SSH（Secure
Shell）來啟動和停止各個節點上的各種守護進程的，這就需要在節點之間執行指令的時候是不需要輸入密碼的方式，故我們需要配置SSH使用無密碼公開金鑰認證的方式。
首先要保證每台機器上都裝了SSH伺服器，且都正常啟動。實際中我們用的都是OpenSSH，這是SSH協議的一個免費開源實現。FC5中預設安裝的OpenSSH版本是OpenSSH4.3P2。
以本文中的三台機器為例，現在dbrg-1是主節點，它需要主動發起SSH串連到dbrg-2和dbrg-3，對於SSH服務來說，dbrg-1就是SSH用戶端，而dbrg-2、dbrg-3則是SSH服務端，因此在dbrg-2，dbrg-3上需要確定sshd服務已經啟動。簡單的說，在dbrg-1上需要產生一個金鑰組，即一個私密金鑰，一個公開金鑰。將公開金鑰拷貝到dbrg-2，dbrg-3上，這樣，比如當dbrg-1向dbrg-2發起ssh串連的時候，dbrg-2上就會產生一個隨機數並用dbrg-1的公開金鑰對這個隨機數進行加密，並發送給dbrg-1；dbrg-1收到這個加密的數以後用私密金鑰進行解密，並將解密後的數發送回dbrg-2，dbrg-2確認解密的數無誤後就允許dbrg-1進行串連了。這就完成了一次公開金鑰認證過程。

對於本文中的三台機器，首先在dbrg-1上產生金鑰組：
[dbrg@dbrg-1:~]$ssh-keygen 
-t 
rsa
這個命令將為dbrg-1上的使用者dbrg產生其金鑰組，詢問其儲存路徑時直接斷行符號採用預設路徑，當提示要為產生的密鑰輸入passphrase的時候，直接斷行符號，也就是將其設定為空白密碼。產生的金鑰組id_rsa，id_rsa.pub，預設儲存在/home/dbrg/.ssh目錄下。然後將id_rsa.pub的內容複寫到每個機器(也包括本機)的/home/dbrg/.ssh/authorized_keys檔案中，如果機器上已經有authorized_keys這個檔案了，就在檔案末尾加上id_rsa.pub中的內容，如果沒有authorized_keys這個檔案，直接cp或者scp就好了，下面的操作假設各個機器上都沒有authorized_keys檔案。

對於dbrg-1
[dbrg@dbrg-1:.ssh]$cp id_rsa.pub
authorized_keys

對於dbrg-2（dbrg-3同dbrg-2的方法）
[dbrg@dbrg-2:~]$mkdir
.ssh
[dbrg@dbrg-1:.ssh]$scp authorized_keys
dbrg-2:/home/dbrg/.ssh/
此處的scp就是通過ssh進行遠程copy，此處需要輸入遠程主機的密碼，即dbrg-2機器上dbrg帳戶的密碼，當然，你也可以用其他方法將authorized_keys檔案拷貝到其他機器上

[dbrg@dbrg-2:.ssh]$chmod 644 authorized_keys
這一步非常關鍵，必須保證authorized_keys只對其所有者有讀寫權限，其他人不允許有寫的許可權，否則SSH是不會工作的。我就曾經在配置SSH的時候鬱悶了好久。

[dbrg@dbrg-2:.ssh]ls -la
drwx------ 2 dbrg dbrg
.
drwx------ 3 dbrg dbrg ..
 -rw-r--r-- 1 dbrg dbrg
authorized_keys
注意每個機器上的.ssh目錄的ls
-la都應該和上面是一樣的

接著，在三台機器上都需要對sshd服務進行配置(其實是可以不用配置的，完成了上面的那些操作了以後SSH就已經可以工作了)，在三台機器上修改檔案/etc/ssh/sshd_config
#去除密碼認證
PasswordAuthentication 
no
AuthorizedKeyFile   .ssh/authorized_keys

至此各個機器上的SSH配置已經完成，可以測試一下了，比如dbrg-1向dbrg-2發起ssh串連
[dbrg@dbrg-1:~]$ssh 
dbrg-2
如果ssh配置好了，就會出現以下提示資訊
The authenticity of host [dbrg-2] can't be
established.
Key fingerprint is 1024
5f:a0:0b:65:d3:82:df:ab:44:62:6d:98:9c:fe:e9:52.
Are you sure you want to
continue connecting
(yes/no)?
OpenSSH告訴你它不知道這台主機，但是你不用擔心這個問題，因為你是第一次登入這台主機。鍵入“yes”。這將把這台主機的“識別標記”加到“~/.ssh/know_hosts”檔案中。第二次訪問這台主機的時候就不會再顯示這條提示資訊了。
然後你會發現不需要輸入密碼就可以建立ssh串連了，恭喜你，配置成功了
不過，別忘了測試本機ssh  dbrg-1

Hadoop環境變數
在/home/dbrg/HadoopInstall/hadoop-conf目錄下的hadoop_env.sh中設定Hadoop需要的環境變數，其中JAVA_HOME是必須設定的變數。HADOOP_HOME變數可以設定也可以不設定，如果不設定，HADOOP_HOME預設的是bin目錄的父目錄，即本文中的/home/dbrg/HadoopInstall/hadoop。我的是這樣設定的
export 
HADOOP_HOME=/home/dbrg/HadoopInstall/hadoop
export 
JAVA_HOME=/usr/java/jdk1.6.0
從這個地方就可以看出前面所述的建立hadoop0.12.0的連結hadoop的優點了，當以後更新hadoop的版本的時候，就不需要在改設定檔，只需要更改連結就可以了。

Hadoop設定檔
如前所述，在hadoop-conf/目錄下，開啟slaves檔案，該檔案用來指定所有的從節點，一行指定一個主機名稱。即本文中的dbrg-2，dbrg-3，因此slaves檔案看起來應該是這樣的
dbrg-2
dbrg-3
在conf/目錄中的hadoop-default.xml中包含了Hadoop的所有配置項，但是不允許直接修改！可以在hadoop-conf/目錄下的hadoop-site.xml裡面定義我們需要的項，其值會覆蓋hadoop-default.xml中的預設值。可以根據自己的實際需要來進行定製。以下是我的配置檔：
<?xml
version="1.0"?>
<?xml-stylesheet type="text/xsl"
href="configuration.xsl"?>
<!-- Put site-specific property overrides
in this file. -->
<configuration>
<property>
 
<name>fs.default.name</name>
 
<value>dbrg-1:9000</value>
  <description>The name of the
default file system. Either the literal string "local" or a host:port for
DFS.</description>
</property>
<property>
 
<name>mapred.job.tracker</name>
 
<value>dbrg-1:9001</value>
  <description>The host and port
that the MapReduce job tracker runs at. If "local", then jobs are run in-process
as a single map and reduce
task.</description>
</property>
<property>
 
<name>hadoop.tmp.dir</name>
 
<value>/home/dbrg/HadoopInstall/tmp</value>
 
<description>A base for other temporary
directories.</description>
</property>
<property>
 
<name>dfs.name.dir</name>
 
<value>/home/dbrg/HadoopInstall/filesystem/name</value>
 
<description>Determines where on the local filesystem the DFS name node
should store the name table. If this is a comma-delimited list of directories
then the name table is replicated in all of the directories, for redundancy.
</description>
</property>
<property>
 
<name>dfs.data.dir</name>
 
<value>/home/dbrg/HadoopInstall/filesystem/data</value>
 
<description>Determines where on the local filesystem an DFS data node
should store its blocks. If this is a comma-delimited list of directories, then
data will be stored in all named directories, typically on different devices.
Directories that do not exist are
ignored.</description>
</property>
<property>
 
<name>dfs.replication</name>
  <value>1</value>
 
<description>Default block replication. The actual number of replications
can be specified when the file is created. The default is used if replication is
not specified in create
time.</description>
</property>
</configuration>

     
部署Hadoop
前面講的這麼多Hadoop的環境變數和設定檔都是在dbrg-1這台機器上的，現在需要將hadoop部署到其他的機器上，保證目錄結構一致。
[dbrg@dbrg-1:~]$scp  -r 
/home/dbrg/HadoopInstall  dbrg-2:/home/dbrg/
[dbrg@dbrg-1:~]$scp  -r 
/home/dbrg/HadoopInstall 
dbrg-3:/home/dbrg/
至此，可以說，Hadoop已經在各個機器上部署完畢了下面就讓我們開始啟動Hadoop吧

啟動Hadoop
啟動之前，我們先要格式化namenode，先進入~/HadoopInstall/hadoop目錄，執行下面的命令
[dbrg@dbrg-1:hadoop]$bin/hadoop 
namenode 
-format
不出意外，應該會提示格式化成功。如果不成功，就去hadoop/logs/目錄下去查看記錄檔
下面就該正式啟動hadoop啦，在bin/下面有很多啟動指令碼，可以根據自己的需要來啟動。
* start-all.sh 啟動所有的Hadoop守護。包括namenode, datanode,
jobtracker, tasktrack
* stop-all.sh 停止所有的Hadoop
* start-mapred.sh
啟動Map/Reduce守護。包括Jobtracker和Tasktrack
* stop-mapred.sh 停止Map/Reduce守護
*
start-dfs.sh 啟動Hadoop DFS守護.Namenode和Datanode
* stop-dfs.sh
停止DFS守護

在這裡，簡單啟動所有守護
[dbrg@dbrg-1:hadoop]$bin/start-all.sh

同樣，如果要停止hadoop，則
[dbrg@dbrg-1:hadoop]$bin/stop-all.sh

HDFS操作
運行bin/目錄的hadoop命令，可以查看Haoop所有支援的操作及其用法，這裡以幾個簡單的操作為例。

建立目錄
[dbrg@dbrg-1:hadoop]$bin/hadoop  dfs  -mkdir 
testdir
在HDFS中建立一個名為testdir的目錄

複製檔案
[dbrg@dbrg-1:hadoop]$bin/hadoop  dfs  -put 
/home/dbrg/large.zip 
testfile.zip
把本地檔案large.zip拷貝到HDFS的根目錄/user/dbrg/下，檔案名稱為testfile.zip

查看現有檔案
[dbrg@dbrg-1:hadoop]$bin/hadoop  dfs  -ls