利用Cloudera实现Hadoop
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，源信息可能过时，最新信息请参见官方文档：http://archive.cloudera.com/docs/_apt.html ）：
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：
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/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/${user.name}</value>
</property>
</configuration>
设置Hadoop的分布式存储环境
Hadoop的分布式环境设置主要是通过文件/etc/hadoop/conf/hdfs-site.xml来实现的，具体配置如下：
<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <property> <name>dfs.replication</name> <!-- <value>1</value> --> <value>3</value> </property> <property> <name>dfs.permissions</name> <value>false</value> </property> <property> <!-- specify this so that running 'hadoop namenode -format' formats the right dir --> <name>dfs.name.dir</name> <value>/var/lib/hadoop-0.20/cache/hadoop/dfs/name</value> </property> </configuration>
设置Hadoop的分布式计算环境
Hadoop的分布式计算是采用了Map/Reduce算法，该算法环境的设置主要是通过文件/etc/hadoop/conf/mapred-site.xml来实现的，具体配置如下：
<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <property> <name>mapred.job.tracker</name> <!-- <value>localhost:8021</value> --> <value>hadoop-01:8021</value> </property> </configuration>
设置Hadoop的主从节点
首先设置主节点，编辑/etc/hadoop/conf/masters文件，如下所示：
hadoop-01
然后是设置从节点，编辑/etc/hadoop/conf/slaves文件，如下所示：
hadoop-02 hadoop-03 hadoop-04 firehare-303
设置从节点上的Hadoop
从节点上的Hadoop设置很简单，只需要将主节点上的Hadoop设置，复制一份到从节点上即可。
scp -r /etc/hadoop/conf hadoop-02:/etc/hadoop scp -r /etc/hadoop/conf hadoop-03:/etc/hadoop scp -r /etc/hadoop/conf hadoop-04:/etc/hadoop scp -r /etc/hadoop/conf firehare-303:/etc/hadoop
启动Hadoop
格式化分布式文件系统
在启动Hadoop之前还要做最后一个准备工作，那就是格式化分布式文件系统，这个只需要在主节点做就行了，具体如下：
/usr/lib/hadoop-0.20/bin/hadoop namenode -format
启动Hadoop服务
启动Hadoop可以通过以下命令来实现：
/usr/lib/hadoop-0.20/bin/start-all.sh
注意：该命令是没有加sudo的，如果加了sudo就会提示出错信息的，因为root用户并没有做无验证ssh设置。以下是输出信息，注意hadoop-03是故意没接的，所以出现No route to host信息。
hadoop@hadoop-01:~$ /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！
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：
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 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
