Hadoop2.2.0分布式安装配置详解[2/3]

前言

本文主要通过对hadoop2.2.0集群配置的过程加以梳理，所有的步骤都是通过自己实际测试。文档的结构也是根据自己的实际情况而定，同时也会加入自己在实际过程遇到的问题。搭建环境过程不重要，重要点在于搭建过程中遇到的问题，解决问题的过程。

可能自己遇到的问题在一些由经验的老者手上都不是问题，但是这些问题着实让自己耽误了很长时间，最后问题解决也是费了太大心血。也通过这篇文档，表现出来，算是总结，为后者提供意见。

Hadoop2.2.0体系结构

要想理解本节内容，首先需要了解hadoop1的体系结构。这里不过多的介绍基于hadoop1的体系架构，早在之前，曾搭建hadoop1.2.1伪分布式集群，详细请看hadoop学习（一）hadoop-1.2.1伪分布式配置及遇到的问题。这里主要介绍hadoop2的体系架构。

hadoop1的核心组成是两部分，即HDFS和MapReduce。在hadoop2中变为HDFS和Yarn。

新的HDFS中的NameNode不再是只有一个了，可以有多个（目前只支持2个）。每一个都有相同的职能。

这两个NameNode的地位如何：一个是active状态的，一个是standby状态的。当 集群运行时，只有active状态的NameNode是正常工作的，standby状态的NameNode是处于待命状态的，时刻同步active状态 NameNode的数据。一旦active状态的NameNode不能工作，通过手工或者自动切换，standby状态的NameNode就可以转变为 active状态的，就可以继续工作了。这就是高可靠。

当NameNode发生故障时，他们的数据如何保持一致：在这里，2个NameNode的数据其实是实时共享的。新HDFS采用了一种共享机制，JournalNode集群或者NFS进行共享。NFS是操作系统层面的，JournalNode是hadoop层面的，我们这里使用JournalNode集群进行数据共享。

如何实现NameNode的自动切换：这就需要使用ZooKeeper集群进行选择了。HDFS集群中的两个NameNode都在ZooKeeper中注册，当active状态的NameNode出故障时，ZooKeeper能检测到这种情况，它就会自动把standby状态的NameNode切换为active状态。

HDFS Federation（HDFS联盟）：联盟的出现是有原因的。我们知道 NameNode是核心节点，维护着整个HDFS中的元数据信息，那么其容量是有限的，受制于服务器的内存空间。当NameNode服务器的内存装不下数据后，那么HDFS集群就装不下数据了，寿命也就到头了。因此其扩展性是受限的。HDFS联盟指的是有多个HDFS集群同时工作，那么其容量理论上就不受限了，夸张点说就是无限扩展。你可以理解成，一个总集群中，可以虚拟出两个或两个以上的单独的小集群，各个小集群之间数据是实时共享的。因为hadoop集群中已经不在单独存在namenode和datanode的概念。当一个其中一个小集群出故障，可以启动另一个小集群中的namenode节点，继续工作。因为数据是实时共享，即使namenode或datanode一起死掉，也不会影响整个集群的正常工作。

集群节点任务安排：

这点很重要，我们事先一定要先理解，节点之间任务是如何安排的。如果事先不理解为什么是这样，后面还会遇到更多的问题。这就需要，理解journalnode、zookeeper、datanode、namenode之间关系。自己也是在这上面耽误了很长时间，希望读者这点多注意下。

6台主机。

Journalnode和zookeeper保持奇数点，这点大家要有个概念，最少不少于3个节点。这里暂不讲解。

两个namenode上面已经说明，其实在hadoop2中几点之间namenode和datanode之间的划分已经不是那么明确了。这只是采用后4台机器作为namenode。这里也存在一个问题：如果把datanode和namenode放在一起，对数据的读取IO的效率肯定会有一定的影响，不同机器之间还是要通过网线和http请求完成数据之间的共享。实际中，两者是可以在一起。但是我不知道在一起和不在一起之间的主要区别在哪儿，上面的解释只是个人意见，如果读者有更好的意见可以留言，大家一起讨论。

在集群搭建之间，各主机设置静态IP、更改主机名称、主机之间ssh互联等相关设置这里不在多讲。如有需要，请参考：hadoop学习（五）Hadoop2.2.0完全分布式安装详解（1）配置文档。

下面就进入正式的集群的安装过程：

下面所有的过程都是在hadoop1机器上完成的，之后把文件复制到其他节点中。

Zookeeper安装过程：

1、下载解压zookeeper

下载地址：http://mirror.bit.edu.cn/apache/zookeeper/zookeeper-3.4.5/

解压到指定目录：这里目录：/home/tom/yarn/hadoop-2.2.0/app/

在hadoop目录中创建app目录。把文件解压到hadoop的app目录中，是为了以后整个项目可以整体移植。包括后面，我们会安装HBase、Hive等软件，都是解压到app的目录中。

2、修改配置文件

2.1进入zookeeper中conf目录：

拷贝命名zoo_sample.cfg 为zoo.cfg。我们一般不修改配置文件默认的示例文件，修改赋值其子文件。

编辑zoo.cfg

 tickTime=2000
 initLimit=10
 syncLimit=5
 dataDir=/home/tom/yarn/hadoop-2.2.0/app/zookeeper-3.4.5/zkdata
 dataLogDir=/home/tom/yarn/hadoop-2.2.0/app/zookeeper-3.4.5/zkdatalog
 clientPort=2181
 server.1=hadoop1:2888:3888
 server.2=hadoop2:2888:3888
 server.3=hadoop3:2888:3888
 server.4=hadoop4:2888:3888
 server.5=hadoop5:2888:3888  

2.2创建zkdata和zkdatalog两个文件夹

在zookeeper的目录中，创建上述两个文件夹。进入zkdata文件夹，创建文件myid，填入1。这里写入的1，是在zoo.cfg文本中的server.1中的1。当我们把所有文件都配置完毕，我们把hadoop1中yarn目录复制到其它机器中，我们在修改每台机器中对应的myid文本，hadoop2中的myid写入2。其余节点，安照上面配置，依此写入相应的数字。Zkdatalog文件夹，是为了指定zookeeper产生日志指定相应的路径。

3、添加环境变量

本机环境变量添是在/etc/profile目录中添加的。

 export ZOOKEEPER_HOME=/home/tom/yarn/hadoop-2.2.0/app/zookeeper-3.4.5
 PATH=$ZOOKEEPER_HOME/bin:$PATH  

添加ZOOKEEPER_HOME/bin目录可以在原有的PATH后面加入

：$ZOOKEEPER_HOME/bin

关于环境变量修改/etc目录下的profile文件，也可以在根目录下的.bashrc目录下添加环境变量。这两者有什么区别：.bashrc是对当前目录用户的环境变量，profile文件是对所有用户都开放的目录。当系统加载文件中，先从profile找相应的路劲，如果没有会在.bashrc文件中找对应的环境变量路径。这两者大家稍至了解。

然后 source /etc/profile

上面3个步骤就安装zookeeper完毕。然后就是测试zookeeper，这个放到后面等hadoop1上整体配置完毕，scp到其它主机上后，再一起测试。

Hadoop配置

1、下载解压hadoop2.2.0

路径：http://apache.dataguru.cn/hadoop/common/hadoop-2.2.0/

解压到：/home/tom/yarn/下。其实这一步应该在解压zookeeper之前。不再多讲。

2、修改配置文件

这里要修改配置文件一共包括6个，分别是在hadoop-env.sh、core-site.xml、hdfs-site.xml、mapred-site.xml、 yarn-site.xml和slaves。

修改文件的目录地址：/home/tom/yarn/hadoop-2.2.0/etc/hadoop/

2.1文件hadoop-env.sh

添加jdk环境变量：

export JAVA_HOME=/usr/lib/jvm/jdk1.7.0_45

2.2文件coer-site.xml

 <configuration>
          <property>
              <name>fs.defaultFS</name>
              <value>hdfs://cluster1</value>
          </property>
       【这里的值指的是默认的HDFS路径。这里只有一个HDFS集群，在这里指定！该值来自于hdfs-site.xml中的配置】
          <property>
                <name>hadoop.tmp.dir</name>
                <value>/home/tom/yarn/yarn_data/tmp</value>
          </property>
        【这里的路径默认是NameNode、DataNode、JournalNode等存放数据的公共目录。用户也可以自己单独指定这三类节点的目录。这里的yarn_data/tmp目录与文件都是自己创建的】
          <property>
               <name>ha.zookeeper.quorum</name>
               <value>hadoop1:2181,hadoop2:2181,hadoop3:2181,hadoop4:2181,hadoop5:2181</value>
          </property>
        【这里是ZooKeeper集群的地址和端口。注意，数量一定是奇数，且不少于三个节点】
      </configuration><span style="font-size:14px;"><span style="font-family:宋体;"></span></span>  

2.3文件hdfs-site.xml

 重点核心文件：
         <configuration>
           <property>
              <name>dfs.replication</name>
              <value>2</value>
           </property>
           【指定DataNode存储block的副本数量。默认值是3个，我们现在有4个DataNode，该值不大于4即可。】
           <property>
              <name>dfs.permissions</name>
              <value>false</value>
           </property>
           <property>
              <name>dfs.permissions.enabled</name>
              <value>false</value>
           </property>
           <property>
              <name>dfs.nameservices</name>
              <value>cluster1</value>
           </property>
          【给hdfs集群起名字】
           <property>
             <name>dfs.ha.namenodes.cluster1</name>
             <value>hadoop1,hadoop2</value>
           </property>
         【指定NameService是cluster1时的namenode有哪些，这里的值也是逻辑名称，名字随便起，相互不重复即可】
          <property>
             <name>dfs.namenode.rpc-address.cluster1.hadoop1</name>
             <value>hadoop1:9000</value>
          </property>
         【指定hadoop101的RPC地址】
          <property>
            <name>dfs.namenode.http-address.cluster1.hadoop1</name>
            <value>hadoop1:50070</value>
          </property>
          【指定hadoop101的http地址】
          <property>
            <name>dfs.namenode.rpc-address.cluster1.hadoop2</name>
            <value>hadoop2:9000</value>
          </property>
          <property>
            <name>dfs.namenode.http-address.cluster1.hadoop2</name>
            <value>hadoop2:50070</value>
          </property>
          <property>
            <name>dfs.namenode.servicerpc-address.cluster1.hadoop1</name>
            <value>hadoop1:53310</value>
          </property>
          <property>
            <name>dfs.namenode.servicerpc-address.cluster1.hadoop2</name>
            <value>hadoop2:53310</value>
          </property>
          <property>
            <name>dfs.ha.automatic-failover.enabled.cluster1</name>
            <value>true</value>
          </property>
      【指定cluster1是否启动自动故障恢复，即当NameNode出故障时，是否自动切换到另一台NameNode】
        <!--指定JournalNode -->
    <property>
        <name>dfs.namenode.shared.edits.dir</name>       <value>qjournal://hadoop1:8485;hadoop2:8485;hadoop3:8485;hadoop4:8485;hadoop5:8485/cluster1</value>
    </property>
     【指定cluster1的两个NameNode共享edits文件目录时，使用的JournalNode集群信息】
        <property>
  <name>dfs.client.failover.proxy.provider.cluster1</name>       <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
        </property>
     【指定cluster1出故障时，哪个实现类负责执行故障切换】
      <property>
           <name>dfs.journalnode.edits.dir</name>
           <value>/home/tom/yarn/yarn_data/tmp/journal</value>
      </property>
       【指定JournalNode集群在对NameNode的目录进行共享时，自己存储数据的磁盘路径。tmp路径是自己创建，journal是启动journalnode自动生成】
        <property>
           <name>dfs.ha.fencing.methods</name>
           <value>sshfence</value>
        </property>
       【一旦需要NameNode切换，使用ssh方式进行操作】
       <property>
            <name>dfs.ha.fencing.ssh.private-key-files</name>
            <value>/home/tom/.ssh/id_rsa</value>
        </property>
      【如果使用ssh进行故障切换，使用ssh通信时用的密钥存储的位置】
        <property>
            <name>dfs.ha.fencing.ssh.connect-timeout</name>
            <value>10000</value>
        </property>
        <property>
            <name>dfs.namenode.handler.count</name>
            <value>100</value>
       </property>
       </configuration> 

2.4文件mapred-site.xml

2.5文件yarn-site.xml

  <configuration>
    <property>
       <name>yarn.resourcemanager.hostname</name>
       <value>hadoop1</value>
    </property>
  【自定义ResourceManager的地址，还是单点】
    <property>
       <name>yarn.nodemanager.aux-services</name>
       <value>mapreduce.shuffle</value>
    </property>
 </configuration>  

2.6文件slaves

添加：这里指定哪台机器是datanode，这里指定4台机器。你甚至可以把集群所有机器都当做datanode

 hadoop3
 hadoop4
 hadoop5
 hadoop6  

3、添加环境变量

环境变量的添加方法大都相同。这里给出我所有环境变量配置，大家可以根据自己的需要参考一下。

这里我们只要添加HADOOP_HOME环境变量。

 JAVA_HOME=/usr/lib/jvm/jdk1.7.0_51
 export PATH=$PATH:$JAVA_HOME/bin
 export HBASE_HOME=/home/tom/hadoop-2.2.0/app/hbase-0.94.6-cdh4.4.0
 export HIVE_HOME=/home/tom/hadoop-2.2.0/app/hive-0.12.0/
 export HADOOP_HOME=/home/tom/hadoop-2.2.0
 export PATH=$PATH:$HBASE_HOME/bin:$HIVE_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
 export CLASSPATH=.:$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar
 export ZOOKEEPER_HOME=/home/tom/yarn/hadoop-2.2.0/app/zookeeper-3.4.5
 export PATH=$PATH:$ZOOKEEPER_HOME/bin  

4、复制到其它节点

在hadoop的的根目录下（即：/home/tom目录下）：因为我们所有的环境都装载在hadoop1的tom目录下。

执行：

 scp -r yarn hadoop2:/home/tom
 scp -r yarn hadoop3:/home/tom
 scp -r yarn hadoop4:/home/tom
 scp -r yarn hadoop5:/home/tom
 scp -r yarn hadoop6:/home/tom  

注意点：

1、因为我们是把整个yarn目录复制到其他节点中，zookeeper也包含在内。事先我们定义zookeeper是在1-5台机器上部署。这里我们虽然把zookeeper拷贝到6机器中，但是我们再zookeeper配置文件中没有配置6机器的节点，在启动zookeeper的时候，6机器也不需要启动。

2、现在要做的是进入zookeeper目录下的zkdata目录，修改myid文件：各个myid内容对应zoo.cfg文件中server对应的编号。

按照上面的3个大步骤，以及在注释中自己要创建的文件夹，指定相应的路径之后，整体的hadoop环境算是搭建完毕。下面就是等测试。

看似简单的不能再简单的搭建过程，这是你弄明白之后的事情。在从hadoop1到2之间的过度，主要的变化是namenode和mapreduce到yarn架构之间的变化。就在这简单的配置过程中，加上可参考网上众多配置教程，也耽误了太长时间。不是文件难配置，而是在出现问题，不知道怎么解决，就一直卡在那儿。咨询过一些大牛，但是他们也是搪塞，没有给出真正问题的原因。其中有一个问题，在QQ群中，咨询过一个人，从他那边才得到启发，把其中的一个问题给解决掉。这也是我们遇到的问题，没有一个平台，导致在一些别人看似不是问题的问题上耽误太长时间。

上面的任务完成后。下面才是非常关键的步骤，任务的重中之重，同时也是问题出现的地方，也是卡时间最多的地方：测试整个集群的性能。

引自：http://blog.csdn.net/yczws1/article/details/23566383