hadoopuserguid快速入门Word格式文档下载.docx

hadoopuserguid快速入门Word格式文档下载.docx

《hadoopuserguid快速入门Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《hadoopuserguid快速入门Word格式文档下载.docx（10页珍藏版）》请在冰豆网上搜索。

Windows下的附加软件需求

1.Cygwin-提供上述软件之外的shell支持。

安装软件

如果你的集群尚未安装所需软件，你得首先安装它们。

以UbuntuLinux为例:

$sudoapt-getinstallssh

$sudoapt-getinstallrsync

在Windows平台上，如果安装cygwin时未安装全部所需软件，则需启动cyqwin安装管理器安装如下软件包：

∙openssh-Net类

下载

为了获取Hadoop的发行版，从Apache的某个镜像服务器上下载最近的稳定发行版。

运行Hadoop集群的准备工作

解压所下载的Hadoop发行版。

编辑conf/hadoop-env.sh文件，至少需要将JAVA_HOME设置为Java安装根路径。

尝试如下命令：

$bin/hadoop

将会显示hadoop脚本的使用文档。

现在你可以用以下三种支持的模式中的一种启动Hadoop集群：

∙单机模式

∙伪分布式模式

∙完全分布式模式

单机模式的操作方法

默认情况下，Hadoop被配置成以非分布式模式运行的一个独立Java进程。

这对调试非常有帮助。

下面的实例将已解压的conf目录拷贝作为输入，查找并显示匹配给定正则表达式的条目。

输出写入到指定的output目录。

$mkdirinput

$cpconf/*.xmlinput

$bin/hadoopjarhadoop-*-examples.jargrepinputoutput'

dfs[a-z.]+'

$catoutput/*

伪分布式模式的操作方法

Hadoop可以在单节点上以所谓的伪分布式模式运行，此时每一个Hadoop守护进程都作为一个独立的Java进程运行。

配置

使用如下的conf/hadoop-site.xml:

<

configuration>

property>

name>

fs.default.name<

/name>

value>

localhost:

9000<

/value>

/property>

mapred.job.tracker<

9001<

dfs.replication<

1<

/configuration>

免密码ssh设置

现在确认能否不输入口令就用ssh登录localhost:

$sshlocalhost

如果不输入口令就无法用ssh登陆localhost，执行下面的命令：

$ssh-keygen-tdsa-P'

'

-f~/.ssh/id_dsa

$cat~/.ssh/id_dsa.pub>

>

~/.ssh/authorized_keys

执行

格式化一个新的分布式文件系统：

$bin/hadoopnamenode-format

启动Hadoop守护进程：

$bin/start-all.sh

Hadoop守护进程的日志写入到${HADOOP_LOG_DIR}目录（默认是${HADOOP_HOME}/logs）.

浏览NameNode和JobTracker的网络接口，它们的地址默认为：

∙NameNode-http:

//localhost:

50070/

∙JobTracker-http:

50030/

将输入文件拷贝到分布式文件系统：

$bin/hadoopfs-putconfinput

运行发行版提供的示例程序：

查看输出文件：

将输出文件从分布式文件系统拷贝到本地文件系统查看：

$bin/hadoopfs-getoutputoutput

或者

在分布式文件系统上查看输出文件：

$bin/hadoopfs-catoutput/*

完成全部操作后，停止守护进程：

$bin/stop-all.sh

Hadoop集群搭建

∙目的

∙安装

∙配置

o配置文件

o集群配置

▪配置Hadoop守护进程的运行环境

▪配置Hadoop守护进程的运行参数

▪Slaves

▪日志

∙Hadoop的机架感知

∙启动Hadoop

∙停止Hadoop

本文描述了如何安装、配置和管理有实际意义的Hadoop集群，其规模可从几个节点的小集群到几千个节点的超大集群。

如果你希望在单机上安装Hadoop玩玩，从这里能找到相关细节。

1.确保在你集群中的每个节点上都安装了所有必需软件。

2.获取Hadoop软件包。

安装

安装Hadoop集群通常要将安装软件解压到集群内的所有机器上。

通常，集群里的一台机器被指定为NameNode，另一台不同的机器被指定为JobTracker。

这些机器是masters。

余下的机器即作为DataNode也作为TaskTracker。

这些机器是slaves。

我们用HADOOP_HOME指代安装的根路径。

通常，集群里的所有机器的HADOOP_HOME路径相同。

接下来的几节描述了如何配置Hadoop集群。

配置文件

对Hadoop的配置通过conf/目录下的两个重要配置文件完成：

1.hadoop-default.xml-只读的默认配置。

2.hadoop-site.xml-集群特有的配置。

要了解更多关于这些配置文件如何影响Hadoop框架的细节，请看这里。

此外，通过设置conf/hadoop-env.sh中的变量为集群特有的值，你可以对bin/目录下的Hadoop脚本进行控制。

集群配置

要配置Hadoop集群，你需要设置Hadoop守护进程的运行环境和Hadoop守护进程的运行参数。

Hadoop守护进程指NameNode/DataNode和JobTracker/TaskTracker。

配置Hadoop守护进程的运行环境

管理员可在conf/hadoop-env.sh脚本内对Hadoop守护进程的运行环境做特别指定。

至少，你得设定JAVA_HOME使之在每一远端节点上都被正确设置。

管理员可以通过配置选项HADOOP_*_OPTS来分别配置各个守护进程。

下表是可以配置的选项。

守护进程

配置选项

NameNode

HADOOP_NAMENODE_OPTS

DataNode

HADOOP_DATANODE_OPTS

SecondaryNamenode

HADOOP_SECONDARYNAMENODE_OPTS

JobTracker

HADOOP_JOBTRACKER_OPTS

TaskTracker

HADOOP_TASKTRACKER_OPTS

例如，配置Namenode时,为了使其能够并行回收垃圾（parallelGC），要把下面的代码加入到hadoop-env.sh:

exportHADOOP_NAMENODE_OPTS="

-XX:

+UseParallelGC${HADOOP_NAMENODE_OPTS}"

其它可定制的常用参数还包括：

∙HADOOP_LOG_DIR-守护进程日志文件的存放目录。

如果不存在会被自动创建。

∙HADOOP_HEAPSIZE-最大可用的堆大小，单位为MB。

比如，1000MB。

这个参数用于设置hadoop守护进程的堆大小。

缺省大小是1000MB。

配置Hadoop守护进程的运行参数

这部分涉及Hadoop集群的重要参数，这些参数在conf/hadoop-site.xml中指定。

参数

取值

备注

fs.default.name

NameNode的URI。

hdfs:

//主机名/

mapred.job.tracker

JobTracker的主机（或者IP）和端口。

主机:

端口。

dfs.name.dir

NameNode持久存储名字空间及事务日志的本地文件系统路径。

当这个值是一个逗号分割的目录列表时，nametable数据将会被复制到所有目录中做冗余备份。

dfs.data.dir

DataNode存放块数据的本地文件系统路径，逗号分割的列表。

当这个值是逗号分割的目录列表时，数据将被存储在所有目录下，通常分布在不同设备上。

mapred.system.dir

Map/Reduce框架存储系统文件的HDFS路径。

比如/hadoop/mapred/system/。

这个路径是默认文件系统（HDFS）下的路径，须从服务器和客户端上均可访问。

mapred.local.dir

本地文件系统下逗号分割的路径列表，Map/Reduce临时数据存放的地方。

多路径有助于利用磁盘i/o。

mapred.tasktracker.{map|reduce}.tasks.maximum

某一TaskTracker上可运行的最大Map/Reduce任务数，这些任务将同时各自运行。

默认为2（2个map和2个reduce），可依据硬件情况更改。

dfs.hosts/dfs.hosts.exclude

许可/拒绝DataNode列表。

如有必要，用这个文件控制许可的datanode列表。

mapred.hosts/mapred.hosts.exclude

许可/拒绝TaskTracker列表。

如有必要，用这个文件控制许可的TaskTracker列表。

通常，上述参数被标记为final以确保它们不被用户应用更改。

现实世界的集群配置

这节罗列在大规模集群上运行sort基准测试（benchmark）时使用到的一些非缺省配置。

∙运行sort900的一些非缺省配置值，sort900即在900个节点的集群上对9TB的数据进行排序：

dfs.block.size

134217728

针对大文件系统，HDFS的块大小取128MB。

dfs.namenode.handler.count

40

启动更多的NameNode服务线程去处理来自大量DataNode的RPC请求。

mapred.reduce.parallel.copies

20

reduce启动更多的并行拷贝器以获取大量map的输出。

mapred.child.java.opts

-Xmx512M

为map/reduce子虚拟机使用更大的堆。

fs.inmemory.size.mb

200

为reduce阶段合并map输出所需的内存文件系统分配更多的内存。

io.sort.factor

100

文件排序时更多的流将同时被归并。

io.sort.mb

提高排序时的内存上限。

io.file.buffer.size

131072

SequenceFile中用到的读/写缓存大小。

∙运行sort1400和sort2000时需要更新的配置，即在1400个节点上对14TB的数据进行排序和在2000个节点上对20TB的数据进行排序：

mapred.job.tracker.handler.count

60

启用更多的JobTracker服务线程去处理来自大量TaskTracker的RPC请求。

50

tasktracker.http.threads

为TaskTracker的Http服务启用更多的工作线程。

reduce通过Http服务获取map的中间输出。

-Xmx1024M

使用更大的堆用于maps/reduces的子虚拟机

Slaves

通常，你选择集群中的一台机器作为NameNode，另外一台不同的机器作为JobTracker。

余下的机器即作为DataNode又作为TaskTracker，这些被称之为slaves。

在conf/slaves文件中列出所有slave的主机名或者IP地址，一行一个。

日志

Hadoop使用Apachelog4j来记录日志，它由ApacheCommonsLogging框架来实现。

编辑conf/log4j.properties文件可以改变Hadoop守护进程的日志配置（日志格式等）。

历史日志

作业的历史文件集中存放在hadoop.job.history.location，这个也可以是在分布式文件系统下的路径，其默认值为${HADOOP_LOG_DIR}/history。

jobtracker的webUI上有历史日志的webUI链接。

历史文件在用户指定的目录hadoop.job.history.user.location也会记录一份，这个配置的缺省值为作业的输出目录。

这些文件被存放在指定路径下的“_logs/history/”目录中。

因此，默认情况下日志文件会在“mapred.output.dir/_logs/history/”下。

如果将hadoop.job.history.user.location指定为值none，系统将不再记录此日志。

用户可使用以下命令在指定路径下查看历史日志汇总

$bin/hadoopjob-historyoutput-dir

这条命令会显示作业的细节信息，失败和终止的任务细节。

关于作业的更多细节，比如成功的任务，以及对每个任务的所做的尝试次数等可以用下面的命令查看

$bin/hadoopjob-historyalloutput-dir

一但全部必要的配置完成，将这些文件分发到所有机器的HADOOP_CONF_DIR路径下，通常是${HADOOP_HOME}/conf。

Hadoop的机架感知

HDFS和Map/Reduce的组件是能够感知机架的。

NameNode和JobTracker通过调用管理员配置模块中的APIresolve来获取集群里每个slave的机架id。

该API将slave的DNS名称（或者IP地址）转换成机架id。

使用哪个模块是通过配置项topology.node.switch.mapping.impl来指定的。

模块的默认实现会调用topology.script.file.name配置项指定的一个的脚本/命令。

如果topology.script.file.name未被设置，对于所有传入的IP地址，模块会返回/default-rack作为机架id。

在Map/Reduce部分还有一个额外的配置项mapred.cache.task.levels，该参数决定cache的级数（在网络拓扑中）。

例如，如果默认值是2，会建立两级的cache－一级针对主机（主机->

任务的映射）另一级针对机架（机架->

任务的映射）。

启动Hadoop

启动Hadoop集群需要启动HDFS集群和Map/Reduce集群。

在分配的NameNode上，运行下面的命令启动HDFS：

$bin/start-dfs.sh

bin/start-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动DataNode守护进程。

在分配的JobTracker上，运行下面的命令启动Map/Reduce：

$bin/start-mapred.sh

bin/start-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动TaskTracker守护进程。

停止Hadoop

在分配的NameNode上，执行下面的命令停止HDFS：

$bin/stop-dfs.sh

bin/stop-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上停止DataNode守护进程。

在分配的JobTracker上，运行下面的命令停止Map/Reduce：

$bin/stop-mapred.sh

bin/stop-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上停止TaskTracker守护进程。