Hadoop单机及集群部署

下面是关于如何在单机和集群环境中部署Hadoop的详细指南，以及部署过程中的注意事项和一个实际使用案例。我们将涵盖从基础安装到配置细节，并讨论一些常见的问题和解决方案。

一、Hadoop 单机模式部署

1. 环境准备

• 操作系统：Linux (推荐使用 Ubuntu 20.04 或 CentOS 7)
• Java：Hadoop 需要 Java 环境，推荐使用 OpenJDK 8。
• SSH：Hadoop 需要 SSH 访问，因此要确保 SSH 服务已安装并运行。

2. 安装 Java

在 Ubuntu 中：

sudo apt update
sudo apt install openjdk-8-jdk

在 CentOS 中：

sudo yum install java-1.8.0-openjdk

验证 Java 安装：

java -version

3. 下载并安装 Hadoop

访问 Hadoop 官网 下载最新版本的 Hadoop。

wget https://downloads.apache.org/hadoop/common/hadoop-3.3.1/hadoop-3.3.1.tar.gz
tar -xzvf hadoop-3.3.1.tar.gz
mv hadoop-3.3.1 /usr/local/hadoop

4. 配置环境变量

编辑 ~/.bashrc 文件，添加以下内容：

export HADOOP_HOME=/usr/local/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64

应用更改：

source ~/.bashrc

5. 配置 Hadoop

编辑 core-site.xml

路径：$HADOOP_HOME/etc/hadoop/core-site.xml

<configuration><property><name>fs.defaultFS</name><value>hdfs://localhost:9000</value></property>
</configuration>

编辑 hdfs-site.xml

路径：$HADOOP_HOME/etc/hadoop/hdfs-site.xml

<configuration><property><name>dfs.replication</name><value>1</value></property><property><name>dfs.namenode.name.dir</name><value>file:///usr/local/hadoop/hadoop_data/hdfs/namenode</value></property><property><name>dfs.datanode.data.dir</name><value>file:///usr/local/hadoop/hadoop_data/hdfs/datanode</value></property>
</configuration>

编辑 mapred-site.xml

复制模板文件并编辑：

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

路径：$HADOOP_HOME/etc/hadoop/mapred-site.xml

<configuration><property><name>mapreduce.framework.name</name><value>yarn</value></property>
</configuration>

编辑 yarn-site.xml

路径：$HADOOP_HOME/etc/hadoop/yarn-site.xml

<configuration><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property>
</configuration>

6. 格式化 Namenode

hdfs namenode -format

7. 启动 Hadoop 服务

start-dfs.sh
start-yarn.sh

8. 验证 Hadoop

访问 Hadoop Web 界面：

• Namenode: http://localhost:9870
• ResourceManager: http://localhost:8088

注意事项

• 确保 Java 环境配置正确。
• 确保 SSH 服务正常运行。
• 检查配置文件路径和参数的正确性。

二、Hadoop 集群模式部署

1. 环境准备

• 多台服务器，至少 3 台（1 个 NameNode，2 个 DataNode）。
• 网络：确保各节点之间可以互相访问。
• 操作系统：Linux (Ubuntu 或 CentOS)。
• Java：在所有节点上安装 Java。

2. 设置 SSH 免密码登录

在主节点上生成 SSH 密钥：

ssh-keygen -t rsa

将公钥复制到所有从节点：

ssh-copy-id user@datanode1
ssh-copy-id user@datanode2

3. 下载并安装 Hadoop

在所有节点上安装 Hadoop，步骤与单机安装相同。

4. 配置 Hadoop

编辑 core-site.xml

在所有节点上配置相同的 core-site.xml：

<configuration><property><name>fs.defaultFS</name><value>hdfs://namenode:9000</value></property>
</configuration>

编辑 hdfs-site.xml

在所有节点上配置相同的 hdfs-site.xml：

<configuration><property><name>dfs.replication</name><value>2</value></property><property><name>dfs.namenode.name.dir</name><value>file:///usr/local/hadoop/hadoop_data/hdfs/namenode</value></property><property><name>dfs.datanode.data.dir</name><value>file:///usr/local/hadoop/hadoop_data/hdfs/datanode</value></property>
</configuration>

编辑 mapred-site.xml

在所有节点上配置相同的 mapred-site.xml：

<configuration><property><name>mapreduce.framework.name</name><value>yarn</value></property>
</configuration>

编辑 yarn-site.xml

在所有节点上配置相同的 yarn-site.xml：

<configuration><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property>
</configuration>

配置 slaves 文件

在 NameNode 上，编辑 $HADOOP_HOME/etc/hadoop/slaves 文件，添加所有 DataNode 的主机名：

datanode1
datanode2

5. 启动 Hadoop 集群

在 NameNode 上执行：

start-dfs.sh
start-yarn.sh

6. 验证集群状态

访问 Namenode 和 ResourceManager 的 Web 界面，确保所有节点正常运行。

注意事项

• 确保所有节点的时钟同步。
• 确保网络配置正确，各节点之间可访问。
• 检查每个节点的配置文件，确保一致性。

三、Hadoop 使用案例：Word Count

1. 创建输入文件

在 HDFS 中创建一个目录，并上传一个文本文件：

hdfs dfs -mkdir -p /user/hadoop/input
hdfs dfs -put localfile.txt /user/hadoop/input

2. 编写 MapReduce 程序

以下是一个简单的 Word Count Java 程序：

import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;public class WordCount {public static class TokenizerMapperextends Mapper<Object, Text, Text, IntWritable>{private final static IntWritable one = new IntWritable(1);private Text word = new Text();public void map(Object key, Text value, Context context) throws IOException, InterruptedException {String[] tokens = value.toString().split("\\s+");for (String token : tokens) {word.set(token);context.write(word, one);}}}public static class IntSumReducerextends Reducer<Text, IntWritable, Text, IntWritable> {private IntWritable result = new IntWritable();public void reduce(Text key, Iterable<IntWritable> values,Context context) throws IOException, InterruptedException {int sum = 0;for (IntWritable val : values) {sum += val.get();}result.set(sum);context.write(key, result);}}public static void main(String[] args) throws Exception {Configuration conf = new Configuration();Job job = Job.getInstance(conf, "word count");job.setJarByClass(WordCount.class);job.setMapperClass(TokenizerMapper.class);job.setCombinerClass(IntSumReducer.class);job.setReducerClass(IntSumReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);FileInputFormat.addInputPath(job, new Path(args[0]));FileOutputFormat.setOutputPath(job, new Path(args[1]));System.exit(job.waitForCompletion(true) ? 0 : 1);}
}

3. 编译并运行程序

编译程序：

javac -classpath `hadoop classpath` -d wordcount_classes WordCount.java
jar -cvf wordcount.jar -C wordcount_classes/ .

运行程序：

hadoop jar wordcount.jar WordCount /user/hadoop/input /user/hadoop/output

当然可以使用 Python 来实现 Word Count 的 Hadoop MapReduce 程序。Python 提供了一个名为 Hadoop Streaming 的工具，可以通过管道方式使得我们可以使用 Python、Perl、Ruby 等语言来编写 Map 和 Reduce 函数。

下面是使用 Python 实现的 Word Count 示例。

四、使用 Python 实现 Word Count

1. 环境准备

确保你的 Hadoop 环境支持 Hadoop Streaming，可以通过以下命令查看：

hadoop jar /usr/local/hadoop/share/hadoop/tools/lib/hadoop-streaming-3.3.1.jar

如果没有报错，那么你的 Hadoop 支持 Streaming。

2. 编写 Mapper 和 Reducer

Mapper (mapper.py)

Mapper 的任务是读取输入文件的每一行，将每个单词输出为一个键值对 (word, 1)。

#!/usr/bin/env pythonimport sys# 读取标准输入
for line in sys.stdin:# 去除前后空格并分割成单词words = line.strip().split()for word in words:# 输出键值对print(f"{word}\t1")

保存为 mapper.py。

Reducer (reducer.py)

Reducer 的任务是汇总 Mapper 的输出，统计每个单词出现的次数。

#!/usr/bin/env pythonimport syscurrent_word = None
current_count = 0
word = None# 从标准输入读取数据
for line in sys.stdin:# 去除前后空格并解析输入line = line.strip()word, count = line.split('\t', 1)# 将 count 转换为 inttry:count = int(count)except ValueError:continue# 检查当前单词是否与之前的单词相同if current_word == word:current_count += countelse:if current_word:# 输出当前单词的计数print(f"{current_word}\t{current_count}")current_word = wordcurrent_count = count# 输出最后一个单词的计数
if current_word == word:print(f"{current_word}\t{current_count}")

保存为 reducer.py。

3. 设置可执行权限

确保这两个 Python 脚本具有可执行权限：

chmod +x mapper.py
chmod +x reducer.py

4. 上传输入文件到 HDFS

确保 HDFS 已经运行，创建输入目录并上传数据文件：

hdfs dfs -mkdir -p /user/hadoop/input
hdfs dfs -put localfile.txt /user/hadoop/input

5. 使用 Hadoop Streaming 运行作业

使用 Hadoop Streaming 工具运行 MapReduce 作业：

hadoop jar /usr/local/hadoop/share/hadoop/tools/lib/hadoop-streaming-3.3.1.jar \-input /user/hadoop/input \-output /user/hadoop/output \-mapper mapper.py \-reducer reducer.py \-file mapper.py \-file reducer.py

参数说明：

• -input：指定输入数据所在的 HDFS 目录。
• -output：指定输出结果存储的 HDFS 目录。
• -mapper：指定 Mapper 的执行脚本。
• -reducer：指定 Reducer 的执行脚本。
• -file：将本地文件发送到 Hadoop 分布式缓存中，以便在集群节点上执行。

6. 查看结果

hdfs dfs -cat /user/hadoop/output/part-00000

7. Python 实现 Word Count 示例

假设 localfile.txt 内容如下：

Hello Hadoop
Hello Python
Hello World

运行以上命令后，输出结果可能如下：

Hadoop    1
Hello     3
Python    1
World     1

8. 注意事项

1. 输入输出路径：确保输入路径正确，输出路径不存在（Hadoop 不允许输出路径已存在）。
2. 权限问题：检查脚本的执行权限。
3. Python 版本：确保 Python 版本与环境兼容。
4. 换行符问题：确保输入文件中的换行符格式正确（Linux 使用 LF，而不是 CRLF）。

9. 总结

通过以上步骤，我们成功地使用 Python 实现了一个简单的 Hadoop Word Count 程序。Hadoop Streaming 提供了极大的灵活性，可以使用任意支持标准输入输出的编程语言来实现 MapReduce 作业。这使得开发者能够利用熟悉的编程语言进行大规模数据处理。

如果在开发过程中遇到任何问题，请确保查看 Hadoop 和 Python 的错误日志，以便更快地定位问题并进行调试。

10. 查看结果

hdfs dfs -cat /user/hadoop/output/part-r-00000

五、总结与注意事项

常见问题

1. SSH 问题：确保所有节点之间的 SSH 无密码访问正常。
2. Java 环境问题：确认所有节点上的 Java 版本一致。
3. Hadoop 版本问题：确保所有节点的 Hadoop 版本一致。
4. 文件权限问题：确保 HDFS 中的文件权限正确，避免权限问题导致的作业失败。
5. 内存和资源配置：合理配置每个节点的内存和资源分配，以提高作业执行效率。

优化建议

• 使用 HDFS 进行大规模数据存储，提高数据的可靠性和可用性。
• 合理设置副本数量，根据集群规模和业务需求进行调整。
• 监控集群状态，使用工具（如 Ambari、Ganglia）对 Hadoop 集群进行实时监控和管理。

通过以上步骤，您可以成功部署 Hadoop 单机和集群环境，并运行简单的 MapReduce程序进行数据处理。在实际生产环境中，还需要根据具体需求进行进一步优化和调整。