《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
3 M9 ~7 `3 q# O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
1 q/ ^+ `; T  K8 R. ?2 v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。
, C  {. O8 L; n! E# {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
& U9 R0 U- ^) f  Y; S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
( ?6 b' j8 e' _. E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。
步骤1 修改Hadoop配置文件。
- d+ j- h. V. l. i! ]1） 设置环境变量。 在${HADOOP_HOME}/etc/hadoop/hadoop-env.sh中， 添加JAVA安装目录， 命令如下：
- i) k- s. l- M4 a5 u) y8 [- Kexport JAVA_HOME=/usrb/jvm/java-6-openjdk
6 }9 R4 l0 T" z修改conf目录下的mapred-site.xml、 core-site.xml、 yarn-site.xml和hdfs-site.xml四个文件， 在<configuration>与</configuration>之间添加的内
容见下面的介绍。
2） 在${HADOOP_HOME}/etc/hadoop/下， 将mapred-site.xml.templat重命名成mapred-site.xml， 并添加以下内容：
1 |/ V) C; q; u$ T: W( X<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
- j8 `4 C5 C# A" b8 P8 fHadoop 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，
3 k0 i; b) G' n1 M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
定"yarn"。
( D6 J- r2 T4 W) Y+ O3） 在${HADOOP_HOME}/etc/hadoop/中， 修改core-site.xml， 为了简单， 我们仍采用Hadoop 1.0中的HDFS工作模式（ 不配置HDFS
) u" x; E9 Y; y/ MFederation） ， 修改后如下：
<property>
<name>fs.default.name</name>
( s2 q3 D2 r* c. g" j; f0 G- @<value>hdfs://YARN001:8020</value>
</property>
其中， YARN001表示节点的IP或者host。
' p# A1 x5 u: p% I9 {4） 在${HADOOP_HOME}/etc/hadoop/中， 修改yarn-site.xml， 修改后如下：
<property>
1 @; \5 C) x8 v; J<name>yarn.nodemanager.aux-services</name>
<value>mapreduce-shuffle</value>
</property>
【 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
Server， 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
' K3 ]" k( s" Z$ D+ }3 b( C- Oserver。
5） 修改${HADCOP_HOME}/etc/hadoop中的hdfs-site.xml文件：
<property>
<name>dfs.replication</name>
1 ]. n) E7 i3 o; z% L<value>1</value>
" |- Z" E8 F0 p8 l8 l1 m</property>
* W& t. S7 f% s9 Q& I% H" {' }6 S【解释】 默认情况下， HDFS数据块副本数是3， 而在集群规模小于3的集群中该参数会导致出现错误， 这可通过将dfs.replication调
3 K2 R; ]4 B/ I9 W* B整为1解决。
; p. e7 }3 B* L注意 如果你是在虚拟机中搭建Hadoop环境， 且虚拟机经常关闭与重启， 为了避免每次重新虚拟机后启动Hadoop时出现各种问
) l) i7 ~8 }' u: Q0 u题， 建议在core-site.xml中将hadoop.tmp.dir属性设置为一个非/tmp目录， 比如/data或者/home/dongxicheng/data（ 注意该目录对当前用户需具
有读写权限） 。
0 Q  P& |! R7 [' e" H4 s  v步骤2 设置免密码登录。
! d  x. s9 r& R& P% f! a- ~前面提到Hadoop启动/停止脚本需要通过SSH发送命令启动相关守护进程， 为了避免每次启动/停止Hadoop都要输入密码进行验
证， 需设置免密码登录， 步骤如下。
% Z( E- m* ^6 O1） 打开命令行终端， 输入以下命令：
ssh-keygen -t rsa
( z4 N! ]( S3 J2 l/ u将会在"~/.ssh/"目录下生成公钥文件id_rsa.pub和私钥文件id_rsa。
* t' W/ D" k$ \' ~8 J2） 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：
cd ~/.ssh/
cat id_rsa.pub >> authorized_keys
步骤3 启动Hadoop。
6 w  I3 U# g: U7 g2 R  ~7 ^0 z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
0 h# h* A$ I/ V/ w功， 可查看对应的日志查看启动失败原因。
9 Y" ]. F" u5 N/ s+ L1） 格式化HDFS， 命令如下：
bin/hadoop namenode -format
' ~5 V/ b* \: k* H1 c6 a2） 启动HDFS。 你可以使用以下命令分别启动NameNode和DataNode：
sbin/hadoop-daemon.sh start namenode
+ t6 \2 ?# }' w' Y. U9 Zsbin/hadoop-daemon.sh start datanode
( v: [5 k- i6 p4 m" E$ B: Q: n0 P如果有多个DataNode， 可使用hadoop-daemons.sh启动所有DataNode， 具体命令如下：
sbin/hadoop-daemons.sh start datanode
, a# Z8 R& O4 I1 P你也可以使用以下命令一次性启动NameNode和所有DataNode：
8 Q# B8 _" f# ?9 e% R( Osbin/ start-dfs.sh
/ C2 g6 U/ ?' P  G0 R4 B3） 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
2 ^3 `. ], Z/ T  e& z8 E, {, a& dsbin/hadoop-daemon.sh start datanode
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
你也可以使用以下命令一次性启动ResourceManager和所有NodeManager：
sbin/start-yarn.sh
通过如下jps命令查看是否启动成功：
# o" ~$ X" U$ B' p9 y- x# pdong@YARN001:/opt/hadoop/hadoop-2.0$ jps
' ]0 h2 }; Q3 e  J27577 NameNode
30315 ResourceManager
5 G( Z" g$ ]+ m2 _2 z! V! ~: A27924 SecondaryNameNode
5 I9 q; \0 g  c) f6 V  w  ^. u16803 NodeManager
) h5 t; p8 r' ?' |; W3 A通过以下URL可查看YARN是否启动成功：
. W! {- S  X2 O# p1 f$ lhttp://YARN001:8080/
4 }) W8 _0 v: ~YARN对外提供的Web运行界面如图1-10所示。
" q' p' _: v5 e; z3 j图1-10 YARN对外提供的Web界面
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$HADOOP_HOME/logs目录下的以".log"结尾的文件
中， 比如yarn-dongxicheng-resourcemanager-yarn001.log就是ResourceManager产生的日志。
- Z0 ^" P$ I7 p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
- V8 U) U0 A+ L  x节分别介绍Hadoop Shell和Eclipse插件使用方法。
$ E/ O' [& l/ C1.5.2 Hadoop Shell介绍
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。
7 ~9 ?  n+ E- e& m) H2 I! y7 G. g, ]( m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
1.0） ， 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：
hadoop [--config confdir] COMMAND
其中， --config用于设置Hadoop配置文件目录。 默认目录为${HADOOP_HOME}/conf。 而COMMAND是具体的某个命令， 常用的
有HDFS管理命令fs、 作业管理命令job和作业提交命令jar等， 它们的使用方法如下。
% k) o5 f5 R0 T3 x# ?（ 1） HDFS管理命令fs和作业管理命令job
它们的用法一样， 均为：
3 j: }8 v4 m. `  k6 \5 qbin/hadoop command [genericOptions] [commandOptions]
( W3 j; H, [% _5 d: u其中， command可以是fs或者job， genericOptions是一些通用选项， commandOptions是fs或者job附加的命令选项， 看下面两个例子。
  L, d9 A6 u. g+ |( j$ |) h6 J# |&#10065;在HDFS上创建一个目录/test， 命令如下：
0 g9 u  _# g' `; O9 u. [6 }bin/hadoop fs -mkdir /test
&#10065;显示所有Hadoop上正在运行的作业， 命令如下：
2 d+ Z+ r1 h) [7 `6 S/ Vbin/hadoop job -list
（ 2） 作业提交命令jar
& u. T9 m' J2 S1 t这个命令的用法是：
1 m% ^1 \) q- r! q6 V$ B# b; xhadoop jar <jar> [mainClass] args..
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
下：
- z3 n1 e' o" l: e; abin/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
小， 它有两个整型输入参数： Map Task数目和样本数目。
% y" a7 v$ X& Z, n& O5 i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，
* z- g7 |& o( i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
: i. \& Y) V$ S$ b% [7 ?3 i选用该工作模式。  


, h" G6 p% m# @  w5 v