个人工具

利用Cloudera实现Hadoop

来自Ubuntu中文

跳转至: 导航, 搜索

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

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。:)

注意2:ubuntu 原有的 /etc/hosts 文件中有将本机计算机名解析为 127.0.1.1 的字段,例如:

127.0.1.1 hadoop-01

请务必删除,否则会由于绑定 ip 不正确导致namenode和jobtracker无法连接的问题。

主机互联的可选方法(配置复杂并不推荐)

如果各个主机使用 dhcp 动态分配地址且不具有网络管理员权限,或者由于 /etc/hosts 文件的修改量过大,对于同一子网中的主机可以通过架设一个 WINS 服务或使用网络中有的 WINS 服务来解决互联问题。相关的包可以通过运行 tasksel 命令,安装 samba client 包获得,安装之后还需要修改 /etc/samba/smb.conf 架设或设置 WINS 服务,并修改 /etc/nsswitch.conf 添加机器名的解析方式。

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:

[email protected]:~$ 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 [email protected]

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/hadoop/conf/hadoop-env.sh中设置,具体设置如下:

sudo vi /etc/hadoop/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Hadoop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。

[email protected]:~$ /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!
正常启动之后,可以在 master 主机上通过以下网址检视 hadoop 运行状况:
http://localhost:50070/ , 检视分布式文件系统状况,其中 Live Nodes 字段应当显示为正常运行并连接到 namenode 服务器的 datanode 个数。
http://localhost:50030/ , 检视集群运转状况,其中 Nodes 字段应当显示正常运行并连接到 jobtracker 的 task tracker 个数。

通过 cloudera 提供的服务包实现服务的自启动(可选)

通过安装 cloudera 提供的服务包,可以实现每次开机之后,hadoop 服务自动启动。
首先,在 master 对应的机器上安装 hadoop-0.20-jobtracker 和 hadoop-0.20-namenode 包。

sudo apt-get install hadoop-0.20-jobtracker hadoop-0.20-namenode

在 slave 对应机器上安装 hadoop-0.20-tasktracker 和 hadoop-0.20-datanode 包

sudo apt-get install hadoop-0.20-tasktracker hadoop-0.20-datanode

重新启动这些机器,可以通过上节提到的两个网址检视系统运行状况。

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:

[email protected]:~$ hadoop-0.20 fs -mkdir input
[email protected]:~$ hadoop-0.20 fs -put /etc/hadoop-0.20/conf/*.xml input
[email protected]:~$ 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
[email protected]:~$ hadoop-0.20 jar /usr/lib/hadoop-0.20/hadoop-*-examples.jar grep input output 'dfs[a-z.]+'
10/03/11 14:35:57 INFO mapred.FileInputFormat: Total input paths to process : 6
10/03/11 14:35:58 INFO mapred.JobClient: Running job: job_201003111431_0001
10/03/11 14:35:59 INFO mapred.JobClient:  map 0% reduce 0%
10/03/11 14:36:14 INFO mapred.JobClient:  map 33% reduce 0%
10/03/11 14:36:20 INFO mapred.JobClient:  map 66% reduce 0%
10/03/11 14:36:26 INFO mapred.JobClient:  map 66% reduce 22%
10/03/11 14:36:36 INFO mapred.JobClient:  map 100% reduce 22%
10/03/11 14:36:44 INFO mapred.JobClient:  map 100% reduce 100%
10/03/11 14:36:46 INFO mapred.JobClient: Job complete: job_201003111431_0001
10/03/11 14:36:46 INFO mapred.JobClient: Counters: 19
10/03/11 14:36:46 INFO mapred.JobClient:   Job Counters 
10/03/11 14:36:46 INFO mapred.JobClient:     Launched reduce tasks=1
10/03/11 14:36:46 INFO mapred.JobClient:     Rack-local map tasks=4
10/03/11 14:36:46 INFO mapred.JobClient:     Launched map tasks=6
10/03/11 14:36:46 INFO mapred.JobClient:     Data-local map tasks=2
10/03/11 14:36:46 INFO mapred.JobClient:   FileSystemCounters
10/03/11 14:36:46 INFO mapred.JobClient:     FILE_BYTES_READ=100
10/03/11 14:36:46 INFO mapred.JobClient:     HDFS_BYTES_READ=12360
10/03/11 14:36:46 INFO mapred.JobClient:     FILE_BYTES_WRITTEN=422
10/03/11 14:36:46 INFO mapred.JobClient:     HDFS_BYTES_WRITTEN=204
10/03/11 14:36:46 INFO mapred.JobClient:   Map-Reduce Framework
10/03/11 14:36:46 INFO mapred.JobClient:     Reduce input groups=4
10/03/11 14:36:46 INFO mapred.JobClient:     Combine output records=4
10/03/11 14:36:46 INFO mapred.JobClient:     Map input records=315
10/03/11 14:36:46 INFO mapred.JobClient:     Reduce shuffle bytes=124
10/03/11 14:36:46 INFO mapred.JobClient:     Reduce output records=4
10/03/11 14:36:46 INFO mapred.JobClient:     Spilled Records=8
10/03/11 14:36:46 INFO mapred.JobClient:     Map output bytes=86
10/03/11 14:36:46 INFO mapred.JobClient:     Map input bytes=12360
10/03/11 14:36:46 INFO mapred.JobClient:     Combine input records=4
10/03/11 14:36:46 INFO mapred.JobClient:     Map output records=4
10/03/11 14:36:46 INFO mapred.JobClient:     Reduce input records=4
10/03/11 14:36:46 WARN mapred.JobClient: Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
10/03/11 14:36:46 INFO mapred.FileInputFormat: Total input paths to process : 1
10/03/11 14:36:46 INFO mapred.JobClient: Running job: job_201003111431_0002
10/03/11 14:36:47 INFO mapred.JobClient:  map 0% reduce 0%
10/03/11 14:36:56 INFO mapred.JobClient:  map 100% reduce 0%
10/03/11 14:37:08 INFO mapred.JobClient:  map 100% reduce 100%
10/03/11 14:37:10 INFO mapred.JobClient: Job complete: job_201003111431_0002
10/03/11 14:37:11 INFO mapred.JobClient: Counters: 18
10/03/11 14:37:11 INFO mapred.JobClient:   Job Counters 
10/03/11 14:37:11 INFO mapred.JobClient:     Launched reduce tasks=1
10/03/11 14:37:11 INFO mapred.JobClient:     Launched map tasks=1
10/03/11 14:37:11 INFO mapred.JobClient:     Data-local map tasks=1
10/03/11 14:37:11 INFO mapred.JobClient:   FileSystemCounters
10/03/11 14:37:11 INFO mapred.JobClient:     FILE_BYTES_READ=100
10/03/11 14:37:11 INFO mapred.JobClient:     HDFS_BYTES_READ=204
10/03/11 14:37:11 INFO mapred.JobClient:     FILE_BYTES_WRITTEN=232
10/03/11 14:37:11 INFO mapred.JobClient:     HDFS_BYTES_WRITTEN=62
10/03/11 14:37:11 INFO mapred.JobClient:   Map-Reduce Framework
10/03/11 14:37:11 INFO mapred.JobClient:     Reduce input groups=1
10/03/11 14:37:11 INFO mapred.JobClient:     Combine output records=0
10/03/11 14:37:11 INFO mapred.JobClient:     Map input records=4
10/03/11 14:37:11 INFO mapred.JobClient:     Reduce shuffle bytes=0
10/03/11 14:37:11 INFO mapred.JobClient:     Reduce output records=4
10/03/11 14:37:11 INFO mapred.JobClient:     Spilled Records=8
10/03/11 14:37:11 INFO mapred.JobClient:     Map output bytes=86
10/03/11 14:37:11 INFO mapred.JobClient:     Map input bytes=118
10/03/11 14:37:11 INFO mapred.JobClient:     Combine input records=0
10/03/11 14:37:11 INFO mapred.JobClient:     Map output records=4
10/03/11 14:37:11 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。

开发环境

使用 netbeans 及其 hadoop 插件

安装 netbeans:

sudo apt-get install netbeans

安装并配置 hadoop 插件可以参见:http://www.hadoopstudio.org/docs/tutorials/nb-tutorial-installation.html