因为学校要求的是 2.4.1 版本的 Hadoop ，所以下面使用的都是这个版本的 Hadoop。

安装 Hadoop 需要 Java 环境，这里默认 Java 环境已经配置完毕了。

创建 hadoop 用户

sudo useradd -m hadoop -s /bin/bash # 创建一个 hadoop 用户并选择 /bin/bash 作为 shell

设置密码

sudo passwd hadoop

增加 sudo 权限

sudo adduser hadoop sudo

安装 Hadoop

安装包可以到这里下载：http://mirror.bit.edu.cn/apache/hadoop/common/

下载好了之后，在你想安装的路径下进行解压， 这里选择将Hadoop 安装到/usr/local/中:

sudo tar -zxf hadoop-2.4.1.tar.gz -C /usr/local
cd /usr/local/
sudo ln -s hadoop-2.4.1 hadoop    # 添加软连接，方便更换版本
sudo chown -R hadoop ./hadoop

配置环境变量

如果配置了环境变量，那么下面的指令都可以省略路径。如 ./bin/hdfs 可以简写为 hdfs
export HADOOP_HOME=/usr/local/hadoop
export PATH=${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin:${PATH}

如果想对当前用户永久生效的话可以将以上语句写入 ~/.bashrc 中；如果想要对所有用户生效的话可以写入 /etc/profile 文件里面。

写入文件后需要重启，或者使用 source conf_file 指令来使设置生效。(conf_file 是刚刚写入的文件)

Hadoop 单机配置

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

在此我们选择运行 grep 例子，我们将 input 文件夹中的所有文件作为输入，筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数，最后输出结果到 output 文件夹中。

cd /usr/local/hadoop
mkdir input
cp ./etc/hadoop/*.xml ./input    # 将配置文件作为输入
hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/*    # 查看运行结果
注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。

Hadoop 伪分布式配置与运行

Hadoop 伪分布式配置

Hadoop 可以在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行，节点既作为 NameNode 也作为 DataNode，同时，读取的是 HDFS 中的文件。

Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中，伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml 。Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

修改配置文件 core-site.xml 为如下配置：

<configuration>
        <!-- 指定 hadoop 运行时产生文件的存储目录 -->
        <property>
             <name>hadoop.tmp.dir</name>
             <value>file:/usr/local/hadoop/tmp</value>
        </property>
        <!-- 指定 HDFS 的（NameNode）的缺省路径地址 --> 
        <property>
             <name>fs.defaultFS</name>
             <value>hdfs://localhost:9000</value>
        </property>
</configuration>

修改配置文件 hdfs-site.xml 为如下配置：

<configuration>
        <!-- 指定 HDFS 副本的数量 -->
        <property>
             <name>dfs.replication</name>
             <value>1</value>
        </property>
        <property>
             <name>dfs.namenode.name.dir</name>
             <value>file:/usr/local/hadoop/tmp/hdfs/name</value>
        </property>
        <property>
             <name>dfs.datanode.data.dir</name>
             <value>file:/usr/local/hadoop/tmp/hdfs/data</value>
        </property>
</configuration>

Hadoop 的运行方式是由配置文件决定的（运行 Hadoop 时会读取配置文件），因此如果需要从伪分布式模式切换回非分布式模式，需要删除 core-site.xml 中的配置项.

若没有配置 hadoop.tmp.dir 参数，则默认使用的临时目录为 /tmp/hadoo-hadoop，而这个目录在重启时有可能被系统清理掉，导致必须重新执行 format 才行。所以我们进行了设置，同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir，否则在接下来的步骤中可能会出错。

配置完成后，执行 NameNode 的格式化：

./bin/hdfs namenode -format
若此时出现 Error: JAVA_HOME is not set and could not be found ，则说明前面的 JAVA_HOME 没有配置好。

hadoop_format_string.png

接着开启 NameNode 和 DataNode 守护进程。

./sbin/start-dfs.sh
如果出现 localhost: ssh: connect to host localhost port 22: Connection refused ，则说明 ssh 安装有问题。检查一下 ssh 和 sshd 是否正确安装了。

启动完成后，可以通过命令 jps 来判断是否成功启动，若成功启动则会列出如下进程: “NameNode”、”DataNode” 和 “SecondaryNameNode”（如果 SecondaryNameNode 没有启动，请运行 sbin/stop-dfs.sh 关闭进程，然后再次尝试启动尝试）。如果没有 NameNode 或 DataNode ，那就是配置不成功，请仔细检查之前步骤，或通过查看启动日志排查原因。

hadoop_success.png

启动 YARN

伪分布式可以不启动 YARN ，一般不会影响程序执行。

YARN 是从 MapReduce 中分离出来的，负责资源管理与任务调度。YARN 运行于 MapReduce 之上，提供了高可用性、高扩展性。

上面通过 ./sbin/start-dfs.sh 启动 Hadoop，仅仅是启动了 MapReduce 环境，我们可以启动 YARN ，让 YARN 来负责资源管理与任务调度。

首先修改配置文件 mapred-site.xml，这边需要将模板改个名：

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

然后再编辑 maperd-site.xml ：

<configuration>
        <!-- 指定 mr 运行在 yarn 上 -->
        <property>
             <name>mapreduce.framework.name</name>
             <value>yarn</value>
        </property>
</configuration>

接着修改配置文件 yarn-site.xml：

<configuration>
        <!-- reducer 获取数据的方式 -->
        <property>
             <name>yarn.nodemanager.aux-services</name>
             <value>mapreduce_shuffle</value>
            </property>
</configuration>

然后就可以启动 YARN 了（需要先执行过 ./sbin/start-dfs.sh）：

./sbin/start-yarn.sh    # 启动 YARN
./sbin/mr-jobhistory-daemon.sh start historyserver  # 开启历史服务器，才能在 Web 中查看任务运行情况

启动 YARN 之后，运行实例的方法还是一样的，仅仅是资源管理方式、任务调度不同。观察日志信息可以发现，不启用 YARN 时，是 “mapred.LocalJobRunner” 在跑任务，启用 YARN 之后，是 “mapred.YARNRunner” 在跑任务。启动 YARN 有个好处是可以通过 Web 界面查看任务的运行情况：http://localhost:8088/cluster

不启动 YARN 需重命名 mapred-site.xml
如果不想启动 YARN，务必把配置文件 mapred-site.xml 重命名，改成 mapred-site.xml.template，需要用时改回来就行。否则在该配置文件存在，而未开启 YARN 的情况下，运行程序会提示 “Retrying connect to server: 0.0.0.0/0.0.0.0:8032” 的错误，这也是为何该配置文件初始文件名为 mapred-site.xml.template。

关闭 YARN 的指令：

./sbin/stop-yarn.sh
./sbin/mr-jobhistory-daemon.sh stop historyserver

运行 Hadoop 伪分布式实例

单机模式中 Hadoop 读取的是本地数据，而伪分布式模式中读取的是 HDFS 上的数据。要使用 HDFS ，首先先在里面创建用户目录：

./bin/hdfs dfs -mkdir -p /user/hadoop

接着将 ./etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中，即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是 /user/hadoop/input:

./bin/hdfs dfs -mkdir input
./bin/hdfs dfs -put ./etc/hadoop/*.xml input

复制完成后，可以通过如下命令查看文件列表：

./bin/hdfs dfs -ls input

伪分布式运行 MapReduce 作业的方式跟单机模式相同，区别在于伪分布式读取的是HDFS中的文件（可以将单机步骤中创建的本地 input 文件夹，输出结果 output 文件夹都删掉来验证这一点）。

./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'

运行程序时，输出目录不能存在
运行 Hadoop 程序时，为了防止覆盖结果，程序指定的输出目录（如 output）不能存在，否则会提示错误，因此运行前需要先删除输出目录。可以使用以下指令删除 output 目录：

./bin/hdfs dfs -rm -r output    # 删除 output 文件夹

查看运行结果：

./bin/hdfs dfs -cat output/*

也可以将运行结果取回本地分析：

rm -r ./output    # 先删除本地的 output 文件夹（如果存在）
./bin/hdfs dfs -get output ./output     # 将 HDFS 上的 output 文件夹拷贝到本机
cat ./output/*

关闭 Hadoop ：

./sbin/stop-dfs.sh
若需要再次启动 Hadoop ，无需再进行 NameNode 的初始化，只需要运行 ./sbin/start-dfs.sh 即可。

Docker 安装 Hadoop

换电脑没拷贝虚拟机过来，懒得再配一次环境了，所以干脆使用 docker 来做实验。

安装 docker

网上一堆教程，这里给个简单的安装方法吧。

sudo apt install docker.io

拉取镜像

去 dockerhub 上面找到 hadoop 的镜像，直接 pull 来用就好了。(有现成的当然直接用啦~ 0w0)

dockerhub 地址: https://hub.docker.com/r/sequenceiq/hadoop-docker
# 这里的版本号自己选. 因为实验要求所以我选择 2.4.1 的 hadoop
sudo docker pull sequenceiq/hadoop-docker:2.4.1

如果速度太慢可以换成国内的镜像源。换源的教程也很多，这里就不赘述了。

构建脚本

这里我用的是别人写好的脚本，毕竟懒嘛 qwq

github 地址: https://github.com/kiwenlau/hadoop-cluster-docker
git clone https://github.com/kiwenlau/hadoop-cluster-docker.git

桥接网络

这一步的作用待补充，因为 ddl 快到了所以没有怎么去深入了解 qwq

猜测应该是将各个节点桥接在一起

sudo docker network create --drivre=bridge hadoop

运行容器

至此 hadoop 容器就可以跑起来啦。

cd hadoop-cluster-docker
./start-container.sh

默认是一主两从，可以自行调整，修改 start-container.sh 脚本即可。

剩下的事情和上面的差不多了。这个容器启动后的用户家目录中有一个 start-hadoop.sh ，可以一键启动 hadoop 。

一些补充

由于我们使用的是 kiwenlau 的镜像和开源脚本，虽然加快了配置过程，但是也屏蔽了很多细节。比如在其脚本中只默认开启了 50070 和 8088 的端口映射。下面记录一些我在做实验的时候进行的修改。

开启其他端口

只需要修改 docker 的启动脚本 start-container.sh 即可。比如添加 9000 端口的映射:

port-change.png

在光标处加入 -p 9000:9000 \ 即可添加 docker 9000 端口到本机 9000 端口的映射了。

开启 Web HDFS 管理

这一步只是为了方便在网页端管理。

cd $HADOOP_HOME/etc/hadoop/
vi core-site.xml

然后在里面添加以下内容:

<property>
    <name>dfs.webhdfs.enabled</name>
    <value>true</value>
</property>

如果此时 vi 的插入模式 (insert mode) 的方向键变成了 ABCD ，只需执行以下指令即可:

cp /etc/vim/vimrc ~/.vimrc

web-server.png

Reference

https://wangchangchung.github.io/2017/09/28/Ubuntu-16-04%E4%B8%8A%E5%AE%89%E8%A3%85Hadoop%E5%B9%B6%E6%88%90%E5%8A%9F%E8%BF%90%E8%A1%8C/

https://juejin.im/post/58d7ef235c497d0057fea8b5#heading-0

最后修改：2020 年 05 月 27 日
© 允许规范转载
如果觉得我的文章对你有用，请随意赞赏