Hadoop單機/偽分散式配置安裝教程

1、環境

2、建立hadoop使用者

#建立hadoop使用者
root@hadoop:~# useradd -m hadoop -s /bin/bash

#設定hadoop密碼
root@hadoop:~# passwd hadoop

#為新建的hadoop增加管理員許可權
root@hadoop:~# adduser hadoop sudo

3、安裝SSH、配置SSH無密碼登陸

叢集、單節點模式都需要用到 SSH 登陸（類似於遠端登陸，你可以登入某臺 Linux 主機，並且在上面執行命令），Ubuntu 預設已安裝了 SSH client，此外還需要安裝 SSH server：

#安裝openssh-server
root@hadoop:~# sudo apt-get -y install openssh-server

#生成密匙
hadoop@hadoop:~$ ssh-keygen -t rsa

#加入授權
hadoop@hadoop:~$ cd .ssh/
hadoop@hadoop:~/.ssh$ cat id_rsa.pub > authorized_keys

4、安裝Java環境

#建立JDK存放目錄
hadoop@hadoop:~$ sudo mkdir -p /usr/lib/jvm

#把JDK檔案解壓到/usr/lib/jvm目錄下
hadoop@hadoop:~$ sudo tar xf jdk-8u162-linux-x64.tar.gz -C /usr/lib/jvm/
 

#新增環境變數
hadoop@hadoop:~$ vim ~/.bashrc 
hadoop@hadoop:~$ tail -4 ~/.bashrc 
export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

#使環境變數立即生效
hadoop@hadoop:~$ source ~/.bashrc 

#檢查java是否安裝成功
hadoop@hadoop:~$ java -version
java version "1.8.0_162"
Java(TM) SE Runtime Environment (build 1.8.0_162-b12)
Java HotSpot(TM) 64-Bit Server VM (build 25.162-b12, mixed mode)
 

5、安裝Hadoop3.1.3

#安裝hadoop
hadoop@hadoop:~$ sudo tar xf hadoop-3.1.3.tar.gz -C /usr/local/
hadoop@hadoop:~$ cd /usr/local/
hadoop@hadoop:/usr/local$ sudo mv hadoop-3.1.3 hadoop
hadoop@hadoop:/usr/local$ sudo chown -R hadoop:hadoop hadoop

#驗證Hadoop是否可用
hadoop@hadoop:/usr/local/hadoop$ ./bin/hadoop version
Hadoop 3.1.3
Source code repository https://gitbox.apache.org/repos/asf/hadoop.git -r ba631c436b806728f8ec2f54ab1e289526c90579
Compiled by ztang on 2019-09-12T02:47Z
Compiled with protoc 2.5.0
From source with checksum ec785077c385118ac91aadde5ec9799
This command was run using /usr/local/hadoop/share/hadoop/common/hadoop-common-3.1.3.jar

6、Hadoop單機配置(非分散式)

Hadoop 預設模式為非分散式模式（本地模式），無需進行其他配置即可執行。非分散式即單 Java 程序，方便進行除錯。

現在我們可以執行例子來感受下 Hadoop 的執行。Hadoop 附帶了豐富的例子（執行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

在此我們選擇執行 grep 例子，我們將 input 資料夾中的所有檔案作為輸入，篩選當中符合正則表示式 dfs[a-z.]+ 的單詞並統計出現的次數，最後輸出結果到 output 資料夾中。

hadoop@hadoop:/usr/local/hadoop$ mkdir input
hadoop@hadoop:/usr/local/hadoop$ cp ./etc/hadoop/*.xml ./input/

hadoop@hadoop:/usr/local/hadoop$ ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar grep ./input ./output 'dfs[a-z.]+'
.....
		BAD_ID=0
		CONNECTION=0
		IO_ERROR=0
		WRONG_LENGTH=0
		WRONG_MAP=0
		WRONG_REDUCE=0
	File Input Format Counters 
		Bytes Read=123
	File Output Format Counters 
		Bytes Written=23
#程式執行成功的資訊

#程式執行的結果
hadoop@hadoop:/usr/local/hadoop$ cat output/*
1	dfsadmin

注意:Hadoop 預設不會覆蓋結果檔案，因此再次執行上面例項會提示出錯，需要先將 ./output 刪除。

7、Hadoop偽分散式配置

Hadoop 可以在單節點上以偽分散式的方式執行，Hadoop 程序以分離的 Java 程序來執行，節點既作為 NameNode 也作為 DataNode，同時，讀取的是 HDFS 中的檔案。

Hadoop 的配置檔案位於 /usr/local/hadoop/etc/hadoop/ 中，偽分散式需要修改2個配置檔案 core-site.xml 和 hdfs-site.xml 。Hadoop的配置檔案是 xml 格式，每個配置以宣告 property 的 name 和 value 的方式來實現。

#修改配置檔案 core-site.xml
hadoop@hadoop:/usr/local/hadoop$ nano ./etc/hadoop/core-site.xml 
hadoop@hadoop:/usr/local/hadoop$ cat ./etc/hadoop/core-site.xml 
......

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

#修改配置檔案 hdfs-site.xml
hadoop@hadoop:/usr/local/hadoop$ nano ./etc/hadoop/hdfs-site.xml
hadoop@hadoop:/usr/local/hadoop$ cat ./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/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

Hadoop配置檔案說明

• Hadoop 的執行方式是由配置檔案決定的（執行 Hadoop 時會讀取配置檔案），因此如果需要從偽分散式模式切換回非分散式模式，需要刪除 core-site.xml 中的配置項。
• 此外，偽分散式雖然只需要配置 fs.defaultFS 和 dfs.replication 就可以執行（官方教程如此），不過若沒有配置 hadoop.tmp.dir 引數，則預設使用的臨時目錄為 /tmp/hadoo-hadoop，而這個目錄在重啟時有可能被系統清理掉，導致必須重新執行 format 才行。所以我們進行了設定，同時也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir，否則在接下來的步驟中可能會出錯。

#配置完成後，執行 NameNode 的格式化:
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs namenode -format
WARNING: /usr/local/hadoop/logs does not exist. Creating.
2022-04-13 15:15:01,042 INFO namenode.NameNode: STARTUP_MSG: 
/************************************************************
STARTUP_MSG: Starting NameNode
STARTUP_MSG:   host = hadoop/192.168.200.33
STARTUP_MSG:   args = [-format]
STARTUP_MSG:   version = 3.1.3
......
2022-04-13 15:15:16,140 INFO common.Storage: Storage directory /usr/local/hadoop/tmp/dfs/name has been successfully formatted.
2022-04-13 15:15:16,175 INFO namenode.FSImageFormatProtobuf: Saving image file /usr/local/hadoop/tmp/dfs/name/current/fsimage.ckpt_0000000000000000000 using no compression
2022-04-13 15:15:16,257 INFO namenode.FSImageFormatProtobuf: Image file /usr/local/hadoop/tmp/dfs/name/current/fsimage.ckpt_0000000000000000000 of size 393 bytes saved in 0 seconds .
2022-04-13 15:15:16,278 INFO namenode.NNStorageRetentionManager: Going to retain 1 images with txid >= 0
2022-04-13 15:15:16,289 INFO namenode.FSImage: FSImageSaver clean checkpoint: txid = 0 when meet shutdown.
2022-04-13 15:15:16,289 INFO namenode.NameNode: SHUTDOWN_MSG: 
/************************************************************
SHUTDOWN_MSG: Shutting down NameNode at hadoop/192.168.200.33
************************************************************/

#成功的話，會看到 “successfully formatted” 的提示

#配置hadoop JAVA環境變數
hadoop@hadoop:/usr/local/hadoop$ vim ./etc/hadoop/hadoop-env.sh 
hadoop@hadoop:/usr/local/hadoop$ sed -n "54p" ./etc/hadoop/hadoop-env.sh 
export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162

#開啟 NameNode 和 DataNode 守護程序
hadoop@hadoop:/usr/local/hadoop$ ./sbin/start-dfs.sh 
Starting namenodes on [localhost]
Starting datanodes
Starting secondary namenodes [hadoop]

#驗證是否啟動成功（如果沒有 NameNode 或 DataNode ，那就是配置不成功）
hadoop@hadoop:/usr/local/hadoop$ jps
4416 Jps
4176 DataNode
4327 SecondaryNameNode
4057 NameNode

• /usr/local/hadoop/sbin/start-dfs.sh # 啟動
• /usr/local/hadoop/sbin/stop-dfs.sh # 關閉
• jps # 檢視狀態

成功啟動後，可以訪問 Web 介面 檢視 NameNode 和 Datanode 資訊，還可以線上檢視 HDFS 中的檔案。

8、執行Hadoop偽分散式例項

上面的單機模式，grep 例子讀取的是本地資料，偽分散式讀取的則是 HDFS 上的資料。要使用 HDFS，首先需要在 HDFS 中建立使用者目錄：

hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -mkdir -p /user/hadoop

接著將 ./etc/hadoop 中的 xml 檔案作為輸入檔案複製到分散式檔案系統中，即將 /usr/local/hadoop/etc/hadoop 複製到分散式檔案系統中的 /user/hadoop/input 中。我們使用的是 hadoop 使用者，並且已建立相應的使用者目錄 /user/hadoop ，因此在命令中就可以使用相對路徑如 input，其對應的絕對路徑就是 /user/hadoop/input:

hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -mkdir input
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -put ./etc/hadoop/*.xml input

複製完成後，可以通過如下命令檢視檔案列表：

hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -ls input

偽分散式執行 MapReduce 作業的方式跟單機模式相同，區別在於偽分散式讀取的是HDFS中的檔案（可以將單機步驟中建立的本地 input 資料夾，輸出結果 output 資料夾都刪掉來驗證這一點）。

hadoop@hadoop:/usr/local/hadoop$ ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar grep input output 'dfs[a-z.]+'
......
		BAD_ID=0
		CONNECTION=0
		IO_ERROR=0
		WRONG_LENGTH=0
		WRONG_MAP=0
		WRONG_REDUCE=0
	File Input Format Counters 
		Bytes Read=219
	File Output Format Counters 
		Bytes Written=77
#注意到剛才我們已經更改了配置檔案，所以執行結果不同

檢視執行結果的命令（檢視的是位於 HDFS 中的輸出結果）：

hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -cat output/*

我們也可以將執行結果取回到本地：

#先刪除本地的 output 資料夾（如果存在）
hadoop@hadoop:/usr/local/hadoop$ rm -rf ./output

#將 HDFS 上的 output 資料夾拷貝到本機
hadoop@hadoop:/usr/local/hadoop$ ./bin/hdfs dfs -get output ./output

#檢視
hadoop@hadoop:/usr/local/hadoop$ cat ./output/*
1	dfsadmin
1	dfs.replication
1	dfs.namenode.name.dir
1	dfs.datanode.data.dir

Hadoop 執行程式時，輸出目錄不能存在，否則會提示錯誤 “org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists” ，因此若要再次執行，需要執行如下命令刪除 output 資料夾:

./bin/hdfs dfs -rm -r output    # 刪除 output 資料夾

執行程式時，輸出目錄不能存在
執行 Hadoop 程式時，為了防止覆蓋結果，程式指定的輸出目錄（如 output）不能存在，否則會提示錯誤，因此執行前需要先刪除輸出目錄。在實際開發應用程式時，可考慮在程式中加上如下程式碼，能在每次執行時自動刪除輸出目錄，避免繁瑣的命令列操作：

Configuration conf = new Configuration();
Job job = new Job(conf);
 
/* 刪除輸出目錄 */
Path outputPath = new Path(args[1]);
outputPath.getFileSystem(conf).delete(outputPath, true);

本文參考：http://dblab.xmu.edu.cn/blog/2441-2/