hadoop分布式部署（2014-3-8）

hadoop简介：

(维基百科)Apache Hadoop是一款支持數據密集型分佈式應用并以Apache 2.0許可協議發佈的開源軟體框架。它支持在商品硬件構建的大型集群上運行的應用程序。Hadoop是根據Google公司發表的MaPReduce和Google檔案系統的論文自行實作而成。

Hadoop框架透明地為應用提供可靠性和數據移動。它實現了名為MapReduce的編程範式：應用程序被分割成許多小部分，而每個部分都能在集群中的任意節點上執行或重新執行。此外，Hadoop還提供了分佈式文件系統，用以存儲所有計算節點的數據，這為整個集群帶來了非常高的帶寬。MapReduce和分佈式文件系統的設計，使得整個框架能夠自動處理節點故障。它使應用程序與成千上萬的獨立計算的電腦和PB級的數據。現在普遍認為整個Apache Hadoop“平台”包括Hadoop內核、MapReduce、Hadoop分佈式文件系統（HDFS）以及一些相關項目，有Apache Hive和Apache HBase等等。

主节点包括名称节点、从属名称节点和 jobtracker 守护进程(即所谓的主守护进程)以及管理集群所用的实用程序和浏览器。从节点包括 tasktracker 和数据节点(从属守护进程)。两种设置的不同之处在于,主节点包括提供 Hadoop 集群管理和协调的守护进程,而从节点包括实现Hadoop 文件系统(HDFS)存储功能和 MapReduce 功能(数据处理功能)的守护进程。每个守护进程在 Hadoop 框架中的作用。namenode 是 Hadoop 中的主服务器,它管理文件系统名称空间和对集群中存储的文件的访问。还有一个 secondary namenode,它不是namenode 的冗余守护进程,而是提供周期检查点和清理任务。在每个 Hadoop 集群中可以找到一个 namenode 和一个 secondary namenode。datanode 管理连接到节点的存储(一个集群中可以有多个节点)。每个存储数据的节点运行一个 datanode 守护进程。每个集群有一个 jobtracker,它负责调度 datanode 上的工作。每个 datanode 有一个tasktracker,它们执行实际工作。jobtracker 和 tasktracker 采用主-从形式,jobtracker 跨datanode 分发工作,而 tasktracker 执行任务。jobtracker 还检查请求的工作,如果一个datanode 由于某种原因失败,jobtracker 会重新调度以前的任务。

环境:rhel6.3 selinux and iptables disabled, sshd enabled主机: 192.168.1.120 master192.168.1.122 slave192.168.1.123 slave192.168.1.121 slave(在线添加)软件:hadoop.apache.org

master 配置：

sh jdk-6u32-linux-x64.bin mv jdk1.6.0_32/ /usr/local/jdk tar zxf hadoop-1.1.2.tar.gz -C /usr/local/ cd /usr/local/hadoop-1.1.2/

mv hadoop-1.1.2/ hadoop //便于以后升级 mv jdk/ hadoop/ //便于以后升级

vi conf/hadoop-env.sh :

# The java implementation to use. Required.export JAVA_HOME=/usr/local/hadoop/jdk

cd conf/vi core-site.xml :

<configuration> <property> <name>fs.default.name</name> <value>hdfs://192.168.1.120:9000</value> </property></configuration>

vi hdfs-site.xml :<configuration> <property> <name>dfs.replication</name> <value>2</value> </property></configuration>

vi mapred-site.xml:

<configuration> <property> <name>mapred.job.tracker</name> <value>192.168.1.120:9001</value> </property></configuration>

yum install openssh-clients -y

ssh-keygen ssh-copy-id localhost

ssh-copy-id 192.168.1.122 ssh-copy-id 192.168.1.123 scp -r hadoop/ 192.168.1.122:/usr/local/ scp -r hadoop/ 192.168.1.123:/usr/local/

cd /usr/local/hadoopbin/hadoop namenode -format

bin/start-all.sh //启动hadoopjdk/bin/jps//查看时候否启动成功，正常如下：

[root@server120 hadoop]# jdk/bin/jps12681 NameNode13260 Jps12918 JobTracker12826 SecondaryNameNode

slave配置：

只要在master作scp之前：yum install openssh-clients -y

在master启动之后，cd /usr/local/hadoop

jdk/bin/jps//查看slave是否启动成功，正常如下：

3182 TaskTracker4075 Jps3095 DataNode

上述启动成功之后，还可以在web页面查看状态:

NameNode:http://192.168.1.120:50070http:/JobTracker://192.168.1.120:50030

测试：

在master:

cd /usr/local/hadoopbin/hadoop fs -put conf/ dir1 上传数据

bin/hadoop fs -ls 查看数据信息

bin/hadoop jar hadoop-examples-1.1.2.jar Wordcount dir1 dir2 关键字统计，输出统计结果到dir2

在统计过程中，可以在上述web页面产看状态和进度

hadoop 在线添加节点:在master:

ssh-copy-id 192.168.1.121cd /usr/local/hadoop/conf

vi slaves :添加192.168.1.121

cd ..

scp -r hadoop/ 192.168.1.121:/usr/local/

在新增节点上启动服务:

cd /usr/local/hadoop/

bin/hadoop-daemon.sh start datanodebin/hadoop-daemon.sh start tasktracker

均衡数据:bin/start-balancer.sh1)如果不执行均衡,那么 cluster 会把新的数据都存放在新的 datanode 上,这样会降低 mapred的工作效率2)设置平衡阈值,默认是 10%,值越低各节点越平衡,但消耗时间也更长bin/start-balancer.sh -threshold 5

hadoop 在线删除 datanode 节点:

在 master 上修改 conf/mapred-site.xml,添加：

<property> name>dfs.hosts.exclude</name> <value>/usr/local/hadoop/conf/excludes</value> </property> <property> <name>mapred.hosts.exclude</name> <value>/usr/local/hadoop/conf/excludes</value>

在 d/usr/local/hadoop/conf下创excludes 文件,并添加需要删除的主机,一行一个:

echo 192.168.1.121 > excludes

在 master 上在线刷新节点bin/hadoop dfsadmin -refreshNodes

可以通过以下命令查看 datanode 状态bin/hadoop dfsadmin -report