Hadoop使用学习笔记

1.Hadoop安装与基本概念

1.1环境配置需求

本文是用的Hadoop版本是最新的2.7.2发行版。
本文分两个机器环境，分别是研发环境和测试环境：

环境配置：
操作系统：
LSB Version: :base-4.0-amd64:base-4.0-noarch:core-4.0-amd64:core-4.0-noarch:graphics-4.0-amd64:graphics-4.0-noarch:printing-4.0-amd64:printing-4.0-noarch
Distributor ID: RedHatEnterpriseServer
Description: Red Hat Enterprise Linux Server release 6.6 (Santiago)
Release: 6.6
Codename: Santiago
硬件配置：
内存 16384MB
虚拟处理器（VCPU） 8
硬盘 40GB

首先检查环境配置，
1.Java需求，目前Java版本支持度测试，Hadoop2.7需要Java1.7以上的版本，Hadoop2.6以及之前的需要Java1.6版本以上。
2.Hadoop利用ssh远程操控集群，所以需要ssh(输入sshd命令看是否可以找到这个命令)
3.rsync命令是一个远程数据同步工具，可通过LAN/WAN快速同步多台主机间的文件。rsync使用所谓的rsync算法来使本地和远程两个主机之间的文件达到同步，这个算法只传送两个文件的不同部分，而不是每次都整份传送，因此速度相当快。（同理，请输入rsync 命令检查是否存在）
之后开始安装，下载好Hadoop，解压：

1>tar zxvf hadoop-2.7.2.tar.gz
2>cd hadoop-2.7.2
3>ll 
4total 52
5drwxr-xr-x 2 sfdba usr01  4096 Jan 26 08:20 bin
6drwxr-xr-x 3 sfdba usr01  4096 Jan 26 08:20 etc
7drwxr-xr-x 2 sfdba usr01  4096 Jan 26 08:20 include
8drwxr-xr-x 3 sfdba usr01  4096 Jan 26 08:20 lib
9drwxr-xr-x 2 sfdba usr01  4096 Jan 26 08:20 libexec
10-rw-r--r-- 1 sfdba usr01 15429 Jan 26 08:20 LICENSE.txt
11-rw-r--r-- 1 sfdba usr01   101 Jan 26 08:20 NOTICE.txt
12-rw-r--r-- 1 sfdba usr01  1366 Jan 26 08:20 README.txt
13drwxr-xr-x 2 sfdba usr01  4096 Jan 26 08:20 sbin
14drwxr-xr-x 4 sfdba usr01  4096 Jan 26 08:20 share

解压完毕后，需要修改一个脚本。修改etc/hadoop/hadoop-env.sh

>vim etc/hadoop/hadoop-env.sh

修改其中的JAVA_HOME为java安装路径，hadoop运行时会在后面加上/bin/java来启用java

1# The java implementation to use.
2export JAVA_HOME=/usr/lib/jvm/jre-1.7.0-openjdk.x86_64/

之后保存，运行一个简单的hadoop命令，看到如下输出，则成功：

1>bin/hadoop version
2Hadoop 2.7.2
3Subversion https://git-wip-us.apache.org/repos/asf/hadoop.git -r b165c4fe8a74265c792ce23f546c64604acf0e41
4Compiled by jenkins on 2016-01-26T00:08Z
5Compiled with protoc 2.5.0
6From source with checksum d0fda26633fa762bff87ec759ebe689c
7This command was run using /home/sfdba/hadoop-2.7.2/share/hadoop/common/hadoop-common-2.7.2.jar

下面测试官网给的独立运行测试：

1mkdir input
2cp etc/hadoop/*.xml input
3bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output 'dfs[a-z.]+'
4cat output/*

这是一段将所有配置文件作为输入，检查其中匹配’dfs[a-z.]+’这个正则表达式（开头是dfs末尾为多个字母的词语）的词语的个数

1.2 伪集群安装

Hadoop可以单机伪集群模式运行。
首先我们先来明确几个概念：
Hadoop主要由两部分构成，分别是Mapreduce计算部分，还有底层存储HDFS。
系统架构（manager-worker架构）：

其中Namenode就是整个集群中的Manager，保存着文件系统的命名空间，以及维护整个文件系统。这些信息保存在两个文件中形式中：命名空间镜像文件还有编辑日志文件。也记录着每个文件的**块（有的地方叫block也有叫chunk，都可以，磁盘块大概512字节，Hadoop中目前默认为128MB，原理：块设置的足够大，那么块寻址时间将远小于磁盘传输时间，减少寻址占比。假设寻址时间为10ms，传输速度为100MB/s，那么块设置为100MB，将使寻址时间占比约为1%）**所载在的据节点信息，但是不是持久化的，这些信息会在系统启动时，由数据节点重建
Datanode就是文件系统中的工作节点，根据需要存储并检索数据库块，并且定时向Namenode发送所存储块的列表。
Namenode不能损坏，否则数据无法从data中拼接出来

伪集群安装，就是在单机部署多个Hadoop实例（多个JVM运行）。这里，我们部署一个namenode和一个datanode的单机伪集群。
首先，我们需要修改etc/hadoop/core-site.xml，添加如下所示：

1<configuration>
2        <property>
3                <!-指定HDFS服务端口-->
4                <name>fs.defaultFS</name>
5                <value>hdfs://localhost:9000</value>
6        </property>
7</configuration>

之后修改HDFS配置文件：

1<configuration>
2        <property>
3                <!-指定HDFS数据复制份数-->
4                <name>dfs.replication</name>
5                <value>1</value>
6        </property>
7</configuration>

之后，检查是否可以无参正常ssh连接localhost

>ssh localhost

如果不行，则执行如下命令生成SSH秘钥：

1>ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
2>cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys
3>chmod 0600 ~/.ssh/authorized_keys

之后启动HDFS，分为如下几步：
1.格式化文件系统，执行下面命令，初始化Hadoop文件系统HDFS（其实就是初始化保存目录以及namenode中要保存的metadata）如果，，日志中没报错并且看到INFO util.ExitUtil: Exiting with status 0的话则成功初始化

>bin/hdfs namenode -format

2.启动Datanode还有Namenode。运行下面命令：

>sbin/start-dfs.sh

打开浏览器，访问http://你的机器ip:50070，如果出现如下类似界面，则成功

3.下一步我们为当前用户创建必要的目录

1>bin/hdfs dfs -mkdir /user
2#这里<username>替换成你当前系统用的用户名
3>bin/hdfs dfs -mkdir /user/<username>

查看刚才网页中的Utilities->Browse the file system,可以看到我们之前创建的文件夹：

4.接下来接着使用刚才的例子测试，首先将etc/hadoop 目录下的文件传入HDFS中的input文件夹（就是放在/usr//input中）

>bin/hdfs dfs -put etc/hadoop input

之后执行刚才的例子：

>bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output 'dfs[a-z.]+'

命令中指定结果放在HDFS的/usr/<username>/output文件夹中，查看结果,结果如下所示：

1>bin/hdfs dfs -cat output/*
26       dfs.audit.logger
34       dfs.class
43       dfs.server.namenode.
52       dfs.period
62       dfs.audit.log.maxfilesize
72       dfs.audit.log.maxbackupindex
81       dfsmetrics.log
91       dfsadmin
101       dfs.servers
111       dfs.replication
121       dfs.file

可以看出，HDFS其实和linux的基本文件系统在使用命令上大同小异

5.停止集群：

>sbin/stop-dfs.sh

1.3 利用YARN提交任务

确认上面1.2节的前三步已经执行后，我们可以通过YARN（Yet Another Resource Negotiator）来提交MapReduce任务。
为了能够对集群中的资源进行统一管理和调度，Hadoop 2.0引入了数据操作系统YARN。YARN的引入，大大提高了集群的资源利用率，并降低了集群管理成本。首先，YARN允许多个应用程序运行在一个集群中，并将资源按需分配给它们，这大大提高了资源利用率，其次，YARN允许各类短作业和长服务混合部署在一个集群中，并提供了容错、资源隔离及负载均衡等方面的支持，这大大简化了作业和服务的部署和管理成本。
之后我们会详细介绍YARN。
首先，如果要里用YARN提交任务，我们需要先启动YARN。修改etc/hadoop/mapred-site.xml：

1<configuration>
2    <property>
3        <name>mapreduce.framework.name</name>
4        <value>yarn</value>
5    </property>
6</configuration>

之后修改YARN配置etc/hadoop/yarn-site.xml:

1<configuration>
2    <property>
3        <name>yarn.nodemanager.aux-services</name>
4        <value>mapreduce_shuffle</value>
5    </property>
6</configuration>

启动YARN：

>sbin/start-yarn.sh

访问http://你的机器ip:8808，可以看到YARN控制台
就可以以YARN的方式提交MapReduce任务。
关闭YARN：

>sbin/stop-yarn.sh

1.4 Hadoop集群安装

在Hadoop集群中，一般包括如下七个元素：
HDFS： NameNode, SecondaryNameNode, 还有DataNode
YARN：ResourceManager, NodeManager, 还有WebAppProxy
如果需要用到MapReduce，则MapReduce历史服务器也需要用到。
我们通过修改etc/hadoop/hadoop-env.sh, etc/hadoop/mapred-env.sh and etc/hadoop/yarn-env.sh这三个脚本来修改一些关于JVM的配置。
这里我们对于云环境，稍微修改限制下JVM heap size，防止内存溢出。

**第一步，首先配置每台机器的host文件。**对于每台机器，执行 vim /etc/hosts 添加：

1#三台机器/etc/hosts文件配置，nosql1作为主，nosql2作为从
210.202.7.184 nosql1
310.202.7.185 nosql2
410.202.7.186 nosql3

之后，在每台机器上分别执行:

1ping nosql1
2ping nosql2
3ping nosql3

看网络是否通畅。

第二步，添加hadoop用户，配置两台机器ssh无密登陆。
几台机器中的hadoop用户以及hadoop存放路径需要相同，否则hadoop HDFS会找不到节点。
SSH无密码原理：Master作为客户端，要实现无密码公钥认证，连接到服务器Salve上时，需要在Master上生成一个密钥对，包括一个公钥和一个私钥，而后将公钥复制到所有的Slave上。当Master通过SSH连接Salve时，Salve就会生成一个随机数并用Master的公钥对随机数进行加密，并发送给Master。Master收到加密数之后再用私钥解密，并将解密数回传给Slave，Slave确认解密数无误之后就允许Master进行连接了。这就是一个公钥认证过程，其间不需要用户手工输入密码。
以nosql1举例，首先在master上创建hadoop用户，属于hadoop组：

1#创建hadoop组
2groupadd hadoop
3#创建具有管理员权限的用户hadoop，属于hadoop组，同时自动创建用户home目录
4useradd -g hadoop -r -m hadoop
5#修改hadoop密码
6passwd hadoop
7#切换到hadoop用户
8su - hadoop

之后，我们需要生成SSH秘钥：

1#生成公钥私钥至~/.ssh/id_dsa
2ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
3#添加到授权秘钥
4cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys
5#更改权限为仅限当前用户读写
6chmod 0600 ~/.ssh/authorized_keys

验证是否可以无密登陆本机：

ssh localhost

在slave上添加同样的用户后，从master将公钥拷贝过去：

1ssh-copy-id hadoop@nosql2
2ssh-copy-id hadoop@nosql3

验证成功后，即可无密登陆nosql2和nosql3

1ssh nosql2
2ssh nosql3

之后以相同的方式配置slave无密登陆master即可
注意：每次修改host中的相关DNS信息后，需要清除掉之前的SSH公钥秘钥，重新生成

第三步，配置Hadoop。
如下配置：
etc/hadoop/core-site.xml：

1<configuration>
2        <property>
3                <name>fs.defaultFS</name>
4                <value>hdfs://nosql1:9000</value>
5        </property>
6        <property>
7                <name>io.file.buffer.size</name>
8                <value>131072</value>
9        </property>
10</configuration>

etc/hadoop/hdfs-site.xml：

1<configuration>
2        <property>
3                <name>dfs.replication</name>
4                <value>1</value>
5        </property>
6        <!--Path on the local filesystem where the NameNode stores the namespace and transactions logs persistently.-->
7        <!--If this is a comma-delimited list of directories then the name table is replicated in all of the directories, for redundancy.-->
8        <property>
9                <name>dfs.namenode.name.dir</name>
10                <value>/home/hadoop/nnData1,/home/hadoop/nnData2</value>
11        </property>
12        <!--HDFS blocksize of 256MB for large file-systems.-->
13        <property>
14                <name>dfs.blocksize</name>
15                <value>268435456</value>
16        </property>
17        <!--More NameNode server threads to handle RPCs from large number of DataNodes.-->
18        <property>
19                <name>dfs.namenode.handler.count</name>
20                <value>5</value>
21        </property>
22        <!--Comma separated list of paths on the local filesystem of a DataNode where it should store its blocks.-->
23        <property>
24                <name>dfs.datanode.data.dir</name>
25                <value>/home/hadoop/dnData1,/home/hadoop/dnData2,/home/hadoop/dnData3</value>
26        </property>
27        <property>
28                <name>dfs.namenode.secondary.http-address</name>
29                <value>nosql2:9001</value>
30        </property>
31</configuration>

etc/hadoop/mapred-site.xml：

1<configuration>
2         <property>
3                <name>mapreduce.framework.name</name>
4                <value>yarn</value>
5         </property>
6        <property>
7                 <name>mapreduce.jobhistory.address</name>
8                <value>nosql1:10020</value>
9        </property>
10        <property>
11                 <name>mapreduce.jobhistory.webapp.address</name>
12                <value>nosql1:19888</value>
13        </property>
14</configuration>

etc/hadoop/yarn-site.xml：

1<configuration>
2        <property>
3                <name>yarn.nodemanager.aux-services</name>
4                <value>mapreduce_shuffle</value>
5        </property>
6        <property>
7                <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
8                <value>org.apache.hadoop.mapred.ShuffleHandler</value>
9        </property>
10        <property>
11                <name>yarn.resourcemanager.address</name>
12                <value>nosql1:8032</value>
13        </property>
14        <property>
15                <name>yarn.resourcemanager.scheduler.address</name>
16                <value>nosql1:8030</value>
17        </property>
18        <property>
19                <name>yarn.resourcemanager.resource-tracker.address</name>
20                <value>nosql1:8031</value>
21        </property>
22        <property>
23                <name>yarn.resourcemanager.admin.address</name>
24                <value>nosql1:8033</value>
25        </property>
26        <property>
27                <name>yarn.resourcemanager.webapp.address</name>
28                <value>nosql1:8088</value>
29        </property>
30</configuration>

etc/hadoop/slaves：

1nosql2
2nosql3

第四步，修改脚本
至少要修改JAVA_HOME为你的JAVA安装地址
在hadoop-env.sh，mapred-env.sh，yarn-env.sh添加或修改：

export JAVA_HOME=/usr/lib/jvm/java-1.7.0-openjdk-1.7.0.101-2.6.6.1.el7_2.x86_64/jre

第五步，格式化，启动集群
首先将master上配置好的hadoop拷贝传输到slave上，注意master和slave上的hadoop路径一定要一致：

1scp –r hadoop-2.7.2 hadoop@nosql2:/home/hadoop/
2scp –r hadoop-2.7.2 hadoop@nosql3:/home/hadoop/

传输完成，在master上执行：

1>bin/hdfs namenode -format
2
3sbin/start-all.sh

启动完成后，在主机执行jps，可以看到：

17826 NameNode
28662 Jps
38092 ResourceManager

在从机上执行，可以看到：

130742 Jps
229552 SecondaryNameNode
329638 NodeManager
429425 DataNode

访问：http://nosql1:50070/查看HDFS集群状况
访问：http://nosql1:8088/cluster查看任务状况
接着测试之前的MapReduce任务：

1bin/hdfs dfs -mkdir -p /test/input
2bin/hdfs dfs -put ./etc/hadoop/hdfs-site.xml /test/input
3bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep /test/input /test/output 'dfs[a-z.]+'

观察结果即可：
这里写图片描述

这里写图片描述

问题整理：

1、Map-Reduce成功，结果失败：Job history中：

12014-06-04 13:17:20,060 ERROR [Thread-62] org.apache.hadoop.mapreduce.v2.app.rm.RMContainerAllocator: Exception while unregistering 
2java.lang.NullPointerException
3    at org.apache.hadoop.mapreduce.v2.util.MRWebAppUtil.getApplicationWebURLOnJHSWithoutScheme(MRWebAppUtil.java:133)
4    at org.apache.hadoop.mapreduce.v2.util.MRWebAppUtil.getApplicationWebURLOnJHSWithScheme(MRWebAppUtil.java:148)
5    at org.apache.hadoop.mapreduce.v2.app.rm.RMCommunicator.doUnregistration(RMCommunicator.java:207)
6    at org.apache.hadoop.mapreduce.v2.app.rm.RMCommunicator.unregister(RMCommunicator.java:177)
7    at org.apache.hadoop.mapreduce.v2.app.rm.RMCommunicator.serviceStop(RMCommunicator.java:250)
8    at org.apache.hadoop.mapreduce.v2.app.rm.RMContainerAllocator.serviceStop(RMContainerAllocator.java:255)
9    at org.apache.hadoop.service.AbstractService.stop(AbstractService.java:221)
10    at org.apache.hadoop.service.ServiceOperations.stop(ServiceOperations.java:52)
11    at org.apache.hadoop.mapreduce.v2.app.MRAppMaster$ContainerAllocatorRouter.serviceStop(MRAppMaster.java:817)
12    at org.apache.hadoop.service.AbstractService.stop(AbstractService.java:221)
13    at org.apache.hadoop.service.ServiceOperations.stop(ServiceOperations.java:52)
14    at org.apache.hadoop.service.ServiceOperations.stopQuietly(ServiceOperations.java:80)
15    at org.apache.hadoop.service.CompositeService.stop(CompositeService.java:159)
16    at org.apache.hadoop.service.CompositeService.serviceStop(CompositeService.java:132)
17    at org.apache.hadoop.service.AbstractService.stop(AbstractService.java:221)
18    at org.apache.hadoop.mapreduce.v2.app.MRAppMaster.shutDownJob(MRAppMaster.java:548)
19    at org.apache.hadoop.mapreduce.v2.app.MRAppMaster$JobFinishEventHandler$1.run(MRAppMaster.java:599)

表明：某个host配置有问题，检查*-site.xml中所有的域名是否正确

2、都提示成功，但是找不到datanode，但是jps中有datanode，datanode日志报错：

12016-07-19 16:38:13,817 INFO org.apache.hadoop.hdfs.server.datanode.DataNode: Block pool BP-896553954-10.202.44.205-1468914346523 (Datanode Uuid null) service to /10.202.44.205:9000 beginning handshake with NN
22016-07-19 16:38:13,820 ERROR org.apache.hadoop.hdfs.server.datanode.DataNode: Initialization failed for Block pool BP-896553954-10.202.44.205-1468914346523 (Datanode Uuid null) service to /10.202.44.205:9000 Datanode denied communication with namenode because hostname cannot be resolved (ip=10.202.44.206, hostname=10.202.44.206): DatanodeRegistration(0.0.0.0:50010, datanodeUuid=9ef57feb-d3a5-47c4-9ed2-db386e4969a8, infoPort=50075, infoSecurePort=0, ipcPort=50020, storageInfo=lv=-56;cid=CID-d5340873-3047-4a6a-89db-8aba9ee5846b;nsid=463107860;c=0)
3        at org.apache.hadoop.hdfs.server.blockmanagement.DatanodeManager.registerDatanode(DatanodeManager.java:863)
4        at org.apache.hadoop.hdfs.server.namenode.FSNamesystem.registerDatanode(FSNamesystem.java:4528)
5        at org.apache.hadoop.hdfs.server.namenode.NameNodeRpcServer.registerDatanode(NameNodeRpcServer.java:1285)
6        at org.apache.hadoop.hdfs.protocolPB.DatanodeProtocolServerSideTranslatorPB.registerDatanode(DatanodeProtocolServerSideTranslatorPB.java:96)
7        at org.apache.hadoop.hdfs.protocol.proto.DatanodeProtocolProtos$DatanodeProtocolService$2.callBlockingMethod(DatanodeProtocolProtos.java:28752)
8        at org.apache.hadoop.ipc.ProtobufRpcEngine$Server$ProtoBufRpcInvoker.call(ProtobufRpcEngine.java:616)
9        at org.apache.hadoop.ipc.RPC$Server.call(RPC.java:969)
10        at org.apache.hadoop.ipc.Server$Handler$1.run(Server.java:2049)
11        at org.apache.hadoop.ipc.Server$Handler$1.run(Server.java:2045)
12        at java.security.AccessController.doPrivileged(Native Method)
13        at javax.security.auth.Subject.doAs(Subject.java:415)
14        at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1657)
15        at org.apache.hadoop.ipc.Server$Handler.run(Server.java:2043)

表明：域名填写的是IP，改成域名。

3、执行ssh-copy-id hadoop@nosql2
提示：/usr/bin/ssh-copy-id: ERROR: No identities found
改成指定公钥文件的命令：
ssh-copy-id -i ~/.ssh/id_dsa.pub nosql2

4、远程登录被拒绝：
设置允许远程登录，linux一般都通过ssh远程连接，修改/etc/ssh/sshd_config文件
在结尾处添加 AllowUsers 用户名，如 AllowUsers zhangsan
保存，退出
重启ssh服务，service sshd restart

Hadoop使用学习笔记（1）