首页 > 代码库 > Hadoop集群搭建

Hadoop集群搭建

2024-08-13 17:56:47   224人阅读

目的

本文描述了如何安装、配置和管理有实际意义的Hadoop集群，其规模可从几个节点的小集群到几千个节点的超大集群。

如果你希望在单机上安装Hadoop玩玩，从这里能找到相关细节。

       

先决条件       

  1. 确保在你集群中的每个节点上都安装了所有必需软件。

  2. 获取Hadoop软件包。        

安装

安装Hadoop集群通常要将安装软件解压到集群内的所有机器上。

通常，集群里的一台机器被指定为 NameNode，另一台不同的机器被指定为JobTracker。这些机器是masters。余下的机器即作为DataNode也作为TaskTracker。这些机器是slaves。

我们用HADOOP_HOME指代安装的根路径。通常，集群里的所有机器的HADOOP_HOME路径相同。

       

配置

接下来的几节描述了如何配置Hadoop集群。

配置文件

对Hadoop的配置通过conf/目录下的两个重要配置文件完成：

  1. hadoop-default.xml - 只读的默认配置。

  2. hadoop-site.xml - 集群特有的配置。

    要了解更多关于这些配置文件如何影响Hadoop框架的细节，请看这里。

此外，通过设置conf/hadoop-env.sh中的变量为集群特有的值，你可以对bin/目录下的Hadoop脚本进行控制。

集群配置

要配置Hadoop集群，你需要设置Hadoop守护进程的运行环境和Hadoop守护进程的运行参数。

Hadoop守护进程指NameNode/DataNode        和JobTracker/TaskTracker。

配置Hadoop守护进程的运行环境

管理员可在conf/hadoop-env.sh脚本内对Hadoop守护进程的运行环境做特别指定。

至少，你得设定JAVA_HOME使之在每一远端节点上都被正确设置。

管理员可以通过配置选项HADOOP_*_OPTS来分别配置各个守护进程。          下表是可以配置的选项。          

                                                                                   

守护进程配置选项
NameNodeHADOOP_NAMENODE_OPTS
DataNodeHADOOP_DATANODE_OPTS
SecondaryNamenodeHADOOP_SECONDARYNAMENODE_OPTS
JobTrackerHADOOP_JOBTRACKER_OPTS
TaskTrackerHADOOP_TASKTRACKER_OPTS

例如，配置Namenode时,为了使其能够并行回收垃圾（parallelGC），          要把下面的代码加入到hadoop-env.sh :          
         export HADOOP_NAMENODE_OPTS="-XX:+UseParallelGC ${HADOOP_NAMENODE_OPTS}"           

其它可定制的常用参数还包括：

  •               HADOOP_LOG_DIR - 守护进程日志文件的存放目录。如果不存在会被自动创建。           

  •               HADOOP_HEAPSIZE - 最大可用的堆大小，单位为MB。比如，1000MB。              这个参数用于设置hadoop守护进程的堆大小。缺省大小是1000MB。             

配置Hadoop守护进程的运行参数

这部分涉及Hadoop集群的重要参数，这些参数在conf/hadoop-site.xml中指定。

                                                                                                                                                                                                                                                                                                           

参数取值备注
fs.default.nameNameNode的URI。hdfs://主机名/
mapred.job.trackerJobTracker的主机（或者IP）和端口。主机:端口。
dfs.name.dir       NameNode持久存储名字空间及事务日志的本地文件系统路径。当这个值是一个逗号分割的目录列表时，nametable数据将会被复制到所有目录中做冗余备份。      
dfs.data.dir       DataNode存放块数据的本地文件系统路径，逗号分割的列表。             当这个值是逗号分割的目录列表时，数据将被存储在所有目录下，通常分布在不同设备上。      
mapred.system.dirMap/Reduce框架存储系统文件的HDFS路径。比如/hadoop/mapred/system/。      这个路径是默认文件系统（HDFS）下的路径， 须从服务器和客户端上均可访问。      
mapred.local.dir本地文件系统下逗号分割的路径列表，Map/Reduce临时数据存放的地方。      多路径有助于利用磁盘i/o。
mapred.tasktracker.{map|reduce}.tasks.maximum某一TaskTracker上可运行的最大Map/Reduce任务数，这些任务将同时各自运行。             默认为2（2个map和2个reduce），可依据硬件情况更改。      
dfs.hosts/dfs.hosts.exclude许可/拒绝DataNode列表。       如有必要，用这个文件控制许可的datanode列表。      
mapred.hosts/mapred.hosts.exclude许可/拒绝TaskTracker列表。       如有必要，用这个文件控制许可的TaskTracker列表。      

通常，上述参数被标记为                    final 以确保它们不被用户应用更改。          

现实世界的集群配置

这节罗列在大规模集群上运行sort基准测试(benchmark)时使用到的一些非缺省配置。

  •              

  •                

    运行sort900的一些非缺省配置值，sort900即在900个节点的集群上对9TB的数据进行排序：

                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                             

    参数取值备注
    dfs.block.size134217728针对大文件系统，HDFS的块大小取128MB。
    dfs.namenode.handler.count40                     启动更多的NameNode服务线程去处理来自大量DataNode的RPC请求。                    
    mapred.reduce.parallel.copies20reduce启动更多的并行拷贝器以获取大量map的输出。                    
    mapred.child.java.opts-Xmx512M为map/reduce子虚拟机使用更大的堆。                    
    fs.inmemory.size.mb200                     为reduce阶段合并map输出所需的内存文件系统分配更多的内存。                    
    io.sort.factor100文件排序时更多的流将同时被归并。
    io.sort.mb200提高排序时的内存上限。
    io.file.buffer.size131072SequenceFile中用到的读/写缓存大小。

                 

  •              

  •                

    运行sort1400和sort2000时需要更新的配置，即在1400个节点上对14TB的数据进行排序和在2000个节点上对20TB的数据进行排序：

                                                                                                                                                                                                                                                                                                                                                                                                                                                                                             

    参数取值备注
    mapred.job.tracker.handler.count60                     启用更多的JobTracker服务线程去处理来自大量TaskTracker的RPC请求。                    
    mapred.reduce.parallel.copies50
    tasktracker.http.threads50                     为TaskTracker的Http服务启用更多的工作线程。reduce通过Http服务获取map的中间输出。                    
    mapred.child.java.opts-Xmx1024M使用更大的堆用于maps/reduces的子虚拟机

                 

  •            

Slaves

通常，你选择集群中的一台机器作为NameNode，另外一台不同的机器作为JobTracker。余下的机器即作为DataNode又作为TaskTracker，这些被称之为slaves。

在conf/slaves文件中列出所有slave的主机名或者IP地址，一行一个。

日志

Hadoop使用Apache log4j来记录日志，它由Apache Commons Logging框架来实现。编辑conf/log4j.properties文件可以改变Hadoop守护进程的日志配置（日志格式等）。

历史日志

作业的历史文件集中存放在hadoop.job.history.location，这个也可以是在分布式文件系统下的路径，其默认值为${HADOOP_LOG_DIR}/history。jobtracker的web UI上有历史日志的web UI链接。

历史文件在用户指定的目录hadoop.job.history.user.location也会记录一份，这个配置的缺省值为作业的输出目录。这些文件被存放在指定路径下的“_logs/history/”目录中。因此，默认情况下日志文件会在“mapred.output.dir/_logs/history/”下。如果将hadoop.job.history.user.location指定为值none，系统将不再记录此日志。

用户可使用以下命令在指定路径下查看历史日志汇总
            $ bin/hadoop job -history output-dir 
           这条命令会显示作业的细节信息，失败和终止的任务细节。 
           关于作业的更多细节，比如成功的任务，以及对每个任务的所做的尝试次数等可以用下面的命令查看
            $ bin/hadoop job -history all output-dir 

一但全部必要的配置完成，将这些文件分发到所有机器的HADOOP_CONF_DIR路径下，通常是${HADOOP_HOME}/conf。

       

Hadoop的机架感知

HDFS和Map/Reduce的组件是能够感知机架的。

NameNode和JobTracker通过调用管理员配置模块中的APIresolve来获取集群里每个slave的机架id。该API将slave的DNS名称（或者IP地址）转换成机架id。使用哪个模块是通过配置项topology.node.switch.mapping.impl来指定的。模块的默认实现会调用topology.script.file.name配置项指定的一个的脚本/命令。 如果topology.script.file.name未被设置，对于所有传入的IP地址，模块会返回/default-rack作为机架id。在Map/Reduce部分还有一个额外的配置项mapred.cache.task.levels，该参数决定cache的级数（在网络拓扑中）。例如，如果默认值是2，会建立两级的cache－ 一级针对主机（主机 -> 任务的映射）另一级针对机架（机架 -> 任务的映射）。      

       

启动Hadoop

启动Hadoop集群需要启动HDFS集群和Map/Reduce集群。

       格式化一个新的分布式文件系统：
        $ bin/hadoop namenode -format      

在分配的NameNode上，运行下面的命令启动HDFS：
        $ bin/start-dfs.sh      

bin/start-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动DataNode守护进程。

在分配的JobTracker上，运行下面的命令启动Map/Reduce：
        $ bin/start-mapred.sh      

bin/start-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动TaskTracker守护进程。

       

停止Hadoop

在分配的NameNode上，执行下面的命令停止HDFS：
        $ bin/stop-dfs.sh      

bin/stop-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上停止DataNode守护进程。

在分配的JobTracker上，运行下面的命令停止Map/Reduce：
        $ bin/stop-mapred.sh 
     

bin/stop-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上停止TaskTracker守护进程。



本文出自 “iceworldvip” 博客，请务必保留此出处http://iceworldvip.blog.51cto.com/5438460/1853432

Hadoop集群搭建


联系
我们