搭建Hadoop集群

注意，这里搭建的是伪分布式模式。

伪分布式模式：也是单机运行，但是具备 Hadoop 集群的所有功能，一台服务器模
拟一个分布式的环境。

如果出现问题，可以去参看文章 搭建hadoop集群常见问题

再造虚拟机

前面已经创建了一台虚拟机了，两种选择：

1. 选择直接克隆。由于涉及分发脚本等，虚拟机最好配置成静态IP（不配置其实也可以，只是未来IP改变后有部分东西会受影响）。克隆之后Hadoop和jdk等就都配置好了。注意克隆是在虚拟机软件（VMware、UTM）上右键虚拟机就可以克隆了。如果之前是手动配置的静态IP(修改netplan文件的)，需要去看看netplan文件(配置静态IP的那个文件)看看IP信息，多半都需要改改，改成新的IP地址,可能用户名和主机名也需要修改，可以查看修改Ubuntu用户名、密码和主机名，具体改后的值先看看下面的内容。
2. 再按照前面的流程创建两台虚拟机（Hadoop可以先不安装，但是jdk要安装上），这种适合非手动配置静态IP的人（在安装时就配置了静态IP的人）。

对了，配置的时候不要想着内存、核心数、硬盘数太大了，其实虚拟机用的内存不大，设置的是最大的内存，也就是三台机子同时高功耗执行任务才就会有达到（能到那种程度基本就用的公司的服务器了，学习更不用担心），核心数也是用的虚拟核心数，类似于线程数，一般也跑不满，硬盘就是最大硬盘了，Linux中可能只有主服务器占资源多一点，另外两台基本就是占用10GB左右硬盘，但是搭建好集群后，可能虚拟机总的硬盘要占到50GB左右，和512GB比起来问题也不大。

Hadoop集群配置规划

	1号服务器	2号服务器	3号服务器
name	hadoop103	hadoop104	hadoop105
IP	192.168.64.103	192.168.64.104	192.168.64.105
HDFS	NameNode、DataNode	DataNode	SecondaryNameNode、DataNode
YARN	NodeManager	ResourceManager、NodeManager	NodeManager

1号服务器还要配置历史服务器：JobHistoryServer

集群分发脚本

未来避免每台服务器都执行相同操作，需要自行编写集群分发脚本，使得各服务器快速,方便地同步一些内容。

参看： 集群分发脚本

配置文件说明

Hadoop 配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认 配置值时，才需要修改自定义配置文件，更改相应属性值。

由于你可能和我的位置不太一样，那就统一把hadoop根目录配置到环境变量中：vim ~/.bashrc,添加内容（这在后面启停脚本中需要，请你务必配置这一项）：

#HADOOP_HOME
export HADOOP_HOME=/usr/local/hadoop
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

刷新配置：source ~/.bashrc。之后就可以直接输入cd $HADOOP_HOME命令就可以跳转到hadoop的根目录/ur/local/hadoop下了。相当于是名词替换了。

hadoop的配置文件都在$HADOOP_HOME/etc/hadoop目录下。

1. 默认配置文件

| 要获取的默认文件     | 文件存放在 Hadoop 的 jar 包中的位置                       |
| -------------------- | --------------------------------------------------------- |
| [core-default.xml]   | hadoop-common-3.3.1.jar/core-default.xml                  |
| [hdfs-default.xml]   | hadoop-hdfs-3.3.1.jar/hdfs-default.xml                    |
| [yarn-default.xml]   | hadoop-yarn-common-3.3.1.jar/yarn-default.xml             |
| [mapred-default.xml] | hadoop-mapreduce-client-core-3.3.1.jar/mapred-default.xml |

1. 自定义配置文件

   core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml 四个配置文件存放在 $HADOOP_HOME/etc/hadoop 这个路径上，用户可以根据项目需求重新进行修改配置。我们后面进行的相关配置也是对这四个文件进行配置。

2. 都是对应着核心配置文件core、hdfs配置文件、yarn配置文件、MapReduce配置文件。

配置集群

先都是在一号服务器（hadoop103）操作，之后利用分发脚本分发过去就行了，减少重复操作。

进入配置文件目录：

cd $HADOOP_HOME/etc/hadoop

核心配置文件

配置 core-site.xml

vim core-site.xml # 前提是跳转到了 $HADOOP_HOME/etc/hadoop 目录下

文件内容：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    
    <!-- 指定 NameNode 的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop103:8020</value>
    </property>
    
    <!-- 指定 hadoop 数据的存储目录 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/usr/local/hadoop/data</value>
    </property>
    
    <!-- 配置 HDFS 网页登录使用的静态用户为 hadoop103 -->
    <property>
        <name>hadoop.http.staticuser.user</name>
        <value>hadoop103</value>
    </property>
</configuration>

如下：

HDFS配置文件

配置hdfs-site.xml

vim hdfs-site.xml

文件内容：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    <!-- nn web 端访问地址-->
    <property>
        <name>dfs.namenode.http-address</name>
        <value>hadoop103:9870</value>
    </property>
    <!-- 2nn web 端访问地址-->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop105:9868</value>
    </property>
</configuration>

如图：

注意看端口，以后访问正确的端口.

YARN配置文件

配置 yarn-site.xml

vim yarn-site.xml

文件内容：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    <!-- 指定 MR 走 shuffle -->
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <!-- 指定 ResourceManager 的地址-->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop104</value>
    </property>
    <!-- 环境变量的继承 -->
    <property>
        <name>yarn.nodemanager.env-whitelist</name>
        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CO
            NF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAP
            RED_HOME</value>
    </property>
    <!-- 开启日志聚集功能 -->
    <property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
    </property>
    <!-- 设置日志聚集服务器地址 -->
    <property>
        <name>yarn.log.server.url</name>
        <value>http://hadoop103:19888/jobhistory/logs</value>
    </property>
    <!-- 设置日志保留时间为 7 天 -->
    <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>604800</value>
    </property>
</configuration>

如图：

3.2版本以上不需要配置环境变量了。

MapReduce配置文件

配置mapred-site.xml

vim mapred-site.xml

文件内容：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
    <!-- 指定 MapReduce 程序运行在 Yarn 上 -->
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>yarn.app.mapreduce.am.env</name>
        <value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value>
    </property>
    <property>
        <name>mapreduce.map.env</name>
        <value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value>
    </property>
    <property>
        <name>mapreduce.reduce.env</name>
        <value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value>
    </property>
    <!-- 历史服务器端地址 -->
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>hadoop103:10020</value>
    </property>
    <!-- 历史服务器 web 端地址 -->
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>hadoop103:19888</value>
    </property>
</configuration>

如图：

配置workers

vim workers

写入（默认里面有内容localhost，但是我的hadoop103对于的有localhost，所以我把localhost删掉了，写入下面内容）：

hadoop103
hadoop104
hadoop105

配置文件写完了，可以再cat检查一下写得对不对。

---

分发Hadoop配置文件

利用集群分发脚本，如果还没有弄集群分发脚本请参看集群分发脚本

xsync /usr/local/hadoop/etc/hadoop

启动集群

没有特别说明都是在$HADOOP_HOME目录下执行命令。

第一次启动

如果集群是第一次启动，需要在 hadoop103 节点格式化 NameNode（注意：格式化 NameNode，会产生新的集群 id，导致 NameNode 和 DataNode 的集群 id 不一致，集群找不到已往数据。如果集群在运行过程中报错，需要重新格式化 NameNode 的话，一定要先停止 namenode 和 datanode 进程，并且要删除所有机器的 data 和 logs 目录，然后再进行格式化。）

注意是集群启动之前初始化，如果启动了请先停止集群再执行命令：

hdfs namenode -format

初始化完毕会新生成两个文件夹，一个是data（hadoop的数据存储目录），另一个是logs（hadoop的日志存储目录）.

再提醒一遍：之后再执行namenode初始化命令要提前把data和logs删除，且停止集群

正式启动

sbin/start-dfs.sh

关闭即为：

sbin/stop-dfs.sh

启动YARN

在配置了 ResourceManager 的节点启动，即hadoop104，输入下面命令：

sbin/start-yarn.sh

关闭即为：

sbin/stop-yarn.sh

启动历史服务器

在hadoop103上启动

mapred --daemon start historyserver

查看历史服务器是否启动:

jps

查看JobHistory:

http://hadoop103:19888/jobhistory

关闭即为：

mapred --daemon stop historyserver

这样就启动成功了。

注意启动和关闭顺序：

启动： dfs -> yarn -> historyserver

关闭；histroyserver -> yarn -> dfs

---

封装集群启停脚本

此脚本只包含HDFS、Yarn、Historyserver 。如果有其他服务，自行参照改写代码。

作用：方便快速的启动和停止集群。

不用输入sbin/start-dfs.sh、sbin/start-yarn.sh等。

存放地址：

/home/hadoop/bin这是自己编写的脚本的存放地。前面的xsync就是在这里面，这个文件路径也已经被添加进了环境变量。

cd /home/hadoop103/bin
vim myhadoop

写入脚本文件内容：

#!/bin/bash

if [ $# -lt 1 ]
then
    echo "No Args Input..."
    exit ;
fi

case $1 in
"start")
    echo " =================== 启动 hadoop 集群 ==================="
    
    echo " --------------- 启动 hdfs ---------------"
    ssh hadoop103 "$HADOOP_HOME/sbin/start-dfs.sh"
    echo " --------------- 启动 yarn ---------------"
    ssh hadoop104 "$HADOOP_HOME/sbin/start-yarn.sh"
    echo " --------------- 启动 historyserver ---------------"
    ssh hadoop103 "$HADOOP_HOME/bin/mapred --daemon start historyserver"
;;
"stop")
    echo " =================== 关闭 hadoop 集群 ==================="
    
    echo " --------------- 关闭 historyserver ---------------"
    ssh hadoop103 "$HADOOP_HOME/bin/mapred --daemon stop historyserver"
    echo " --------------- 关闭 yarn ---------------"
    ssh hadoop104 "$HADOOP_HOME/sbin/stop-yarn.sh"
    echo " --------------- 关闭 hdfs ---------------"
    ssh hadoop103 "$HADOOP_HOME/sbin/stop-dfs.sh"
;;
*)
    echo "Input Args Error..."
;;
esac

其实内容很简单，就是先获取参数个数：$#；

• 如果参数个数小于1（if [ $# -lt 1]），也就是没有参数，就输出提升说没有参数，然后结束脚本。

• 如果参数个数大于等于1，就执行下面的命令。

  直接就是一个switch-case判断参数是干嘛的，注意只判断第一个参数$1，如果是start就启动，启动就跳转到hadoop103中启动hdfsssh hadoop103 "$HADOOP_HOME/sbin/start-dfs.sh"，然后启动yarn，跳转到hadoop104启动yarnssh hadoop104 "$HADOOP_HOME/sbin/start-yarn.sh"。之后又跳转到hadoop103启动历史服务器功能ssh hadoop103 "$HADOOP_HOME/bin/mapred --daemon start historyserver"。

关闭同理。

所以需要配置ssh免密登录，否则可能就报错，ssh免密登录请参看：集群分发脚本

赋予脚本执行权限

chmod +x myhadoop

以后启动和关闭就简单了。

启动：

myhadoop start

关闭：

myhadoop stop

---

编写统一状态查看脚本

作用：一个命令，查看所有节点上的服务运行状态

原理：jps是查看一台节点上的服务运行状态命令。利用ssh跳转调用jps命令即可完成。很简答，有时间自己尝试写吧。

cd /home/hadoop103/bin
vim jpsall

编写脚本内容：

#!/bin/bash

for host in hadoop103 hadoop104 hadoop105
do
    echo =============== $host ===============
    ssh $host jps
done

赋予脚本执行权限：chmod +x jpsall

统一测试

这里直接就可以测试.

测试包含以下内容：

1. 测试集群是否能正常启动，搭建是否正确
2. 测试myhadoop集群启停脚本是否正常工作
3. 测试jpsall统一状态查看脚本是否正常工作
4. 脚本是否符合预期计划，将服务配置到对应服务器上

myhadoop start

jpsall

注意对照我们前面的规划表Hadoop集群配置规划.查看服务是否启动，以及启动节点是否正确。

如果谨慎的话可以查看对应端口是否能正常访问，请参看hadoop常用端口号（这里常常会出现一点问题）。

myhadoop stop

然后在jpsall查看一下，如果所有服务器都只剩jps一个服务了，就代表顺利关闭了。

如果有问题请参看：搭建hadoop集群常见问题