Hadoop教程

Hadoop - 环境设置

GNU/Linux平台及其风格支持Hadoop.因此，我们必须安装Linux操作系统来设置Hadoop环境.如果你有一个Linux以外的操作系统，你可以在其中安装一个Virtualbox软件，并将Linux安装在Virtualbox中.

预安装设置

在将Hadoop安装到Linux环境之前，我们需要使用 ssh (Secure Shell)设置Linux.按照下面给出的步骤设置Linux环境.

创建用户

一开始，建议创建一个单独的用户Hadoop将Hadoop文件系统与Unix文件系统隔离开来.按照下面给出的步骤创建用户 :

使用命令"su"打开root.
使用命令"useradd username"从root帐户创建用户.
现在你可以使用命令"su username"打开现有用户帐户.

打开Linux终端并输入以下命令来创建用户.

$ su 
   password: 
# useradd hadoop 
# passwd hadoop 
   New passwd: 
   Retype new passwd

SSH设置和密钥生成

需要SSH设置才能在群集上执行不同的操作，例如启动，停止和分布式守护程序shell操作.要对Hadoop的不同用户进行身份验证，需要为Hadoop用户提供公钥/私钥对，并与不同的用户共享.

以下命令用于生成密钥值对使用SSH.将公钥从id_rsa.pub复制到authorized_keys，并分别为authorized_keys文件提供所有者读写权限.

$ ssh-keygen -t rsa 
$ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys 
$ chmod 0600 ~/.ssh/authorized_keys

安装Java

Java是Hadoop的主要先决条件.首先，您应该使用命令"java -version"验证系统中是否存在java. java version命令的语法如下所示.

$ java -version

如果一切正常，它会给你以下输出.

java version "1.7.0_71" 
Java(TM) SE Runtime Environment (build 1.7.0_71-b13) 
Java HotSpot(TM) Client VM (build 25.0-b02, mixed mode)

如果系统中没有安装java，请按照下面给出的安装java的步骤进行操作.

步骤1

下载java(JDK< ;最新版本> - X64.tar.gz)访问以下链接 www. oracle.com

然后 jdk-7u71-linux-x64.tar.gz 将下载到您的系统中.

第2步

通常，您会在Downloads文件夹中找到下载的java文件.使用以下命令验证并解压缩 jdk-7u71-linux-x64.gz 文件.

$ cd Downloads/ 
$ ls 
jdk-7u71-linux-x64.gz 

$ tar zxf jdk-7u71-linux-x64.gz 
$ ls 
jdk1.7.0_71   jdk-7u71-linux-x64.gz

步骤3

使java可用于所有用户，您必须将其移动到"/usr/local/"位置.打开root，然后输入以下命令.

$ su 
password: 
# mv jdk1.7.0_71 /usr/local/ 
# exit

步骤4

设置 PATH 和 JAVA_HOME 变量，将以下命令添加到〜/.bashrc 文件中.

export JAVA_HOME=/usr/local/jdk1.7.0_71 
export PATH=$PATH:$JAVA_HOME/bin

现在应用所有更改进入当前运行的系统.

$ source~/.bashrc

步骤5

使用以下命令配置java替代品 :

# alternatives --install /usr/bin/java java usr/local/java/bin/java 2
# alternatives --install /usr/bin/javac javac usr/local/java/bin/javac 2
# alternatives --install /usr/bin/jar jar usr/local/java/bin/jar 2

# alternatives --set java usr/local/java/bin/java
# alternatives --set javac usr/local/java/bin/javac
# alternatives --set jar usr/local/java/bin/jar

现在验证来自终端的java -version命令，如上所述.

下载Hadoop

使用以下命令从Apache软件基础下载并提取Hadoop 2.4.1.

$ su 
password: 
# cd /usr/local 
# wget http://apache.claz.org/hadoop/common/hadoop-2.4.1/ 
hadoop-2.4.1.tar.gz 
# tar xzf hadoop-2.4.1.tar.gz 
# mv hadoop-2.4.1/* to hadoop/ 
# exit

Hadoop操作模式

下载Hadoop后，您可以在三种支持模式之一中操作Hadoop集群 :

本地/独立模式 : 在系统中下载Hadoop后，默认情况下，它以独立模式配置，可以作为单个java进程运行.
Pseudo Distributed模式 : 它是单机上的分布式仿真.每个Hadoop守护程序(如hdfs，yarn，MapReduce等)都将作为单独的java进程运行.此模式对于开发非常有用.
完全分布式模式 : 此模式完全分布，最少两台或多台计算机作为群集.我们将在接下来的章节中详细介绍这种模式.

在独立模式下安装Hadoop

这里我们将讨论以独立模式安装 Hadoop 2.4.1 .

没有守护进程在运行，所有内容都在一个JVM中运行.独立模式适合在开发期间运行MapReduce程序，因为它易于测试和调试.

设置Hadoop

您可以设置Hadoop环境变量通过将以下命令附加到〜/.bashrc 文件.

export HADOOP_HOME =/usr/local/hadoop

在继续进行之前，您需要确保Hadoop工作正常.只需发出以下命令 :

$hadoop version

如果你的设置一切正常，那么你应该看到以下结果 :

Hadoop 2.4.1 
Subversion https://svn.apache.org/repos/asf/hadoop/common -r 1529768 
Compiled by hortonmu on 2013-10-07T06:28Z 
Compiled with protoc 2.5.0
From source with checksum 79e53ce7994d1628b240f09af91e1af4

这意味着您的Hadoop独立模式设置正常.默认情况下，Hadoop配置为在单个计算机上以非分布式模式运行.

示例

让我们来看一个简单的Hadoop示例. Hadoop安装提供了以下示例MapReduce jar文件，该文件提供MapReduce的基本功能，可用于计算，如Pi值，给定文件列表中的字数等等.

$ HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.2.0.jar

让我们有一个输入目录，我们将推送一些文件，我们的要求是计算这些文件中的单词总数.要计算单词总数，我们不需要编写MapReduce，只要.jar文件包含单词计数的实现.您可以使用相同的.jar文件尝试其他示例;只需发出以下命令，通过hadoop-mapreduce-examples-2.2.0.jar文件检查支持的MapReduce功能程序.

$ hadoop jar $ HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduceexamples-2.2.0.jar

第1步

创建临时输入目录中的内容文件.您可以在任何想要工作的地方创建此输入目录.

$ mkdir input 
$ cp $HADOOP_HOME/*.txt input 
$ ls -l input

它将在输入目录中提供以下文件 :

total 24 
-rw-r--r-- 1 root root 15164 Feb 21 10:14 LICENSE.txt 
-rw-r--r-- 1 root root   101 Feb 21 10:14 NOTICE.txt
-rw-r--r-- 1 root root  1366 Feb 21 10:14 README.txt

这些文件已从Hadoop安装主目录复制.对于您的实验，您可以拥有不同的大型文件集.

步骤2

让我们启动Hadoop流程来计算单词总数在输入目录中的所有可用文件中，如下所示 :

$ hadoop jar $ HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduceexamples -2.2.0.jar wordcount输入输出

步骤3

步骤2将执行所需的处理并保存输出/part-r00000文件中的输出，您可以使用 :

$ cat output/*

它将列出输入目录中所有可用文件中的所有单词及其总计数.

"AS      4 
"Contribution" 1 
"Contributor" 1 
"Derivative 1
"Legal 1
"License"      1
"License");     1 
"Licensor"      1
"NOTICE"        1 
"Not      1 
"Object"        1 
"Source"        1 
"Work"    1 
"You"     1 
"Your")   1 
"[]"      1 
"control"       1 
"printed        1 
"submitted"     1 
(50%)     1 
(BIS),    1 
(C)       1 
(Don't)   1 
(ECCN)    1 
(INCLUDING      2 
(INCLUDING,     2 
.............

以伪分布式模式安装Hadoop

按照以下步骤安装Hadoop 2.4 .1在伪分布式模式下.

步骤1 : 设置Hadoop

您可以通过将以下命令附加到〜/.bashrc 文件来设置Hadoop环境变量.

export HADOOP_HOME=/usr/local/hadoop 
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 
export HADOOP_INSTALL=$HADOOP_HOME

现在将所有更改应用到当前正在运行的系统中.

$ source~/.bashrc

Step 2 : Hadoop配置

您可以在"$ HADOOP_HOME/etc/hadoop"位置找到所有Hadoop配置文件.需要根据您的Hadoop基础架构对这些配置文件进行更改.

$ cd $ HADOOP_HOME/etc/hadoop

为了在java中开发Hadoop程序，你必须通过替换 JAVA_HOME来重置 hadoop-env.sh 文件中的java环境变量系统中java的位置值.

export JAVA_HOME =/usr/local/jdk1.7.0_71

以下是您必须编辑以配置Hadoop的文件列表.

core-site.xml

core-site.xml 文件包含的信息例如用于Hadoop实例的端口号，为文件系统分配的内存，用于存储数据的内存限制以及读/写缓冲区的大小.

打开core-site.xml并在< configuration>，</configuration>之间添加以下属性标签.

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

hdfs-site.xml

hdfs-site.xml 文件包含本地文件系统的复制数据，namenode路径和datanode路径的值等信息.它表示您希望存储Hadoop基础结构的位置.

让我们假设以下数据.

dfs.replication (data replication value) = 1 

(In the below given path /hadoop/ is the user name. 
hadoopinfra/hdfs/namenode is the directory created by hdfs file system.) 
namenode path = //home/hadoop/hadoopinfra/hdfs/namenode 

(hadoopinfra/hdfs/datanode is the directory created by hdfs file system.) 
datanode path = //home/hadoop/hadoopinfra/hdfs/datanode

打开此文件，并在< configuration>之间添加以下属性: &LT/结构>此文件中的标签.

<configuration>
   <property>
      <name>dfs.replication</name>
      <value>1</value>
   </property>
    
   <property>
      <name>dfs.name.dir</name>
      <value>file:///home/hadoop/hadoopinfra/hdfs/namenode </value>
   </property>
    
   <property>
      <name>dfs.data.dir&lt/name> 
      <value>file:///home/hadoop/hadoopinfra/hdfs/datanode </value> 
   </property>
</configuration>

注意 : 在上面的文件中，所有属性值都是用户定义的，您可以根据您的Hadoop基础结构进行更改.

yarn-site.xml

此文件用于将纱线配置为Hadoop.打开yarn-site.xml文件，并在< configuration>，</configuration>之间添加以下属性.此文件中的标签.

<configuration>
   <property>
      <name>yarn.nodemanager.aux-services</name>
      <value>mapreduce_shuffle&lt/value> 
   </property>
</configuration>

mapred-site.xml

此文件用于指定哪个MapReduce框架我们正在使用.默认情况下，Hadoop包含yarn-site.xml的模板.首先，需要使用以下命令将文件从 mapred-site.xml.template 复制到 mapred-site.xml 文件.

$ cp mapred-site.xml.template mapred-site.xml

打开 mapred-site.xml 文件，并在此文件中的< configuration>，</configuration>标记之间添加以下属性.

<configuration>
   <property> 
      <name>mapreduce.framework.name</name>
      <value>yarn</value>
   </property>
</configuration>

验证Hadoop安装

以下步骤用于验证Hadoop的安装.

步骤1 : 名称节点设置

使用命令"hdfs namenode -format"设置namenode，如下所示.

 $ cd~ 
 $ hdfs namenode -format

预期结果如下.

10/24/14 21:30:55 INFO namenode.NameNode: STARTUP_MSG: 
/************************************************************ 
STARTUP_MSG: Starting NameNode 
STARTUP_MSG:   host = localhost/192.168.1.11 
STARTUP_MSG:   args = [-format] 
STARTUP_MSG:   version = 2.4.1 
...
...
10/24/14 21:30:56 INFO common.Storage: Storage directory 
/home/hadoop/hadoopinfra/hdfs/namenode has been successfully formatted. 
10/24/14 21:30:56 INFO namenode.NNStorageRetentionManager: Going to 
retain 1 images with txid >= 0 
10/24/14 21:30:56 INFO util.ExitUtil: Exiting with status 0 
10/24/14 21:30:56 INFO namenode.NameNode: SHUTDOWN_MSG: 
/************************************************************ 
SHUTDOWN_MSG: Shutting down NameNode at localhost/192.168.1.11 
************************************************************/

第2步和第2步;验证Hadoop dfs

以下命令用于启动dfs.执行此命令将启动您的Hadoop文件系统.

$ start-dfs.sh

预期输出如下 :

 
 10/24/14 21:37:56 
起始名称节点在[localhost] 
 localhost:起始namenode，登录到/home/hadoop/hadoop 
 2.4.1/logs/hadoop-hadoop-namenode-localhost.out 
 localhost:启动datanode，logging to/home/hadoop/hadoop 
 2.4.1/logs/hadoop-hadoop-datanode-localhost.out 
起始辅助名称节点[0.0.0.0]

步骤3 : 验证纱线脚本

以下命令用于启动纱线脚本.执行此命令将启动您的纱线守护进程.

 
 $ start-yarn.sh

预期输出如下 :

10/24/14 21:37:56 
Starting namenodes on [localhost] 
localhost: starting namenode, logging to /home/hadoop/hadoop
2.4.1/logs/hadoop-hadoop-namenode-localhost.out 
localhost: starting datanode, logging to /home/hadoop/hadoop
2.4.1/logs/hadoop-hadoop-datanode-localhost.out 
Starting secondary namenodes [0.0.0.0]