Hadoop

03.hadoop-2.7.2官网文档翻译-集群安装

作者: 疯狂小兵 | 2016-07-04 | - | 字数 986 | 阅读 次
「编辑」 「本文源码」

Hadoop 集群安装

目标

该文档描述了怎样在几个节点到非常多的节点（上千个）上安装并配置hadoop集群。为了玩Hadoop，你可能首先想要把他安装在单一机器上。（请看单节点安装）

该文档不涉及高级论题，比如安全或者HA（高可用）

先决条件

  • 安装java

  • 下载稳定版的Hadoop

安装

安装Hadoop集群通常涉及到在集群所有机器上解包软件，或者通过你系统的包管理系统安装。 把硬件按照功能划分是很重要的。

通常集群中的一个机器专门被设计作为NameNode，另一个机器作为ResourceManager。 他们都是主节点，其他的服务（如：WEB应用代理服务器，MapReduce任务历史服务器）通常根据负载，运行在专用硬件或共享的基础上。

集群中剩余的机器同时作为DataNode和NodeManager，他们都是从节点。

在非安全模式下配置Hadoop

Hadoop的java配置有两种重要的配置文件驱动：

  • 只读的默认配置

    core-default.xml,
    hdfs-default.xml,
    yarn-default.xml,
    mapred-default.xml

  • 站点指定配置

    etc/hadoop/core-site.xml,
    etc/hadoop/hdfs-site.xml,
    etc/hadoop/yarn-site.xml,
    etc/hadoop/mapred-site.xml

此外，可以控制bin/下的Hadoop脚本，通过 etc/hadoop/hadoop-env.sh和etc/hadoop/yarn-env.sh设置站点指定的值。

为了配置Hadoop集群，你会需要配置Hadoop守护进程执行的environment,就像Hadoop的守护进程的配置参数。

HDFS守护进程是NameNode，SecondaryNameNode和DataNode。

YARN守护进程是ResourceManager,NodeManager和WebAppProxy。

如果MapReduce被使用了，然后MapReduce的任务历史服务也将运行。对于大量安装，这些通常运行在单独的主机上。

配置Hadoop守护进程的环境

管理员应该使用 etc/hadoop/hadoop-env.sh,作为一个选项，etc/hadoop/mapred-env.sh和etc/hadoop/yarn-env.sh脚本用来配置站点指定的自定义的Hadoop守护进程处理环境。

至少是，你必须指定JAVA_HOME，使得他再每一个远程机器上正确的定义。

Daemon Environment Variable
NameNode HADOOP_NAMENODE_OPTS
DataNode HADOOP_DATANODE_OPTS
Secondary NameNode HADOOP_SECONDARYNAMENODE_OPTS
ResourceManager YARN_RESOURCEMANAGER_OPTS
NodeManager YARN_NODEMANAGER_OPTS
WebAppProxy YARN_PROXYSERVER_OPTS
Map Reduce Job History Server HADOOP_JOB_HISTORYSERVER_OPTS

举个例子：为了配置NameNode使用parallelGC,应该在hadoop-env.sh中添加上export HADOOP_NAMENODE_OPTS="-XX:+UseParallelGC"。

其他的例子请看etc/hadoop/hadoop-env.sh。

其他你可能会自定义的有用的配置参数包括：

  • HADOOP_PID_DIR ：守护进程的处理id文件存储的目录

  • HADOOP_LOG_DIR ： 守护进程的日志文件存储目录，如果不存在日志文件会自动创建。

  • HADOOP_HEAPSIZE / YARN_HEAPSIZE ： 最大可用的堆大小，单位为MB. 比如如果该变量设置为1000，那heap将会被设置为1000MB。通过用来为守护进程配置堆大小。默认情况下，值为1000.如果你想要配置值分别为每一个守护进程使用，你可以使用它。

大多数情况下，你应该指定HADOOP_PID_DIR和HADOOP_LOG_DIR目录，他们只能被正在运行的Hadoop进程上的用户覆盖。否则就会有链接攻击的可能性。

惯例下，会在系统的shell环境中配置HADOOP_PREFIX ，比如一个简单的脚本包含在/etc/profile.d目录中：

HADOOP_PREFIX=/path/to/hadoop
export HADOOP_PREFIX
Daemon Environment Variable
ResourceManager YARN_RESOURCEMANAGER_HEAPSIZE
NodeManager YARN_NODEMANAGER_HEAPSIZE
WebAppProxy HADOOP_DATANODE_OPTS
Map Reduce Job History Server HADOOP_DATANODE_OPTS

配置Hadoop的守护进程

这一节讨论在给定的配置文件中指定的重要参数：

  • etc/hadoop/core-site.xml
参数 值 备注
fs.defaultFS hdfs://host:port/ NameNode的URI
io.file.buffer.size 131072 用于序列文件中读写缓存的大小

  • etc/hadoop/hdfs-site.xml

    • 配置NameNode
参数 值 备注
dfs.namenode.name.dir 用来存储NameNode和事务持久日志的本地文件系统路径 如果是以逗号分隔的目录列表，那么name的表会被复制到所有的目录中，为了冗余
dfs.hosts / dfs.hosts.exclude DataNode的许可和限制列表 如果必要的话，用这些文件来控制可访问的DataNode的列表
dfs.blocksize 268435456 在大文件系统中HDFS的默认块大小为256M
dfs.namenode.handler.count 100 更多的NameNode服务线程来处理大量的DataNode的RPC 
- 配置DataNode
参数 值 备注
dfs.datanode.data.dir 用逗号分隔本地文件系统的路径列表，用来存储DataNode块 如果是以逗号分隔的目录列表，那么数据建辉被存储在所有的目录中，这些目录通常是在不同的设备上

  • etc/hadoop/yarn-site.xml

    • 配置ResourceManager 和NodeManager
参数 值 备注
yarn.acl.enable true / false 是否开启访问控制列表(ACL),默认为关闭
yarn.admin.acl 管理员访问控制列表 设置管理员的访问控制列表。ACL是以逗号分离的组，组内用户以逗号分离。默认值为*，意味着任何人。Special值意味着没有人可以访问。
yarn.log-aggregation-enable false 配置是否启用日志聚集功能 
- 配置ResourceManager
参数 值 备注  
yarn.resourcemanager.address host:port 集群提交作业的RM地址,如果host:port 设置了，会覆盖在yarn.resourcemanager.hostname中设置的hostname  
yarn.resourcemanager.scheduler.address host:port AM通知调度器获取资源的地址。如果设置了，会覆盖在yarn.resourcemanager.hostname中设置的hostname  
yarn.resourcemanager.resource-tracker.address host:port NodeManager的地址。如果设置了，会覆盖在yarn.resourcemanager.hostname中设置的hostname  
yarn.resourcemanager.admin.address host:port 管理的命令的地址。如果设置了，会覆盖在yarn.resourcemanager.hostname中设置的hostname  
yarn.resourcemanager.webapp.address host:port web界面的地址。如果设置了，会覆盖在yarn.resourcemanager.hostname中设置的hostname  
yarn.resourcemanager.hostname host 单一的主机名可以设置在所有的yarn.resourcemanager*address资源中，RM组件的默认端口  
yarn.resourcemanager.scheduler.class 调度类 CapacityScheduler（推荐），公平调度器(推荐)，FIFO调度器  
yarn.scheduler.minimum-allocation-mb 单位为MB RM中每个容器需要分配的最小内存限制  
yarn.scheduler.maximum-allocation-mb 单位为MB RM中每个容器需要分配的最大内存限制  
yarn.resourcemanager.nodes.include-path 允许的NM列表 如果必要的话，用这些文件控制可访问的NodeManager的列表  
yarn.resourcemanager.nodes.exclude-path 禁止的NM列表 如果必要的话，用这些文件控制可访问的NodeManager的列表   
- 配置NodeManager
参数 值 备注
yarn.nodemanager.resource.memory-mb 单位为MB 给NodeManager的可用物理内存。默认NM所有可以获得的资源作为可用资源来运行容器
yarn.nodemanager.vmem-pmem-ratio 任务可以超过物理内存的虚拟内存最大使用比例 每个任务超过物理内存的虚拟内存使用率通过该比率限制。通过该比率限制，在NodeManager上任务使用的虚拟内存的总量可能超过他的物理内存使用量
yarn.nodemanager.local-dirs 中间数据的写入位置，本地文件系统各种以逗号分隔的路径列表 多路径帮助分担IO操作
yarn.nodemanager.log-dirs 日志文件在本地文件系统的位置，以逗号分隔的路径列表 多路径帮助分担IO操作
yarn.nodemanager.log.retain-seconds 10800 如果log-aggregation被关闭，默认的仅适当的在NodeManager上保留的日志时间(秒为单位)。
yarn.nodemanager.remote-app-log-dir /logs 应用日志被移动完成的HDFS的目录，需要设置适当的限制。如果log-aggregation被开启则仅applicable
yarn.nodemanager.remote-app-log-dir-suffix logs 远程日志目录的后缀。日志将被聚合到${yarn.nodemanager.remote-app-log-dir}/${user}/${thisParam}.如果log-aggregation被开启则仅applicable
yarn.nodemanager.aux-services mapreduce_shuffle Shuffle 服务需要为MapReduce应用设置 
- 配置History 服务器(需要移到别处)
参数 值 备注
yarn.log-aggregation.retain-seconds -1 保留聚合日志的时间。-1为不生效。注意设置过小，会有NameNode的垃圾邮件
yarn.log-aggregation.retain-check-interval-seconds -1 检查被聚合的日志保留的时间区间。如果设置为0或负数，那么值将被计算Wie十分之一的汇总日志保留时间。之一，设置太小会有NameNode的垃圾邮件。

  • etc/hadoop/mapred-site.xml

    • 配置MapReduce应用
参数 值 备注
mapreduce.framework.name yarn 执行框架设置为Hadoop YARN
mapreduce.map.memory.mb 1536 映射(map)的大资源限制
mapreduce.map.java.opts -Xmx1024M 映射(map)的子JVM的大堆规模限制
mapreduce.reduce.memory.mb 3072 归约(reduce)的大资源限制
mapreduce.reduce.java.opts -Xmx2560M 归约(reduce)的子JVM的大堆规模限制
mapreduce.task.io.sort.mb 512 数据排序效率的高内存限制
mapreduce.task.io.sort.factor 100 文件排序时更多的流一次合并
mapreduce.reduce.shuffle.parallelcopies 50 reduce平行复制到从大量map中获取输出的更高的数量设置 
- 配置MapReduce的JobHistory服务器
参数 值 备注
mapreduce.jobhistory.address host:port MapReduce的JobHistory服务器地址，默认端口为10020
mapreduce.jobhistory.webapp.address host:port MapReduce的JobHistory服务器UI地址，默认端口为19888
mapreduce.jobhistory.intermediate-done-dir /mr-history/tmp MapReduce任务写历史文件的目录
mapreduce.jobhistory.done-dir /mr-history/done MapReduce的JobHistory服务器管理历史文件的目录

监控NodeManager的健康状态

Hadoop提供了一种机制，管理员可以通过配置NodeManager定期运行管理员提供的脚本来检测节点是否健康。

通过执行任何他们在脚本中选择的检查点，管理员可以检测节点是否处于健康状态。如果脚本发现节点处于非健康状态，它会向标准输出打印一条以ERROR开头的一行记录。NodeManager定期产生脚本并且将其检出。 如上所述，如果脚本检出中包含了ERROR,该节点的状态会被报告为unhealthy ,节点将会被ResourceManager加入黑名单。该节点将不会被分配任务。然而，NodeManager会继续运行脚本，因此如果该节点又变成healthy状态，它会被自动从ResourceManager的node黑名单中移除。 节点的健康是随着脚本的输出变化的，如果它是unhealthy,可以在管理员的ResourceManager的WEB页面中获得。节点健康的时间也会显示在web界面上。

接下来的参数可以用来控制在etc/hadoop/yarn-site.xml中的节点健康状态的监控脚本。

参数 值 备注
yarn.nodemanager.health-checker.script.path 节点健康检测脚本路径 检查节点的健康状态
yarn.nodemanager.health-checker.script.opts 脚本的操作选项 脚本检查节点健康状态的选项
yarn.nodemanager.health-checker.script.interval-ms 间隔时间(单位：ms) 运行健康脚本的时间间隔
yarn.nodemanager.health-checker.script.timeout-ms 脚本执行超时时间(单位：ms) 健康脚本执行的超时时间

如果只是一些本地磁盘坏了，健康检查脚本不应当给出ERROR信息。NodeManager可以周期性检查本地磁盘的健康（特别是检查 nodemanager-local-dirs和nodemanager-log-dirs的指定位置），并且在达到的坏目录的数量阀值(基于在yarn.nodemanager.disk-health-checker.min-healthy-disks配置属性里设置的值)后，整个节点会被标记为unhealthy，该信息也会被发送到ResourceManager。 启动磁盘或者在启动磁盘中的故障是有健康检查脚本确定的。

从文件

文件etc/hadoop/slaves中存在所有的从节点的hostname或者ip的列表，每个一行。Helper脚本将会使用etc/hadoop/slaves文件一次性在许多主机上运行命令。该文件不用于任何基于java的Hadoop配置。为了使用该设计，运行Hadoop的用户的ssh必须被信任(即免密码登录)。

Hadoop 机架感知

许多Hadoop组件是机架感知和利用网络拓扑的性能和安全性。通过调用管理员配置模块，Hadoop的守护进程获取集群中从节点的机架信息。 可以查看Rack Awareness文档获取更多具体信息。

强烈推荐在启动HDFS之前配置机架感知能力

日志

Hadoop通过apache的通用日志框架使用log4j记录日志。 编辑etc/hadoop/log4j.properties文件自定义Hadoop守护进程的日志配置(日志格式等等)。

操作Hadoop集群

一旦所有必须的配置完成后，分发文件到所有机器的HADOOP_CONF_DIR目录。在所有机器上应该是相同的目录。

一般情况下，推荐HDFS和YARN以不同的用户身份运行。在大多数配置中，HDFS使用’hdfs’账户执行，YARN通常使用’yarn’账户执行。

Hadoop启动

为了启动Hadoop集群，你需要同时启动HDFS集群和YARN集群。

第一次使用HDFS，必须先格式化，格式化新的分布式文件系统如HDFS：

$ $HADOOP_PREFIX/bin/hdfs namenode -format <cluster_name>

在指定作为NameNode的HDFS节点上使用如下命令启动HDFS的NameNode

$ $HADOOP_PREFIX/sbin/hadoop-daemon.sh --config $HADOOP_CONF_DIR --script hdfs start namenode

在指定作为DataNode的HDFS节点上使用如下命令启动HDFS的DataNode

$ $HADOOP_PREFIX/sbin/hadoop-daemons.sh --config $HADOOP_CONF_DIR --script hdfs start datanode

如果etc/hadoop/slaves和ssh免密码登录设置成功。所有的HDFS进程可以使用一个公用脚本启动。

$ $HADOOP_PREFIX/sbin/start-dfs.sh

在指定作为ResourceManager的YARN节点上使用如下命令启动YARN

$ $HADOOP_YARN_HOME/sbin/yarn-daemon.sh --config $HADOOP_CONF_DIR start resourcemanager

在指定作为NodeManager的YARN节点上使用如下命令运行脚本

$ $HADOOP_YARN_HOME/sbin/yarn-daemons.sh --config $HADOOP_CONF_DIR start nodemanager

启动一个单独的WebAppProxy代理服务器。在作为WebAppProxy的YARN节点上运行如下命令，如果有多个服务器作为负载均衡，那么应该在每个机器上运行该脚本。

$ $HADOOP_YARN_HOME/sbin/yarn-daemon.sh --config $HADOOP_CONF_DIR start proxyserver

如果etc/hadoop/slaves和ssh免密码登录设置成功。所有的YARN进程可以使用一个公用脚本启动。

$ $HADOOP_PREFIX/sbin/start-yarn.sh

使用以下命令，在设置作为mapred的机器上启动MapReduce的JobHistory服务器

$ $HADOOP_PREFIX/sbin/mr-jobhistory-daemon.sh --config $HADOOP_CONF_DIR start historyserver

Hadoop停止

在设计为NameNode的HDFS节点上执行如下命令停止NameNode

$ $HADOOP_PREFIX/sbin/hadoop-daemon.sh --config $HADOOP_CONF_DIR --script hdfs stop namenode

在设计为DataNode的HDFS节点上执行如下命令停止DataNode

$ $HADOOP_PREFIX/sbin/hadoop-daemons.sh --config $HADOOP_CONF_DIR --script hdfs stop datanode

如果etc/hadoop/slaves和ssh免密码登录设置成功。所有的HDFS进程可以使用一个公用脚本停止。

$ $HADOOP_PREFIX/sbin/stop-dfs.sh

在设计为ResourceManager的YARN节点上停止ResourceManager

$ $HADOOP_YARN_HOME/sbin/yarn-daemon.sh --config $HADOOP_CONF_DIR stop resourcemanager

在设计为NodeManager的YARN节点上停止NodeManager

$ $HADOOP_YARN_HOME/sbin/yarn-daemons.sh --config $HADOOP_CONF_DIR stop nodemanager

如果etc/hadoop/slaves和ssh免密码登录设置成功。所有的YARN进程可以使用一个公用脚本停止。

$ $HADOOP_PREFIX/sbin/stop-yarn.sh

在设计为WebAppProxy的YARN节点上停掉WebAppProxy服务器。如果由多个用于负载均衡的服务器，需要在每个机器上运行该命令

$ $HADOOP_YARN_HOME/sbin/yarn-daemon.sh --config $HADOOP_CONF_DIR stop proxyserver

在Mapred的节点上停掉MapReduce JobHistory 服务器

$ $HADOOP_PREFIX/sbin/mr-jobhistory-daemon.sh --config $HADOOP_CONF_DIR stop historyserver

WEB 接口

一旦Hadoop集群启动，运行如下描述的各组件的WEB界面

守护进程 web接口 备注
NameNode http://nn_host:port/ 默认端口为50070
ResourceManager http://rm_host:port/ 默认端口为8088
MapReduce JobHistory server http://jns_host:port/ 默认端口为19888

版权声明：本文由 在 2016年07月04日发表。本文采用CC BY-NC-SA 4.0许可协议，非商业转载请注明出处，不得用于商业目的。
文章题目及链接：《03.hadoop-2.7.2官网文档翻译-集群安装》


  相关文章：

「游客及非Github用户留言」：

「Github登录用户留言」：

hidden
特色标签
LaTeX Linux Git ZooKeeper PHP Spring OpenSource Mybatis Mysql Css Cmd Javascript MongoDB Java Other Hadoop Spark BookList Kafka Redis Maven 工具配置 Vim Shiro Nginx Http Markdown Logger Regex Tomcat VM JStorm HBase Hive Shell java JS Xls Mac Docker SnappyData OS BigData Tair SpringBoot GFS AliasRegistry Flink Calcite guava RateLimiter geekbang system meituan postman mysql db web mybatis springboot jedis
友情链接
TOP