大数据 -- Hadoop集群环境搭建

首先我们来认识一下HDFS， HDFS（Hadoop Distributed File System ）Hadoop分布式文件系统。它其实是将一个大文件分成若干块保存在不同服务器的多个节点中。通过联网让用户感觉像是在本地一样查看文件，为了降低文件丢失造成的错误，它会为每个小文件复制多个副本（默认为三个），以此来实现多机器上的多用户分享文件和存储空间。

Hadoop主要包含三个模块：

• HDFS模块：HDFS负责大数据的存储，通过将大文件分块后进行分布式存储方式，突破了服务器硬盘大小的限制，解决了单台机器无法存储大文件的问题，HDFS是个相对独立的模块，可以为YARN提供服务，也可以为HBase等其他模块提供服务。
• YARN模块：YARN是一个通用的资源协同和任务调度框架，是为了解决Hadoop中MapReduce里NameNode负载太大和其他问题而创建的一个框架。YARN是个通用框架，不止可以运行MapReduce，还可以运行Spark、Storm等其他计算框架。
• MapReduce模块：MapReduce是一个计算框架，它给出了一种数据处理的方式，即通过Map阶段、Reduce阶段来分布式地流式处理数据。它只适用于大数据的离线处理，对实时性要求很高的应用不适用。多相关信息可以参考博客：初识HDFS（10分钟了解HDFS、NameNode和DataNode）。

本节将会介绍Hadoop集群的配置，目标主机我们可以选择虚拟机中的多台主机或者多台阿里云服务器。

注意：以下所有操作都是在root用户下执行的，因此基本不会出现权限错误问题。

一、Vmware安装

VMware虚拟机有三种网络模式，分别是Bridged(桥接模式)、NAT(网络地址转换模式)、Host-only(主机模式)：

• 桥接：选择桥接模式的话虚拟机和宿主机在网络上就是平级的关系，相当于连接在同一交换机上；

• NAT：NAT模式就是虚拟机要联网得先通过宿主机才能和外面进行通信；

• 仅主机：虚拟机与宿主机直接连起来。

具体区别可以参考博客：Vmware虚拟机下三种网络模式配置。

VMware Workstation Pro 15中文破解版下载地址：http://www.zdfans.com/html/16025.html，参考安装破解教程进行安装。

二、CentOS安装

CentOS7下载地址;http://isoredirect.centos.org/centos/7/isos/x86_64/CentOS-7-x86_64-DVD-1810.iso。

在Vmware中安装CentOS7的步骤可以参考博客：VMware安装Centos7超详细过程（图文）（包含克隆模式）。

1、网络模式配置为桥接模式，CentOS7网络IP配置参考博客：Centos7虚拟机桥接模式设置静态ip。

2、配置主机名

vi  /etc/sysconfig/network

3、配置Host

 vi /etc/hosts

192.168.1.100为CentOS7网络IP配置中设置的本机的静态IP地址。

4、关闭防火墙和selinux

service iptables stop

vim /etc/sysconfig/selinux

三 阿里云服务器环境搭建

如果可以申请到阿里云服务器推荐使用阿里云服务器，这里申请的时CentOS 7.2，相关步骤可以参考博客：大数据 -- zookeeper和kafka集群环境搭建第一节。

查看防火墙状态：

systemctl status firewalld

如果是开启，需要利用命令将防火墙关闭：

systemctl stop firewalld
systemctl disable firewalld

四 安装JDK

JDK安装可以参考博客大数据 -- zookeeper和kafka集群环境搭建第二节。

五 伪分布式安装

Hadoop部署模式主要有：本地模式、伪分布模式、完全分布式模式、HA完全分布式模式。

区分的依据是NameNode、DataNode、ResourceManager、NodeManager等模块运行在几个JVM进程、几个机器。

模式名称	各个模块占用的JVM进程数	各个模块运行在几个机器数上
本地模式	1个	1个
伪分布式模式	N个	1个
完全分布式模式	N个	N个
HA完全分布式	N个	N个

下面我选择将Hadoop伪分布式模式安装在阿里云服务器zy1主机上。伪分布式模式可以看作是完全分布式，但是跑在一个节点上，所有的进程都配置在一个节点上，拥有分布式文件系统，只不过这个系统只有一个节点。

1、下载并解压

wget http://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-2.8.5/hadoop-2.8.5.tar.gz
tar -zxvf hadoop-2.8..tar.gz -C /opt/bigdata

重新命名：

mv hadoop-2.8. hadoop

2、 配置Hadoop环境变量

vim /etc/profile

追加配置：

export HADOOP_HOME=/opt/bigdata/hadoop
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH

使配置生效：

. /etc/profile

3、验证HADOOP_HOME参数

echo $HADOOP_HOME

4、 配置 hadoop-env.sh JAVA_HOME参数

修改hadoop-env.sh：

vim  ${HADOOP_HOME}/etc/hadoop/hadoop-env.sh

修改JAVA_HOME参数为：

export JAVA_HOME=/usr/lib/jvm/java

5、配置core-site.xml

vim ${HADOOP_HOME}/etc/hadoop/core-site.xml

添加内容如下：

<configuration>
    <property>
       <name>fs.defaultFS</name>
       <value>hdfs://zy1:9000</value>
    </property>
    <property>
       <name>hadoop.tmp.dir</name>
      <value>/opt/bigdata/data/hadoop</value>
    </property>
</configuration>  

• fs.defaultFS：配置的是HDFS的目录；
• hadoop.tmp.dir：配置的是Hadoop临时目录，比如HDFS的NameNode数据默认都存放这个目录下，查看*-default.xml等默认配置文件，就可以看到很多依赖${hadoop.tmp.dir}的配置。默认的hadoop.tmp.dir是/tmp/hadoop-${user.name},此时有个问题就是NameNode会将HDFS的元数据存储在这个/tmp目录下，如果操作系统重启了，系统会清空/tmp目录下的东西，导致NameNode元数据丢失，是个非常严重的问题，所有我们应该修改这个路径。

创建临时目录：

mkdir -p /opt/bigdata/data/hadoop

6、配置hdfs-site.xml：

vim ${HADOOP_HOME}/etc/hadoop/hdfs-site.xml

添加内容如下：

<configuration>
 <property>
       <name>dfs.replication</name>
       <value></value>
    </property>
</configuration>

dfs.replication配置的是HDFS存储时的备份数量，因为这里是伪分布式环境只有一个节点，所以这里设置为1。

7、格式化HDFS：

hdfs namenode -format

注意：如果格式化成功了，不可以再继续格式化，如果想继续格式化可以参考Hadoop1重新格式化HDFS。如果没有格式化成功，需要一直格式化。

格式化后，查看core-site.xml里hadoop.tmp.dir（本例是/opt/bigdata/data/hadoop目录）指定的目录下是否有了dfs目录，如果有，说明格式化成功。

ll /opt/bigdata/data/hadoop

其中/opt/bigdata/data/hadoop/dfs/name/current下文件如下：

• fsimage是NameNode元数据在内存满了后，持久化保存到的文件;
• fsimage*.md5 是校验文件，用于校验fsimage的完整性;
• seen_txid 是hadoop的版本;
• vession文件里保存：namespaceID：是文件系统命名空间的唯一标识符，是在NameNode首次格式化时创建的。clusterID:集群ID，对于联邦HDFS非常重要，这里一个集群由多个命名空间组成，且每个命名空间由一个NameNode管理。blockpoolID是数据块池的唯一标识符，数据块池包含了由一个NameNode管理的命名空间中的所有文件。NameNode和DataNode的集群ID应该一致，表明是一个集群。

8、启动NameNode

hadoop-daemon.sh start namenode

9、启动DataNode

hadoop-daemon.sh start datanode

10、 启动SecondaryNameNode

hadoop-daemon.sh start secondarynamenode

11、JPS命令查看是否已经启动成功，有结果就是启动成功了

jps

12、HDFS上测试创建目录、上传、下载文件

HDFS上创建目录：

hdfs dfs -mkdir /demo1

上传本地文件到HDFS上:

hdfs dfs -put  ${HADOOP_HOME}/etc/hadoop/core-site.xml /demo1

读取HDFS上的文件内容：

hdfs dfs -cat /demo1/core-site.xml

从HDFS上下载文件到本地：

hdfs dfs -get /demo1/core-site.xml

更多hdfs文件系统的命令可以查看：

hdfs  dfs

13、配置mapred-site.xml

默认没有mapred-site.xml文件，但是有个mapred-site.xml.template配置模板文件。复制模板生成mapred-site.xml：

cd /opt/bigdata/hadoop/
cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml

添加配置

vim etc/hadoop/mapred-site.xml

指定mapreduce运行在yarn框架上。

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

14、配置yarn-site.xml

vim etc/hadoop/yarn-site.xml

yarn.nodemanager.aux-services配置了yarn的默认混洗方式，选择为mapreduce的默认混洗算法。

yarn.resourcemanager.hostname指定了Resourcemanager运行在哪个节点上。

<configuration>

<!-- Site specific YARN configuration properties -->
 <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
   </property>
   <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>zy1</value>
   </property>
</configuration>

15、启动Resourcemanager

yarn-daemon.sh start resourcemanager

16、 启动nodemanager

yarn-daemon.sh start nodemanager

17、查看是否启动成功

可以看到ResourceManager、NodeManager已经启动成功了。

18、YARN的Web页面

YARN的Web客户端端口号是8088，通过http://106.15.74.155:8088/可以查看当前执行的job。

注意：由于使用到了8088端口。需要在阿里云中配置入规则，具体可以参考阿里云官方收藏：同一个地域、不同账号下的实例实现内网互通。

19、hdfs的web页面

hdfs的Web客户端端口号是50070，通过http://106.15.74.155:50070/可以查看。

20、运行MapReduce Job

在Hadoop的share目录里，自带了一些jar包，里面带有一些mapreduce实例小例子，位置在share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8.5.jar，可以运行这些例子体验刚搭建好的Hadoop平台，我们这里来运行最经典的WordCount实例。

在hdfs文件系统上创建测试用的Input文件:

hdfs dfs -mkdir -p /wordcountdemo/input

创建原始文件:

在本地/opt/bigdata/data/hadoop目录创建一个文件wc.input，vim /opt/bigdata/data/hadoop/wc.input内容如下:

doop mapreduce hive
hbase spark storm
sqoop hadoop hive
spark hadoop

将wc.input文件上传到HDFS的/wordcountdemo/input目录中:

hdfs dfs -put /opt/bigdata/data/hadoop/wc.input /wordcountdemo/input

运行WordCount MapReduce Job：

cd /opt/bigdata/hadoop
yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8..jar wordcount /wordcountdemo/input  /wordcountdemo/output

注意：如果执行一直卡在map 0% reduce 0%，可能是由于硬件配置较低的原因：

更多错误可以查看日志：$HADOOP_HOME/logs:

 more $HADOOP_HOME/logs/yarn-root-nodemanager-zy1.log
 more $HADOOP_HOME/logs/yarn-root-resourcemanager-zy1.log

如果运行成功，查看输出结果目录：

hdfs dfs -ls /wordcountdemo/output

output目录中有两个文件:

• _SUCCESS文件是空文件，有这个文件说明Job执行成功。
• part-r-00000文件是结果文件，其中-r-说明这个文件是Reduce阶段产生的结果，mapreduce程序执行时，可以没有reduce阶段，但是肯定会有map阶段，如果没有reduce阶段这个地方有是-m-。一个reduce会产生一个part-r-开头的文件。

查看输出文件内容:

hdfs dfs -cat /wordcountdemo/output/part-r-

结果是按照键值排好序的。

21、停止Hadoop

hadoop-daemon.sh stop namenode
hadoop-daemon.sh stop datanode
hadoop-daemon.sh stop secondarynamenode
yarn-daemon.sh stop resourcemanager
yarn-daemon.sh stop nodemanager

22、开启历史服务

Hadoop开启历史服务可以在web页面上查看Yarn上执行job情况的详细信息。可以通过历史服务器查看已经运行完的Mapreduce作业记录，比如用了多少个Map、用了多少个Reduce、作业提交时间、作业启动时间、作业完成时间等信息。

mr-jobhistory-daemon.sh start historyserver

开启后，可以通过Web页面查看历史服务器：http://106.15.74.155:19888/

23、开启日志聚集

MapReduce是在各个机器上运行的，在运行过程中产生的日志存在于各个机器上，为了能够统一查看各个机器的运行日志，将日志集中存放在HDFS上，这个过程就是日志聚集。

Hadoop默认是不启用日志聚集的。在yarn-site.xml文件里配置启用日志聚集。

<property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
 </property>
<property>
    <name>yarn.log-aggregation.retain-seconds</name>
    <value>106800</value>
 </property>　　

yarn.log-aggregation-enable:是否启用日志聚集功能。

yarn.log-aggregation.retain-seconds：设置日志保留时间，单位是秒。

重启Yarn进程：

stop-yarn.sh
start-yarn.sh

重启HistoryServer进程：

mr-jobhistory-daemon.sh stop historyserver
mr-jobhistory-daemon.sh start historyserver

测试日志聚集：运行一个demo MapReduce，使之产生日志：

yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.8..jar wordcount /wordcountdemo/input  /wordcountdemo/output

运行Job后，就可以在历史服务器Web页面查看各个Map和Reduce的日志了。

六 完全分布式安装

完全分部式是真正利用多台Linux主机来进行部署Hadoop，对Linux机器集群进行规划，使得Hadoop各个模块分别部署在不同的多台机器上。

如果之前你是在虚拟机上创建了zy1主机，那么你可以利用Vmware的克隆功能创建zy2、zy3主机，然后你需要按照第二节的步骤，配置网络、主机名、Host、这里就不过多介绍了。

下面我们以阿里云的三台主机zy1、zy2、zy3为例，搭建完全分布式。

1、服务器功能规划

zy1	zy2	zy3
NameNode	ResourceManage
DataNode	DataNode	DataNode
NodeManager	NodeManager	NodeManager
HistoryServer		SecondaryNameNode

在zy1节点安装新的Hadoop：

为了和之前zy1机器上安装伪分布式Hadoop区分开来，我们将zy1上的Hadoop服务都停止掉，将伪分布式hadoop的安装目录改为hadoop-wei，修改配置core-site.xml，中的hadoop.tmp.dir为/opt/bigdata/data/hadoop-wei，然后/opt/bigdata/下安装另外一个Hadoop。 

hadoop-daemon.sh stop namenode
hadoop-daemon.sh stop datanode
hadoop-daemon.sh stop secondarynamenode
yarn-daemon.sh stop resourcemanager
yarn-daemon.sh stop nodemanager
cd /opt/bigdata
mv hadoop hadoop-wei
vim hadoop-wei/etc/hadoop/core-site.xml    #修改hadoop.tmp.dir
mv /opt/bigdata/data/hadoop /opt/bigdata/data/hadoop-wei

我们采用先在第一台机器上解压、配置Hadoop，然后再分发到其他两台机器上的方式来安装集群。

2、解压Hadoop目录

wget http://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-2.8.5/hadoop-2.8.5.tar.gz
tar -zxvf hadoop-2.8..tar.gz -C /opt/bigdata
mv hadoop-2.8.5 hadoop

由于在伪分布式安装时，我们已经配置了hadoop的环境变量，这里就不需要再重复配置了。我们可以通过以下命令验证：

echo $HADOOP_HOME

3、配置 hadoop-env.sh、mapred-env.sh   yarn-env.sh JAVA_HOME参数

比如修改hadoop-env.sh：

vim  ${HADOOP_HOME}/etc/hadoop/hadoop-env.sh

修改JAVA_HOME参数为：

export JAVA_HOME=/usr/lib/jvm/java

4、配置core-site.xml

vim ${HADOOP_HOME}/etc/hadoop/core-site.xml

添加内容如下：

<configuration>
    <property>
       <name>fs.defaultFS</name>
       <value>hdfs://zy1:9000</value>
    </property>
    <property>
       <name>hadoop.tmp.dir</name>
      <value>/opt/bigdata/data/hadoop</value>
    </property>
    <property>
       <name>dfs.namenode.name.dir</name>
       <value>file://${hadoop.tmp.dir}/dfs/name</value>
    </property>
    <property>
       <name>dfs.datanode.data.dir</name>
       <value>file://${hadoop.tmp.dir}/dfs/data</value>
    </property>
</configuration>

• fs.defaultFS为NameNode的地址。
• hadoop.tmp.dir：为hadoop临时目录的地址，默认情况下，NameNode和DataNode的数据文件都会存在这个目录下的对应子目录下（但是上面我们通过dfs.datanode.data.dir，和dfs.namenode.data.dir指定了）。应该保证此目录是存在的，如果不存在，先创建；
• dfs.namenode.name.dir：指定目录来供namenode存储永久性的文件系统元数据（如果指定多个路径，使用","隔开）。这些元数据文件会同时备份在所有指定的目录上，通常情况下，通过配置dfs.namenode.data.dir可以将namenode元数据写到一两个本地磁盘和一个远程磁盘（例如NFS挂载目录）之中。这样的话，即使本地磁盘发生故障，甚至整个namenode发生故障，都可以恢复数据文件并重新构成新的namenode（辅助namenode只是定期保存namenode的检查点，不维护namenode的最新备份）；
• dfs.datanode.data.dir：可以设定datanode存储数据块的目录列表，上面提到dfs.namenode.name.dir描述一系列目录，其目的是为了支持namenode进行冗余备份。虽然dfs.datanode.data.dir也描述了一系列目录，但是其目的是使datanode循环的在各个目录中写数据。因此，为了提高性能，最好分别为各个本地磁盘指定一个存储目录，这样一来，数据块跨磁盘分布，针对不同的数据块的读操作可以并发执行，从而提高读取速度。

mkdir /opt/bigdata/data/hadoop

注意：NameNode使用到了9000端口，用于建立与datanode节点的通信。因此namenode节点需要在阿里云中配置入规则，具体可以参考阿里云官方收藏：同一个地域、不同账号下的实例实现内网互通。

5、配置hdfs-site.xml

vim ${HADOOP_HOME}/etc/hadoop/hdfs-site.xml

添加以下内容：

<configuration>
 <property>
   <name>dfs.namenode.secondary.http-address</name>
   <value>zy3:</value>
 </property>
 <property>
       <name>dfs.replication</name>
       <value></value>
  </property>
  <property>
        <name>dfs.client.use.datanode.hostname</name>
        <value>true</value>
    </property>
  <property>
        <name>dfs.datanode.use.datanode.hostname</name>
        <value>true</value>
    </property>
</configuration>

• dfs.namenode.secondary.http-address：是指定secondaryNameNode的http访问地址和端口号，因为在规划中，我们将zy3规划为SecondaryNameNode服务器。所以这里设置为：zy3:50090。

• dfs.replication配置的是HDFS存储时的备份数量，这里设置为2；

• fs.client.use.datanode.hostname：是否客户端应该使用DN的HostName，在连接DN时，默认是使用IP；（必须设置为true）

• dfs.datanode.use.datanode.hostname：是否DN应该使用HostName连接其它DN，在数据传输时。默认是是IP。（必须设置为true）

6、配置masters、slaves

cd hadoop
vim etc/hadoop/masters
vim etc/hadoop/slaves

masters修改为：

slavers：

masters文件是指定HDFS的主节点。

slaves文件是指定HDFS上有哪些DataNode节点。

7、配置mapred-site.xml

默认没有mapred-site.xml文件，但是有个mapred-site.xml.template配置模板文件。复制模板生成mapred-site.xml：

cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml

添加配置：

vim etc/hadoop/mapred-site.xml

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>zy1:</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>zy1:</value>
    </property>
</configuration>

• mapreduce.framework.name设置mapreduce任务运行在yarn上；
• mapreduce.jobhistory.address是设置mapreduce的历史服务器安装在zy1机器上；
• mapreduce.jobhistory.webapp.address是设置历史服务器的web页面地址和端口号。

8、配置yarn-site.xml

vim etc/hadoop/yarn-site.xml

<configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>zy2</value>
    </property>
    <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
    </property>
    <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value></value>
    </property>
</configuration>     

• yarn.nodemanager.aux-services配置了yarn的默认混洗方式，选择为mapreduce的默认混洗算法；
• yarn.resourcemanager.hostname指定了Resourcemanager运行在zy2节点上；
• yarn.log-aggregation-enable是配置是否启用日志聚集功能；
• yarn.log-aggregation.retain-seconds是配置聚集的日志在HDFS上最多保存多长时间；

9、设置SSH无密码登录

Hadoop集群中的各个机器间会相互地通过SSH访问，每次访问都输入密码是不现实的，所以要配置各个机器间的SSH是无密码登录的。

在zy1上生成公钥：

ssh-keygen -t rsa

一路回车，都设置为默认值，然后再当前用户的Home目录下的.ssh目录中会生成公钥文件（id_rsa.pub）和私钥文件（id_rsa）。

分发公钥：

ssh-copy-id zy1
ssh-copy-id zy2
ssh-copy-id zy3

设置zy2、zy3到其他机器的无密钥登录：同样的在zy2、zy3上生成公钥和私钥后，将公钥分发到三台机器上。

10、分发Hadoop文件

通过Scp分发：Hadoop根目录下的share/doc目录是存放的hadoop的文档，文件相当大，建议在分发之前将这个目录删除掉，可以节省硬盘空间并能提高分发的速度。

cd /opt/bigdata
rm -rf hadoop/share/doc
scp -r /opt/bigdata/hadoop/ zy2:/opt/bigdata
scp -r /opt/bigdata/hadoop/ zy3:/opt/bigdata

在每个节点下执行：

mkdir /opt/bigdata/data/hadoop

11、格式NameNode

在使用hadoop之前，全新的HDFS安装需要进行格式化。通过创建存储目录和初始化版本的namenode持久数据结构，格式化将创建一个空的文件系统。

在NameNode机器上(节点zy1)执行格式化：

hdfs namenode -format

注意：如果需要重新格式化NameNode，需要先将原来NameNode和DataNode下的文件全部删除，不然会报错，NameNode和DataNode所在目录是在core-site.xml中hadoop.tmp.dir、dfs.namenode.name.dir、dfs.datanode.data.dir属性配置的。

<configuration>
<property>
       <name>fs.defaultFS</name>
       <value>hdfs://zy1:9000</value>
    </property>
    <property>
       <name>hadoop.tmp.dir</name>
      <value>/opt/bigdata/data/hadoop</value>
    </property>
    <property>
       <name>dfs.namenode.name.dir</name>
       <value>file://${hadoop.tmp.dir}/dfs/name</value>
    </property>
    <property>
       <name>dfs.datanode.data.dir</name>
       <value>file://${hadoop.tmp.dir}/dfs/data</value>
    </property>
</configuration>

每次格式化，默认是创建一个集群ID，并写入NameNode的VERSION文件中（VERSION文件所在目录为dfs/name/current ）。

此时并没有将集群ID写入DataNode的VERSION之中，由于namenode管理所有的文件系统的元数据，datanode可以动态的加入或离开集群，所以初始的格式化过程不涉及datanode。

只有在启动HDFS时，才会将ID写入DataNode的VERSION之中。如果我们重新格式化HDFS，重新格式化时，默认会生成一个新的集群ID，如果不删除原来的数据目录，会导致namenode中的VERSION文件中是新的集群ID,而DataNode中是旧的集群ID，不一致时会报错。

12、启动HDFS

在zy1节点运行以下命令：

start-dfs.sh

zy3中的QuorumPeerMain进程不用管，这个是zookeeper进程。

我们来查看以下各个节点的NameNode和DataNode目录：

可以看到已经将集群ID写入DataNode的VERSION之中：

13、启动YARN

start-yarn.sh

在zy2上启动ResourceManager：

yarn-daemon.sh start resourcemanager

14、启动日志服务器

因为我们规划的是在zy1服务器上运行MapReduce日志服务，所以要在zy1上启动：

mr-jobhistory-daemon.sh start historyserver

现在来查看以下每个节点下的日志文件：

15、查看HDFS Web页面

hdfs的Web客户端端口号是50070，通过http://106.15.74.155:50070/可以查看。

16、查看YARN Web 页面

YARN的Web客户端端口号是8088，由于ResourceManager设置在zy2节点上，因此通过http://47.103.134.70:8088/查看当前执行的job。

17、测试Job

测试部分可以参考伪分布式测试内容https://www.cnblogs.com/zyly/p/11209286.html#_label4_16。

在测试时会出现如下错误：

我们需要配置阿里云的入规则，开放三个节点的50010端口：

此外，我们还需要在阿里云安全组规则入规则开放每个节点的8031、8032、50020等等。每个节点具体需要开放什么端口，我们可以通过查看日志获得，以节点zy2，为例：

 cat logs/hadoop-root-datanode-zy2.log

 cat logs/yarn-root-nodemanager-zy2.log

通过以下命令，可以查看该节点监听的端口：

netstat -ant

如果实在不知道需要在阿里云安全组规则中配置哪些端口，那就打开全部端口，但是这样可能并不安全：

18、hadoop配置信息

Hadoop更多端口相关的配置参考：hadoop端口号配置信息、ResourceManager相关配置参数。

更多Hadoop的参数配置可以惨开：hadoop 参数配置。

19、关闭hadoop

在各个节点下运行如下命令：

cd /opt/bigdata/hadoop
sbin/stop-all.sh 

20、重新格式化和启动

在每个节点运行如下命令：

cd /opt/bigdata/hadoop
sbin/stop-all.sh
rm -rf  logs/*
rm -rf ../data/hadoop/*

在namenode节点(zy1)运行：

hdfs namenode -format

然后在每个节点运行相应启动hadoop的命令。

21、错误排查

如果hadoop启动出现出错，要学会查看日志，日志位于hadoop安装路径下的logs目录下。

外网无法方位HDFS可以参考：外网无法访问云主机HDFS文件系统。

参考文章

[1]史上最详细的Hadoop环境搭建

[2]阿里云hadoop安装教程_完全分布式_Hadoop 2.7.4/CentOS 7.4

[3]hadoop 阿里云伪分布式配置