《深入解析YARN架构设计与实现原理》第1章 环境准备【1.5】

javazx

1.5 Hadoop初体验
# X2 @5 u( j/ m9 |6 f2 \& O9 a一般而言， 我们想要深入学习一个新的系统时， 首先要尝试使用该系统， 了解系统对外提供的功能， 然后再通过某个功能逐步深
8 b0 E( g* f- f  _  k0 A入其实现细节。 本节将介绍如何在 伪分布式工作模式 [4] 下使用Hadoop， 包括搭建Hadoop环境、 访问HDFS以及向YARN提交应用程序
等最基本的操作。 本节只是有代表性地介绍Hadoop的一些基本使用方法， 使读者对Hadoop有一个初步认识， 并引导读者逐步进行更全
面的学习。
- H" y3 S7 g+ K  C8 f* Q# d7 ]1.5.1 搭建Hadoop环境
本小节仅介绍单机环境的搭建方法， 更加完整的Hadoop安装步骤和配置方法可参考本书最后的附录A和附录B。 另外， 需要注意
的是， 由于不同用户拥有的Linux环境不尽相同（ 比如已经安装的软件不同、 统一软件的版本不同等） ， 每个人安装Hadoop过程中遇到
7 c% w$ u" ^! I  K: C# h  `  b的问题可能不同， 此时需要根据具体的日志提示解决问题。 本小节仅给出一般情况下， Hadoop 2.0的安装步骤。
6 [' P8 ^' B+ M& {5 c, d  X6 r步骤1 修改Hadoop配置文件。
" o9 |' `( q# ?) {. v& o, i. P* H1） 设置环境变量。 在${HADOOP_HOME}/etc/hadoop/hadoop-env.sh中， 添加JAVA安装目录， 命令如下：
5 T+ M% o- L9 n; w$ T; D/ \" I7 _; Bexport JAVA_HOME=/usrb/jvm/java-6-openjdk
, [# R' j$ j' S6 _( o6 @修改conf目录下的mapred-site.xml、 core-site.xml、 yarn-site.xml和hdfs-site.xml四个文件， 在<configuration>与</configuration>之间添加的内
容见下面的介绍。
2） 在${HADOOP_HOME}/etc/hadoop/下， 将mapred-site.xml.templat重命名成mapred-site.xml， 并添加以下内容：
! u+ J& q8 O6 l8 O1 n6 v( f& T2 ~<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
【 解释】 相比于Hadoop1.0， 用户无须再配置mapred.job.tracker， 这是因为JobTracker相关实现已变成客户端的一个库（ 实际上在
- L+ g% [. |8 H, f1 k& dHadoop 2.0中， JobTracker已经不存在， 它的功能由另外一个称为MRAppMaster的组件实现） ， 它可能被随机调度到任何一个slave上，
也就是它的位置是动态生成的。 需要注意的是， 在该配置文件中需用mapreduce.framework.name指定采用的运行时框架的名称， 在此指
0 L+ A7 ?. \! t; c. s4 |1 c1 r8 B定"yarn"。
3） 在${HADOOP_HOME}/etc/hadoop/中， 修改core-site.xml， 为了简单， 我们仍采用Hadoop 1.0中的HDFS工作模式（ 不配置HDFS
# _7 [1 ?; ~5 K! B4 R# I' SFederation） ， 修改后如下：
5 T  T- j- y* N, ?: _<property>
) G. E2 X/ v, d* Z<name>fs.default.name</name>
<value>hdfs://YARN001:8020</value>
</property>
其中， YARN001表示节点的IP或者host。
4） 在${HADOOP_HOME}/etc/hadoop/中， 修改yarn-site.xml， 修改后如下：
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce-shuffle</value>
  X4 {9 U$ l' P* _</property>
! W% F: l8 a  ~# L: m【 解释】 为了能够运行MapReduce程序， 需要让各个NodeManager在启动时加载shuffle server， shuffle server实际上是Jetty/Netty
3 ^9 K+ G9 [4 G. {! p2 aServer， Reduce Task通过该server从各个NodeManager上远程复制Map Task产生的中间结果。 上面增加的两个配置均用于指定shuffle
server。
3 A  j1 q. e9 q5 V5） 修改${HADCOP_HOME}/etc/hadoop中的hdfs-site.xml文件：
<property>
8 k, Y' H$ A" X) g7 ^4 u, U; N) H<name>dfs.replication</name>
<value>1</value>
</property>
. P" G. x" m+ R& }" e【解释】 默认情况下， HDFS数据块副本数是3， 而在集群规模小于3的集群中该参数会导致出现错误， 这可通过将dfs.replication调
整为1解决。
' R1 f( D( W: `注意 如果你是在虚拟机中搭建Hadoop环境， 且虚拟机经常关闭与重启， 为了避免每次重新虚拟机后启动Hadoop时出现各种问
* N# ~; _, x  K8 l0 X题， 建议在core-site.xml中将hadoop.tmp.dir属性设置为一个非/tmp目录， 比如/data或者/home/dongxicheng/data（ 注意该目录对当前用户需具
有读写权限） 。
$ J* P- E. y; D步骤2 设置免密码登录。
9 C1 w$ u; t( b% v" s' q, @* `! i前面提到Hadoop启动/停止脚本需要通过SSH发送命令启动相关守护进程， 为了避免每次启动/停止Hadoop都要输入密码进行验
证， 需设置免密码登录， 步骤如下。
1） 打开命令行终端， 输入以下命令：
ssh-keygen -t rsa
将会在"~/.ssh/"目录下生成公钥文件id_rsa.pub和私钥文件id_rsa。
2） 将公钥文件id_rsa.pub中的内容复制到相同目录下的authorized_keys文件中：
+ ?7 n$ {! r1 a* H6 P/ icd ~/.ssh/
; L3 [( ]5 J9 A( Ccat id_rsa.pub >> authorized_keys
+ v' @' @8 g& n7 g* \2 ^步骤3 启动Hadoop。
在Hadoop安装目录中， 按以下三步操作启动Hadoop， 我们单步启动每一个服务， 以便于排查错误， 如果某一个服务没有启动成
' l* z' X( Z* s+ F# K/ D功， 可查看对应的日志查看启动失败原因。
! `  B+ B1 u3 K3 A  `1） 格式化HDFS， 命令如下：
bin/hadoop namenode -format
8 Y+ c5 p2 @0 P2 ~$ L! w, Q, f2） 启动HDFS。 你可以使用以下命令分别启动NameNode和DataNode：
$ G8 m" l& `* K$ @6 Isbin/hadoop-daemon.sh start namenode
4 ?  u" j+ R# F- C7 _1 lsbin/hadoop-daemon.sh start datanode
如果有多个DataNode， 可使用hadoop-daemons.sh启动所有DataNode， 具体命令如下：
/ N  m- \3 B; Bsbin/hadoop-daemons.sh start datanode
你也可以使用以下命令一次性启动NameNode和所有DataNode：
  L5 |! [9 b9 vsbin/ start-dfs.sh
3） 启动YARN。 你可以使用以下命令分别启动ResourceManager和NodeManager：
sbin/hadoop-daemon.sh start namenode
0 w; n8 M( L* l8 X9 Z# x1 isbin/hadoop-daemon.sh start datanode
0 c. y2 g  D2 c8 c如果有多个NodeManager， 可使用yarn-daemon.sh启动所有NodeManager， 具体命令如下：
sbin/yarn-daemon.sh start nodemanager
7 U3 |3 ~8 X8 j8 t% w" ?" ]你也可以使用以下命令一次性启动ResourceManager和所有NodeManager：
2 ~! C0 u/ r0 Q' J: N. Jsbin/start-yarn.sh
+ ^+ Y3 @7 B5 _! T# _) {) r通过如下jps命令查看是否启动成功：
0 P1 e5 u7 K5 a/ X: `* Q) ~' gdong@YARN001:/opt/hadoop/hadoop-2.0$ jps
27577 NameNode
30315 ResourceManager
  p  f9 e# k8 i/ ~# @, H, l* T27924 SecondaryNameNode
& i+ W1 M4 _2 _1 K/ _% k2 S16803 NodeManager
通过以下URL可查看YARN是否启动成功：
http://YARN001:8080/
YARN对外提供的Web运行界面如图1-10所示。
3 t2 N* s( J- X& H图1-10 YARN对外提供的Web界面
" v2 `4 `% n# |, O9 [" b0 d; I如果安装过程中出现问题， 可通过查看日志发现问题所在。 Hadoop日志存放在$HADOOP_HOME/logs目录下的以".log"结尾的文件
中， 比如yarn-dongxicheng-resourcemanager-yarn001.log就是ResourceManager产生的日志。
经过以上三步操作， Hadoop成功启动后， 接下来可以通过Hadoop Shell或者Eclipse插件访问HDFS和提交MapReduce作业。 下面两小
节分别介绍Hadoop Shell和Eclipse插件使用方法。
1.5.2 Hadoop Shell介绍
3 G$ L5 X/ o2 x; U9 Y! y: X" p/ C在1.4节我们曾提到， bin目录下是最基础的集群管理脚本， 用户可以通过该脚本完成各种功能， 如HDFS文件管理、 MapReduce作
业管理等， 更加详细的脚本使用说明， 可参考附录C。
作为入门， 本节介绍的是bin目录下Hadoop脚本的使用方法。 如果你已经对Hadoop 1.0有所了解（ 比如尝试安装和使用过Hadoop
( j0 w8 u! g! Y  s( M  t1.0） ， 那么可直接使用该脚本， 因为该脚本的功能与Hadoop 1.0对应的Hadoop脚本功能完全一致。
该脚本的使用方法为：
4 B1 u0 t) o5 K; x* [- Uhadoop [--config confdir] COMMAND
其中， --config用于设置Hadoop配置文件目录。 默认目录为${HADOOP_HOME}/conf。 而COMMAND是具体的某个命令， 常用的
有HDFS管理命令fs、 作业管理命令job和作业提交命令jar等， 它们的使用方法如下。
（ 1） HDFS管理命令fs和作业管理命令job
& \. I" y3 s' O- Z* H& t3 @' r它们的用法一样， 均为：
0 }; g4 ?" B* |" }" obin/hadoop command [genericOptions] [commandOptions]
& b% f0 r7 }3 s- I( x其中， command可以是fs或者job， genericOptions是一些通用选项， commandOptions是fs或者job附加的命令选项， 看下面两个例子。
&#10065;在HDFS上创建一个目录/test， 命令如下：
bin/hadoop fs -mkdir /test
2 s/ t% ?5 k; x$ s- l&#10065;显示所有Hadoop上正在运行的作业， 命令如下：
% f+ F- a% s  w5 }: ~, dbin/hadoop job -list
（ 2） 作业提交命令jar
# P3 @/ H0 _% v4 b0 Q这个命令的用法是：
hadoop jar <jar> [mainClass] args..
9 Z6 Y  b9 y9 }4 Z其中， <jar>表示JAR包名， mainClass表示main class名称， 可以不必输入而由jar命令自动搜索， args是main class输入参数。 举例如
" s8 d7 z& O7 S) D下：
bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar pi 5 10
其中pi是hadoop-mapreduce-examples-*.jar 中一个作业名称， 该作业主要功能是采用拟蒙特卡罗法估算圆周率pi（ 3.1415926…） 的大
3 k, ^! D8 l$ i/ a; a: _小， 它有两个整型输入参数： Map Task数目和样本数目。
* p3 e" ~) z( s其他更多命令， 读者可自行查阅Hadoop官方设计文档。
[4] 单机环境中， Hadoop有两种工作模式： 本地模式和伪分布式模式。 其中， 本地模式完全运行在本地， 不会加载任何Hadoop服务，
/ U+ W0 v- Y. S5 H7 q/ _因而不会涉及Hadoop最核心的代码实现， 伪分布式即为“单点集群”， 在该模式下， 所有的守护进行均会运行在单个节点上， 因而本节
: U0 N; g- N" g$ Y选用该工作模式。