测试：修订间差异

2010年3月11日 (四) 09:55的最新版本

利用 Cloudera 部署 Hadoop

前言

Hadoop 是一个实现了 MapReduce 计算模型的开源分布式并行编程框架。MapReduce的概念来源于Google实验室，它是一个简化并行计算的编程模型，适用于大规模集群上的海量数据处理，目前最成功的应用是分布式搜索引擎。随着2007年底该模式Java开源实现项目Apache Hadoop的出现，使得程序员可以轻松地编写分布式并行程序，并将其运行于计算机集群上，完成海量数据的计算。近两年尤其是今年国内外采用MapReduce模型的应用也逐渐丰富起来，如像NTT KDDI和中国移动这类的电信公司采用该模型分析用户信息，优化网络配置；美国供电局采用该模型来分析电网现状；包括VISA和JP摩根在内的金融公司采用该模型来分析股票数据；包括Amazon和ebay在内的零售商和电子商务公司也开始采用该模型；甚至部分生物公司也采用该模型来进行DNA测序和分析。然而Hadoop安装、部署、管理的难度非常大，这使用很多用户对Hadoop望而却步，好在这种情况不久就得到了改善，Cloudera提供了非常简单的Hadoop的发布版本，能够十分方便地对Hadoop进行安装、部署和管理，这导致目前大约有75％的Hadoop新用户使用Cloudera。

规划

运行模式

Hadoop有三种运行模式：单机（非分布）运行模式、伪分布运行模式和分布式运行模式。其中前两种运行模式体现不了 Hadoop 分布式计算的优势，并没有什么实际意义（当然它们对程序的测试及调试还是很有帮助的），因此在这里还是采用实际环境中使用的分布式运行模式来部署。

主机规划

在这里拟采用三台主机搭建Hadoop环境，由于后期还需要测试增删主机及跨网段主机对Hadoop环境的影响，特将Hadoop主机规划如下：

Hadoop-01 10.137.253.201

Hadoop-02 10.137.253.202

Hadoop-03 10.137.253.203 准备后期加入的测试主机

Hadoop-04 10.137.253.204

Firehare-303 10.10.3.30  准备后期加入的跨网段测试主机

Hadoop环境规划

对于Hadoop来说，最主要的是两个内容，一是分布式文件系统HDFS，一是MapReduce计算模型。在分布式文件系统HDFS看来，节点分为NameNode 和DataNode，其中NameNode只有一个，DataNode可以是很多；在MapReduce计算模型看来，节点又可分为JobTracker和 TaskTracker，其中JobTracker只有一个，TaskTracker可以是很多。因此在实际的Hadoop环境中通常有两台主节点,一台作为NameNode（I/O节点？？）,一台作为JobTracker（管理节点？？）,剩下的都是从节点，同时当做DataNode和TaskTracker使用。当然也可以将NameNode和JobTracker安装在一台主节点上。由于测试机数量有限，所以在这里是让Hadoop-01做为Namenode和Jobtracker，其它主机则作为DataNode和TaskTracker（如果Hadoop环境中主机数量很多的话，还是建议将Namenode和JobTracker部署到不同的主机，以提高计算的性能）。具体规划如下：

HDFS:

Hadoop-01 NameNode

Hadoop-02 DataNode

Hadoop-03 DataNode

Hadoop-04 DataNode

Firehare-303 DataNode


MapReduce:

Hadoop-01 JobTracker

Hadoop-02 TaskTracker

Hadoop-03 TaskTracker

Hadoop-04 TaskTracker

Firehare-303 TaskTracker

安装

规划好了就开始安装Hadoop，如前言中所说使用Cloudera的Hadoop发布版安装Hadoop是十分方便的，首先当然是在每台主机上一个干净的操作系统（我用的是Ubuntu 8.04，用户设为Hadoop，其它的版本应该差不多），然后就是安装Hadoop了（这样安装的是Hadoop-0.20，也可以安装Hadoop-0.18的版本，反正安装步骤都差不多。注意，不能同时启用Hadoop-0.20和Hadoop-0.18）。由于每台机器安装步骤都一样，这里就写出了一台主机的安装步骤，主要分为以下几个步骤：

设置Cloudera的源

生成Cloudera源文件（这里采用的是Hadoop-0.20版本）：

sudo vi /etc/apt/sources.list.d/cloudera.list

#稳定版（Hadoop-0.18）
#deb http://archive.cloudera.com/debian hardy-stable contrib
#deb-src http://archive.cloudera.com/debian hardy-stable contrib

#测试版（Hadoop-0.20）
deb http://archive.cloudera.com/debian hardy-testing contrib
deb-src http://archive.cloudera.com/debian hardy-testing contrib

生成源的密钥：

sudo apt-get install curl

curl -s http://archive.cloudera.com/debian/archive.key | sudo apt-key add -

安装Hadoop

更新源包索引：

sudo apt-get update
sudo apt-get dist-upgrade

安装Hadoop：

sudo apt-get install hadoop-0.20 hadoop-0.20-conf-pseudo

部署

安装好这几台主机的Hadoop环境之后，就要对它们进行分布式运行模式的部署了，首先是设置它们之间的互联。

主机互联

Hadoop环境中的互联是指各主机之间网络畅通，机器名与IP地址之间解析正常，可以从任一主机ping通其它主机的主机名。注意，这里指的是主机名，即在Hadoop-01主机上可以通过命令ping Hadoop-02来ping通Hadoop-02主机（同理，要求这几台主机都能相互Ping通各自的主机名）。可以通过在各主机的/etc/hosts文件来实现，具体设置如下：

sudo vi /etc/hosts

127.0.0.1 localhost
10.x.253.201 hadoop-01 hadoop-01
10.x.253.202 hadoop-02 hadoop-02
10.x.253.203 hadoop-03 hadoop-03
10.x.253.204 hadoop-04 hadoop-04
10.x.3.30 firehare-303 firehare-303

将每个主机的hosts文件都改成上述设置，这样就实现了主机间使用主机名互联的要求。

注：如果深究起来，并不是所有的主机都需要知道Hadoop环境中其它主机主机名的。其实只是作为主节点的主机（如NameNode、JobTracker），需要在该主节点hosts文件中加上Hadoop环境中所有机器的IP地址及其对应的主机名，如果该台机器作Datanode用，则只需要在hosts文件中加上本机和主节点机器的IP地址与主机名即可（至于JobTracker主机是否也要同NameNode主机一样加上所有机器的IP和主机名，本人由于没有环境，不敢妄言，但猜想是要加的，如果哪位兄弟有兴趣，倒是不妨一试）。在这里只是由于要作测试，作为主节点的主机可能会改变，加上本人比较懒，所以就全加上了。:)

计算帐号设置

Hadoop要求所有机器上hadoop的部署目录结构要相同，并且都有一个相同用户名的帐户。由于这里采用的是Cloudera发布的Hadoop包，所以并不需要这方面的设置，大家了解一下即可。

SSH设置

在 Hadoop 分布式环境中，主节点(NameNode、JobTracker) 需要通过 SSH 来启动和停止从节点(DataNode、TeskTracker)上的各类进程。因此需要保证环境中的各台机器均可以通过 SSH 登录访问，并且主节点用 SSH 登录从节点时，不需要输入密码，这样主节点才能在后台自如地控制其它结点。可以将各台机器上的 SSH 配置为使用无密码公钥认证方式来实现。 Ubuntu上的SSH协议的开源实现是OpenSSH, 缺省状态下是没有安装的，如需使用需要进行安装。

安装OpenSSH

安装OpenSSH很简单，只需要下列命令就可以把openssh-client和openssh-server给安装好：

sudo apt-get install ssh

设置OpenSSH的无密码公钥认证

首先在Hadoop-01机器上执行以下命令：

hadoop@hadoop-01:~$ ssh-keygen -t rsa
Generating public/private rsa key pair.
Enter file in which to save the key (/home/hadoop/.ssh/id_rsa):
Enter passphrase (empty for no passphrase):（在这里直接回车）
Enter same passphrase again:（在这里直接回车）
Your identification has been saved in /home/hadoop/.ssh/id_rsa.
Your public key has been saved in /home/hadoop/.ssh/id_rsa.pub.
The key fingerprint is:
9d:42:04:26:00:51:c7:4e:2f:7e:38:dd:93:1c:a2:d6 hadoop@hadoop-01

上述命令将为主机hadoops-01上的当前用户hadoop生成其密钥对，该密钥对被保存在/home/hadoop/.ssh/id_rsa文件中，同时命令所生成的证书以及公钥也保存在该文件所在的目录中（在这里是：/home/hadoop/.ssh），并形成两个文件 id_rsa，id_rsa.pub。然后将 id_rsa.pub 文件的内容复制到每台主机(其中包括本机hadoop-01)的/home/hadoop/.ssh/authorized_keys文件的尾部，如果该文件不存在，可手工创建一个。

注意：id_rsa.pub 文件的内容是长长的一行，复制时不要遗漏字符或混入了多余换行符。

无密码公钥SSH的连接测试

从 hadoop-01 分别向 hadoop-01, hadoop-04, firehare-303 发起 SSH 连接请求，确保不需要输入密码就能 SSH 连接成功。注意第一次 SSH 连接时会出现类似如下提示的信息：

The authenticity of host [hadoop-01] can't be established. The key fingerprint is: 
c8:c2:b2:d0:29:29:1a:e3:ec:d9:4a:47:98:29:b4:48 Are you sure you want to continue connecting (yes/no)?

请输入 yes, 这样 OpenSSH 会把连接过来的这台主机的信息自动加到 /home/hadoop/.ssh/know_hosts 文件中去，第二次再连接时，就不会有这样的提示信息了。

设置主节点的Hadoop

设置JAVA_HOME

Hadoop的JAVA_HOME是在文件/etc/conf/hadoop-env.sh中设置，具体设置如下：

sudo vi /etc/conf/hadoop-env.sh

export JAVA_HOME="/usr/lib/jvm/java-6-sun"

Hadoop的核心配置

Hadoop的核心配置文件是/etc/hadoop/conf/core-site.xml，具体配置如下：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
<property>
<name>fs.default.name</name>
<!--
<value>hdfs://localhost:8020</value>
-->
<value>hdfs://hadoop-01:8020</value>
</property>

<property>
<name>hadoop.tmp.dir</name>
<value>/var/lib/hadoop-0.20/cache/${user.name}</value>
</property>
</configuration>

设置Hadoop的分布式存储环境

Hadoop的分布式环境设置主要是通过文件/etc/hadoop/conf/hdfs-site.xml来实现的，具体配置如下：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
<property>
<name>dfs.replication</name>
<!--
<value>1</value>
-->
<value>3</value>
</property>
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
<property>
<!-- specify this so that running 'hadoop namenode -format' formats the right dir -->
<name>dfs.name.dir</name>
<value>/var/lib/hadoop-0.20/cache/hadoop/dfs/name</value>
</property>
</configuration>

设置Hapoop的分布式计算环境

Hadoop的分布式计算是采用了Map/Reduce算法，该算法环境的设置主要是通过文件/etc/hadoop/conf/mapred-site.xml来实现的，具体配置如下：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
<property>
<name>mapred.job.tracker</name>
<!--
<value>localhost:8021</value>
-->
<value>hadoop-01:8021</value>
</property>
</configuration>

设置Hadoop的主从节点

首先设置主节点，编辑/etc/hadoop/conf/masters文件，如下所示：

hadoop-01

然后是设置从节点，编辑/etc/hadoop/conf/slaves文件，如下所示：

hadoop-02
hadoop-03
hadoop-04
firehare-303

设置从节点上的Hadoop

从节点上的Hadoop设置很简单，只需要将主节点上的Hadoop设置，复制一份到从节点上即可。

scp -r /etc/hadoop/conf hadoop-02:/etc/hadoop
scp -r /etc/hadoop/conf hadoop-03:/etc/hadoop
scp -r /etc/hadoop/conf hadoop-04:/etc/hadoop
scp -r /etc/hadoop/conf firehare-303:/etc/hadoop

启动Hadoop

格式化分布式文件系统

在启动Hadoop之前还要做最后一个准备工作，那就是格式化分布式文件系统，这个只需要在主节点做就行了，具体如下：

/usr/lib/hadoop-0.20/bin/hadoop namenode -format

启动Hadoop服务

启动Hadoop可以通过以下命令来实现：

/usr/lib/hadoop-0.20/bin/start-all.sh

注意：该命令是没有加sudo的，如果加了sudo就会提示出错信息的，因为root用户并没有做无验证ssh设置。以下是输出信息，注意hadoop-03是故意没接的，所以出现No route to host信息。

hadoop@hadoop-01:~$ /usr/lib/hadoop-0.20/bin/start-all.sh
namenode running as process 4836. Stop it first.
hadoop-02: starting datanode, logging to /usr/lib/hadoop-0.20/bin/../logs/hadoop-hadoop-datanode-hadoop-02.out
hadoop-04: starting datanode, logging to /usr/lib/hadoop-0.20/bin/../logs/hadoop-hadoop-datanode-hadoop-04.out
firehare-303: starting datanode, logging to /usr/lib/hadoop-0.20/bin/../logs/hadoop-hadoop-datanode-usvr-303b.out
hadoop-03: ssh: connect to host hadoop-03 port 22: No route to host
hadoop-01: secondarynamenode running as process 4891. Stop it first.
jobtracker running as process 4787. Stop it first.
hadoop-02: starting tasktracker, logging to /usr/lib/hadoop-0.20/bin/../logs/hadoop-hadoop-tasktracker-hadoop-02.out
hadoop-04: starting tasktracker, logging to /usr/lib/hadoop-0.20/bin/../logs/hadoop-hadoop-tasktracker-hadoop-04.out
firehare-303: starting tasktracker, logging to /usr/lib/hadoop-0.20/bin/../logs/hadoop-hadoop-tasktracker-usvr-303b.out
hadoop-03: ssh: connect to host hadoop-03 port 22: No route to host

这样Hadoop就正常启动了！

测试Hadoop

Hadoop架设好了，接下来就是要对其进行测试，看看它是否能正常工作，具体代码如下：

hadoop@hadoop-01:~$ hadoop-0.20 fs -mkdir input
hadoop@hadoop-01:~$ hadoop-0.20 fs -put /etc/hadoop-0.20/conf/*.xml input
hadoop@hadoop-01:~$ hadoop-0.20 fs -ls input
Found 6 items
-rw-r--r-- 3 hadoop supergroup 3936 2010-03-11 08:55 /user/hadoop/input/capacity-scheduler.xml
-rw-r--r-- 3 hadoop supergroup 400 2010-03-11 08:55 /user/hadoop/input/core-site.xml
-rw-r--r-- 3 hadoop supergroup 3032 2010-03-11 08:55 /user/hadoop/input/fair-scheduler.xml
-rw-r--r-- 3 hadoop supergroup 4190 2010-03-11 08:55 /user/hadoop/input/hadoop-policy.xml
-rw-r--r-- 3 hadoop supergroup 536 2010-03-11 08:55 /user/hadoop/input/hdfs-site.xml
-rw-r--r-- 3 hadoop supergroup 266 2010-03-11 08:55 /user/hadoop/input/mapred-site.xml
hadoop@hadoop-01:~$ hadoop-0.20 jar /usr/lib/hadoop-0.20/hadoop-*-examples.jar grep input output 'dfs[a-z.]+'
10/03/11 08:55:43 INFO mapred.FileInputFormat: Total input paths to process : 6
10/03/11 08:55:44 INFO mapred.JobClient: Running job: job_201003110836_0001
10/03/11 08:55:45 INFO mapred.JobClient: map 0% reduce 0%
10/03/11 08:55:57 INFO mapred.JobClient: map 33% reduce 0%
10/03/11 08:56:06 INFO mapred.JobClient: map 33% reduce 11%
10/03/11 08:56:07 INFO mapred.JobClient: map 66% reduce 11%
10/03/11 08:56:12 INFO mapred.JobClient: map 100% reduce 11%
10/03/11 08:56:21 INFO mapred.JobClient: map 100% reduce 22%
10/03/11 09:04:06 INFO mapred.JobClient: Task Id : attempt_201003110836_0001_m_000002_0, Status : FAILED
Too many fetch-failures
10/03/11 09:04:06 WARN mapred.JobClient: Error reading task outputusvr-303b.cmet.wzu.edu.cn
10/03/11 09:04:06 WARN mapred.JobClient: Error reading task outputusvr-303b.cmet.wzu.edu.cn
10/03/11 09:04:22 INFO mapred.JobClient: map 100% reduce 27%
10/03/11 09:06:50 INFO mapred.JobClient: Task Id : attempt_201003110836_0001_m_000003_0, Status : FAILED
Too many fetch-failures
10/03/11 09:06:50 WARN mapred.JobClient: Error reading task outputusvr-303b.cmet.wzu.edu.cn
10/03/11 09:06:50 WARN mapred.JobClient: Error reading task outputusvr-303b.cmet.wzu.edu.cn
10/03/11 09:07:03 INFO mapred.JobClient: map 100% reduce 100%
10/03/11 09:07:05 INFO mapred.JobClient: Job complete: job_201003110836_0001
10/03/11 09:07:05 INFO mapred.JobClient: Counters: 18
10/03/11 09:07:05 INFO mapred.JobClient: Job Counters
10/03/11 09:07:05 INFO mapred.JobClient: Launched reduce tasks=1
10/03/11 09:07:05 INFO mapred.JobClient: Launched map tasks=8
10/03/11 09:07:05 INFO mapred.JobClient: Data-local map tasks=8
10/03/11 09:07:05 INFO mapred.JobClient: FileSystemCounters
10/03/11 09:07:05 INFO mapred.JobClient: FILE_BYTES_READ=100
10/03/11 09:07:05 INFO mapred.JobClient: HDFS_BYTES_READ=12360
10/03/11 09:07:05 INFO mapred.JobClient: FILE_BYTES_WRITTEN=422
10/03/11 09:07:05 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=204
10/03/11 09:07:05 INFO mapred.JobClient: Map-Reduce Framework
10/03/11 09:07:05 INFO mapred.JobClient: Reduce input groups=4
10/03/11 09:07:05 INFO mapred.JobClient: Combine output records=4
10/03/11 09:07:05 INFO mapred.JobClient: Map input records=315
10/03/11 09:07:05 INFO mapred.JobClient: Reduce shuffle bytes=49
10/03/11 09:07:05 INFO mapred.JobClient: Reduce output records=4
10/03/11 09:07:05 INFO mapred.JobClient: Spilled Records=8
10/03/11 09:07:05 INFO mapred.JobClient: Map output bytes=86
10/03/11 09:07:05 INFO mapred.JobClient: Map input bytes=12360
10/03/11 09:07:05 INFO mapred.JobClient: Combine input records=4
10/03/11 09:07:05 INFO mapred.JobClient: Map output records=4
10/03/11 09:07:05 INFO mapred.JobClient: Reduce input records=4
10/03/11 09:07:05 WARN mapred.JobClient: Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
10/03/11 09:07:05 INFO mapred.FileInputFormat: Total input paths to process : 1
10/03/11 09:07:05 INFO mapred.JobClient: Running job: job_201003110836_0002
10/03/11 09:07:06 INFO mapred.JobClient: map 0% reduce 0%
10/03/11 09:07:13 INFO mapred.JobClient: map 100% reduce 0%
10/03/11 09:07:19 INFO mapred.JobClient: map 100% reduce 100%
10/03/11 09:07:21 INFO mapred.JobClient: Job complete: job_201003110836_0002
10/03/11 09:07:21 INFO mapred.JobClient: Counters: 18
10/03/11 09:07:21 INFO mapred.JobClient: Job Counters
10/03/11 09:07:21 INFO mapred.JobClient: Launched reduce tasks=1
10/03/11 09:07:21 INFO mapred.JobClient: Launched map tasks=1
10/03/11 09:07:21 INFO mapred.JobClient: Data-local map tasks=1
10/03/11 09:07:21 INFO mapred.JobClient: FileSystemCounters
10/03/11 09:07:21 INFO mapred.JobClient: FILE_BYTES_READ=100
10/03/11 09:07:21 INFO mapred.JobClient: HDFS_BYTES_READ=204
10/03/11 09:07:21 INFO mapred.JobClient: FILE_BYTES_WRITTEN=232
10/03/11 09:07:21 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=62
10/03/11 09:07:21 INFO mapred.JobClient: Map-Reduce Framework
10/03/11 09:07:21 INFO mapred.JobClient: Reduce input groups=1
10/03/11 09:07:21 INFO mapred.JobClient: Combine output records=0
10/03/11 09:07:21 INFO mapred.JobClient: Map input records=4
10/03/11 09:07:21 INFO mapred.JobClient: Reduce shuffle bytes=0
10/03/11 09:07:21 INFO mapred.JobClient: Reduce output records=4
10/03/11 09:07:21 INFO mapred.JobClient: Spilled Records=8
10/03/11 09:07:21 INFO mapred.JobClient: Map output bytes=86
10/03/11 09:07:21 INFO mapred.JobClient: Map input bytes=118
10/03/11 09:07:21 INFO mapred.JobClient: Combine input records=0
10/03/11 09:07:21 INFO mapred.JobClient: Map output records=4
10/03/11 09:07:21 INFO mapred.JobClient: Reduce input records=4

不难看出，上述测试已经成功，这说明Hadoop部署成功，能够在上面进行Map/Reduce分布性计算了。