首页 > 代码库 > Hadoop的shell脚本分析
Hadoop的shell脚本分析
前记:
这些天一直学习hadoop,学习中也遇到了许多的问题,主要是对hadoop的shell脚本和hadoop的源码概念不够清楚,所以我就对hadoop的bin目录下的shell脚本进行了研究,有一些成果想记录下来,也希望大家前来批评指正。
分析原因:
很多hadoop的初学者对hadoop的脚本不是很清楚,不知道为什么可以在命令行中启动hadoop,也不知道为什么有时在命令行中运行hadoop命令时会出现java的错误。等等这些问题,究其原因我认为是大家对shell脚本不太了解。我曾学过一些shell编程的知识,可是对hadoop的shell程序细节还不是全部了解,我想从宏观上分析一下hadoop脚本的运行流程。
脚本分析:
start-all.sh:
Java代码
1. # Start all hadoop daemons. Run this on master node.
2.
3. bin=`dirname "$0"`
4. bin=`cd "$bin"; pwd`
5.
6. . "$bin"/hadoop-config.sh
7.
8. # start dfs daemons
9. "$bin"/start-dfs.sh --config $HADOOP_CONF_DIR
10.
11.# start mapred daemons
12."$bin"/start-mapred.sh --config $HADOOP_CONF_DIR
分析:
正如注释的一样,这个脚本是在master上运行的,即我们运行namenode和jobtracker的主机。它首先启动了hadoop-config.sh脚本,查看hadoop-config.sh,我们可以知道它的作用是对一些变量进行赋值,这些变量有HADOOP_HOME(hadoop的安装目录),HADOOP_CONF_DIR(hadoop的配置文件目录),HADOOP_SLAVES(--hosts指定的文件的地址),为了让大家更好地理解,下面贴出hadoop-config.sh的部分代码
Java代码
1. #check to see it is specified whether to use the slaves or the
2. # masters file
3. if [ $# -gt 1 ]
4. then
5. if [ "--hosts" = "$1" ]
6. then
7. shift
8. slavesfile=$1
9. shift
10. export HADOOP_SLAVES="${HADOOP_CONF_DIR}/$slavesfile"
11. fi
前面的注释意思是:判断是使用slaves文件,还是master文件,这里为什么要判断呢?那我们带着疑问接着分析下去吧。然后start-all.sh根据hadoop/conf目录下的配置信息启动了start-dfs.sh和start-mapred.sh两个脚本,下面我们去看看这两个脚本又做了些什么吧。
start-dfs.sh:
Java代码
1. # Start hadoop dfs daemons.
2. # Optinally upgrade or rollback dfs state.
3. # Run this on master node.
4.
5. usage="Usage: start-dfs.sh [-upgrade|-rollback]"
6.
7. bin=`dirname "$0"`
8. bin=`cd "$bin"; pwd`
9.
10.. "$bin"/hadoop-config.sh
11.
12.# get arguments
13.if [ $# -ge 1 ]; then
14. nameStartOpt=$1
15. shift
16. case $nameStartOpt in
17. (-upgrade)
18. ;;
19. (-rollback)
20. dataStartOpt=$nameStartOpt
21. ;;
22. (*)
23. echo $usage
24. exit 1
25. ;;
26. esac
27.fi
28.
29.# start dfs daemons
30.# start namenode after datanodes, to minimize time namenode is up w/o data
31.# note: datanodes will log connection errors until namenode starts
32."$bin"/hadoop-daemon.sh --config $HADOOP_CONF_DIR start namenode $nameStartOpt
33."$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR start datanode $dataStartOpt
34."$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR --hosts masters start secondarynamenode
分析:
根据前面的注释信息,我们发现这个脚本用于启动集群的DFS,我们知道DFS由namenode,datanode,secondarynamenode组成,所以在脚本的最后它又启动了3个进程,分别根据配置文件启动了namenode,datanode,secondarynamenode。其实这个时候你应该已经知道start-mapred.sh干了什么事了。
start-mapred.sh:
Java代码
1. # Start hadoop map reduce daemons. Run this on master node.
2.
3. bin=`dirname "$0"`
4. bin=`cd "$bin"; pwd`
5.
6. . "$bin"/hadoop-config.sh
7.
8. # start mapred daemons
9. # start jobtracker first to minimize connection errors at startup
10."$bin"/hadoop-daemon.sh --config $HADOOP_CONF_DIR start jobtracker
11."$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR start tasktracker
分析:
正如你所想,它的作用用于启动mapreduce,所以它的最后同样根据配置文件启动了jobtracker和tasktracker,呵呵,现在发现其实脚本干的事没有想象的那么难了吧。如果你对shell代码看得仔细一点,你会发现hadoop-daemon.sh脚本用于启动namenode和jobtracker,而hadoop-daemons.sh脚本用于启动datanode,secondarynamenode和tasktracker。也就是说hadoop-daemon.sh用于启动master上的进程,而hadoop-daemons.sh用于启动slaves和secondarynamenode主机上的进程(这里考虑的是slaves,secondarynamenode和master配置在了不同主机上的情况)。如果我们分析一下它们俩的代码,你会发现其实它们是有联系的。
hadoop-daemons.sh:
Java代码
1. # Run a Hadoop command on all slave hosts.
2.
3. usage="Usage: hadoop-daemons.sh [--config confdir] [--hosts hostlistfile] [start|stop] command args..."
4.
5. # if no args specified, show usage
6. if [ $# -le 1 ]; then
7. echo $usage
8. exit 1
9. fi
10.
11.bin=`dirname "$0"`
12.bin=`cd "$bin"; pwd`
13.
14.. $bin/hadoop-config.sh
15.
16.exec "$bin/slaves.sh" --config $HADOOP_CONF_DIR cd "$HADOOP_HOME" \; "$bin/hadoop-daemon.sh" --config $HADOOP_CONF_DIR "$@"
分析:
看到程序倒数第二行开头的那个exec关键字了吗?它执行了slaves.sh和hadoop-daemon.sh两个脚本,并且把hadoop-daemons.sh命令的参数也传入了hadoop-daemon.sh。呵呵,现在你知道这两个脚本的关系了吧,其实hadoop-daemons.sh中调用了hadoop-daemon.sh,但在调用之前它先执行了slaves.sh脚本,现在你想看看slaves.sh干了啥吗?呵呵,我们也来分析一下吧。
slaves.sh:
Java代码
1. if [ "$HOSTLIST" = "" ]; then
2. if [ "$HADOOP_SLAVES" = "" ]; then
3. export HOSTLIST="${HADOOP_CONF_DIR}/slaves"
4. else
5. export HOSTLIST="${HADOOP_SLAVES}"
6. fi
7. fi
8.
9. for slave in `cat "$HOSTLIST"|sed "s/#.*$//;/^$/d"`; do
10. ssh $HADOOP_SSH_OPTS $slave $"${@// /\\ }" \
11. 2>&1 | sed "s/^/$slave: /" &
12. if [ "$HADOOP_SLAVE_SLEEP" != "" ]; then
13. sleep $HADOOP_SLAVE_SLEEP
14. fi
15.done
分析:
由于篇幅问题,以上只贴出了slaves.sh的关键代码,对于启动slaves来说,代码中的HOSTLIST变量是slaves配置文件的地址。再往后看,你会看到非常醒目的一个关键字:ssh,其实这个时候你应该明白了,slave.sh脚本的作用就是通过ssh远程登录到每个在slaves中配置的主机上。所以hadoop-daemons.sh的功能就是先远程登录slaves,在slaves上运行hadoop-daemon.sh脚本。如果你思考的再多一点,那又是怎么启动secondarynamenode的呢?难道也是先远程登录到slaves中配置的主机上吗?答案一定是否定的。而是先远程登录到master中配置的主机上,然后再启动hadoop-daemon.sh脚本,如果你仔细一点,可以看到start-dfs.sh脚本的最后一行命令是启动secondarynamenode,命令传入了“--hosts master”这就指定了按照master中配置的主机来启动secondarynamenode。Hadoop-config.sh负责对“--hosts master”进行解析。
下面你是不是对hadoop-daemon.sh脚本又产生了兴趣了呢?那我们一起来分析吧。
hadoop-daemon.sh:
Java代码
1. usage="Usage: hadoop-daemon.sh [--config <conf-dir>] [--hosts hostlistfile] (start|stop) <hadoop-command> <args...>"
2.
3.
4. case $startStop in
5.
6. (start)
7.
8. mkdir -p "$HADOOP_PID_DIR"
9.
10. if [ -f $pid ]; then
11. if kill -0 `cat $pid` > /dev/null 2>&1; then
12. echo $command running as process `cat $pid`. Stop it first.
13. exit 1
14. fi
15. fi
16.
17. if [ "$HADOOP_MASTER" != "" ]; then
18. echo rsync from $HADOOP_MASTER
19. rsync -a -e ssh --delete --exclude=.svn --exclude=‘logs/*‘ --exclude=‘contrib/hod/logs/*‘ $HADOOP_MASTER/ "$HADOOP_HOME"
20. fi
21.
22. hadoop_rotate_log $log
23. echo starting $command, logging to $log
24. cd "$HADOOP_HOME"
25. nohup nice -n $HADOOP_NICENESS "$HADOOP_HOME"/bin/hadoop --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &
26. echo $! > $pid
27. sleep 1; head "$log"
28. ;;
29.
30. (stop)
31.
32. if [ -f $pid ]; then
33. if kill -0 `cat $pid` > /dev/null 2>&1; then
34. echo stopping $command
35. kill `cat $pid`
36. else
37. echo no $command to stop
38. fi
39. else
40. echo no $command to stop
41. fi
42. ;;
43.
44. (*)
45. echo $usage
46. exit 1
47. ;;
48.
49.esac
分析:
以上是hadoop-daemon.sh的关键代码,用于判断执行该脚本时是启动(start)一个进程,还是停止(stop)一个进程。执行该脚本的方式可以查看代码上方的usage变量值(注:[]括起来的表示可有可无,|表示或者,<>括起来表示参数)。这里的<command>参数可以是start或者stop。<command>后面的参数你知道可以是哪些吗?呵呵,其实可以是namenode,jobtracker,secondarynamenode,datanode,tasktracker,如果你在master上自己用hadoop-daemon.sh启动datanode和tasktracker就会有问题,因为hadoop-daemon.sh没有远程登录到slaves主机上哦。执行的结果会在master上启动一个datanode或tasktracker进程,而不是按照slaves配置文件在每个slave上启动datanode和tasktracker哦。
分析了以上这些脚本之后,我想还有一些脚本,比如说:start-balancer.sh,start-jobhistoryserver.sh就不需要分析了吧。不过看了这些脚本之后,我们发现脚本都是一个执行另一个脚本,到最后都是执行了hadoop-daemon.sh。以启动(start)为例,那hadoop-daemon.sh脚本又是怎么来启动那么多的进程的呢?我们又要回到hadoop-daemon.sh的代码了,之前我们看到hadoop-daemon.sh的一段关键代码是用于判断“启动”还是“停止”进程的,在shell中停止一个进程很方便,用kill命令就可以了,但是该脚本是怎么启动进程的呢?我们继续分析脚本中(start)后面的代码,如果你仔细一点,可以发现其实有这样一段代码:
Java代码
1. "$HADOOP_HOME"/bin/hadoop --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &
分析:
现在你明白我想要说明什么问题了吗,呵呵,其实hadoop-daemon.sh启动进程也是执行了其它的脚本,它就是hadoop/bin/hadoop。其实说到这里hadoop脚本的秘密就快浮出水面了。你还记得博客开头我们提出的问题吗?为什么有时在命令行执行hadoop命令时会出现java的错误信息呢,秘密就在这个hadoop/bin/hadoop脚本里。下面我们来看一下hadoop的核心脚本吧
hadoop:
Java代码
1. 片段一:
2. cygwin=false
3. case "`uname`" in
4. CYGWIN*) cygwin=true;;
5. esac
6.
7. 片段二:
8. # for developers, add Hadoop classes to CLASSPATH
9. if [ -d "$HADOOP_HOME/build/classes" ]; then
10. CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/classes
11.fi
12.if [ -d "$HADOOP_HOME/build/webapps" ]; then
13. CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build
14.fi
15.if [ -d "$HADOOP_HOME/build/test/classes" ]; then
16. CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/test/classes
17.fi
18.if [ -d "$HADOOP_HOME/build/tools" ]; then
19. CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/tools
20.fi
21.
22.
23.片段三:
24.
25.elif [ "$COMMAND" = "namenode" ] ; then
26. CLASS=‘org.apache.hadoop.hdfs.server.namenode.NameNode‘
27. HADOOP_OPTS="$HADOOP_OPTS $HADOOP_NAMENODE_OPTS"
28.elif [ "$COMMAND" = "secondarynamenode" ] ; then
29. CLASS=‘org.apache.hadoop.hdfs.server.namenode.SecondaryNameNode‘
30. HADOOP_OPTS="$HADOOP_OPTS $HADOOP_SECONDARYNAMENODE_OPTS"
31.elif [ "$COMMAND" = "datanode" ] ; then
32. CLASS=‘org.apache.hadoop.hdfs.server.datanode.DataNode‘
33.
34.片段四:
35. exec "$JAVA" -Dproc_$COMMAND $JAVA_HEAP_MAX $HADOOP_OPTS -classpath "$CLASSPATH" $CLASS "$@"
分析:
由于篇幅原因,我只贴出了hadoop脚本具有代表价值的四段代码。下面我们一个个来分析吧
片段一:
我们知道在window操作系统上可以通过安装cygwin软件来模拟linux系统环境,这段代码就是用于判断我们的hadoop命令是运行在linux环境上,还是模拟的linux环境上,因为两种情况下文件的路径不相同,hadoop脚本为了区分这两种情况,做出了判断。
片段二:
这些操作是将一些目录的路径自动地加到环境变量(CLASSPATH)中。
片段三:
其实这个片段才是精华,它根据COMMAND的值给CLASS指定一个对应的java类,
片段四:
呵呵,根据CLASS的值,脚本执行了该java类哦,如果你看了hadoop的源码,你会发现,这些类里都有main方法。
本文出自 “落寞” 博客,请务必保留此出处http://qinheng.blog.51cto.com/8764944/1545447
Hadoop的shell脚本分析