《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
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
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
- F) J1 J9 I! K3 `5 H- g' e面的学习。
1.5.1 搭建Hadoop环境
4 P! Y8 i' G0 L# `* k* ^0 s: z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
! b: }4 @& ]; @- r; u: X; s) D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
( v5 g4 P# \. x, s/ L6 w# {0 ^# ?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。
5 ?, ~& q" d' b  r8 W4 y1） 设置环境变量。 在${HADOOP_HOME}/etc/hadoop/hadoop-env.sh中， 添加JAVA安装目录， 命令如下：
export JAVA_HOME=/usrb/jvm/java-6-openjdk
修改conf目录下的mapred-site.xml、 core-site.xml、 yarn-site.xml和hdfs-site.xml四个文件， 在<configuration>与</configuration>之间添加的内
7 k, f" x! M9 I* ?: e7 j3 q8 b" w3 A容见下面的介绍。
: @$ a2 k3 L% R" ^" h: ^2） 在${HADOOP_HOME}/etc/hadoop/下， 将mapred-site.xml.templat重命名成mapred-site.xml， 并添加以下内容：
3 M, N. E# P! U* S<property>
<name>mapreduce.framework.name</name>
3 y8 {( l) z& |& o: V  w<value>yarn</value>
</property>
【 解释】 相比于Hadoop1.0， 用户无须再配置mapred.job.tracker， 这是因为JobTracker相关实现已变成客户端的一个库（ 实际上在
7 {( x! ?0 |4 `+ r0 V' e2 SHadoop 2.0中， JobTracker已经不存在， 它的功能由另外一个称为MRAppMaster的组件实现） ， 它可能被随机调度到任何一个slave上，
也就是它的位置是动态生成的。 需要注意的是， 在该配置文件中需用mapreduce.framework.name指定采用的运行时框架的名称， 在此指
定"yarn"。
3） 在${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
Federation） ， 修改后如下：
<property>
<name>fs.default.name</name>
<value>hdfs://YARN001:8020</value>
</property>
* C, ^, n' W4 B, N! E  u其中， YARN001表示节点的IP或者host。
4） 在${HADOOP_HOME}/etc/hadoop/中， 修改yarn-site.xml， 修改后如下：
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce-shuffle</value>
' m, a  J1 b  M0 d: L</property>
: |: f6 w- v& X) K5 r7 F【 解释】 为了能够运行MapReduce程序， 需要让各个NodeManager在启动时加载shuffle server， shuffle server实际上是Jetty/Netty
3 n. L2 }9 \: T2 [5 J  }Server， Reduce Task通过该server从各个NodeManager上远程复制Map Task产生的中间结果。 上面增加的两个配置均用于指定shuffle
* B' Y! P- {9 P$ y& Y0 N$ y1 Iserver。
2 O1 z- ]% I( c4 a1 b0 R3 O5） 修改${HADCOP_HOME}/etc/hadoop中的hdfs-site.xml文件：
<property>
& \! E! O0 m5 @$ }. d<name>dfs.replication</name>
<value>1</value>
* v0 H6 w8 R1 J$ W. R4 l. U</property>
【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。
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
; o$ e5 m9 Q) m0 W7 z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） 。
步骤2 设置免密码登录。
! Y) E+ K# w7 X7 x8 O+ l! u3 T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
$ t6 X( }# i8 V% H8 r/ v2 ]证， 需设置免密码登录， 步骤如下。
5 {# {' a  W1 c, N- U/ j; J1 V1） 打开命令行终端， 输入以下命令：
: o$ @9 R8 M9 `ssh-keygen -t rsa
  X) [9 s7 N# o1 p0 @' e将会在"~/.ssh/"目录下生成公钥文件id_rsa.pub和私钥文件id_rsa。
$ E% _* A6 Z; e- a5 h6 p- p2） 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/
) @  Y8 ]1 v* d0 F! o2 ^cat id_rsa.pub >> authorized_keys
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
功， 可查看对应的日志查看启动失败原因。
1） 格式化HDFS， 命令如下：
bin/hadoop namenode -format
2） 启动HDFS。 你可以使用以下命令分别启动NameNode和DataNode：
8 @; Q; B, O8 p/ _% x, [sbin/hadoop-daemon.sh start namenode
sbin/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：
sbin/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：
4 p8 H* ~0 ~* {- T/ p. q7 Nsbin/ start-dfs.sh
3） 启动YARN。 你可以使用以下命令分别启动ResourceManager和NodeManager：
9 [% a4 N  K7 J$ w1 w- |1 asbin/hadoop-daemon.sh start namenode
( L  g* p2 L/ q* _( bsbin/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：
9 |: Q5 U7 S1 osbin/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
) w7 M4 X3 _/ |8 @$ [0 ~& O通过如下jps命令查看是否启动成功：
dong@YARN001:/opt/hadoop/hadoop-2.0$ jps
4 D6 D( E$ Q5 H  T" K27577 NameNode
30315 ResourceManager
/ m; ^4 k! e( p, {- C5 e27924 SecondaryNameNode
16803 NodeManager
通过以下URL可查看YARN是否启动成功：
6 A" G( y6 ?3 Z" h7 R) Whttp://YARN001:8080/
) z/ ]5 I6 A0 E" p; J) B0 F9 lYARN对外提供的Web运行界面如图1-10所示。
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$HADOOP_HOME/logs目录下的以".log"结尾的文件
中， 比如yarn-dongxicheng-resourcemanager-yarn001.log就是ResourceManager产生的日志。
经过以上三步操作， Hadoop成功启动后， 接下来可以通过Hadoop Shell或者Eclipse插件访问HDFS和提交MapReduce作业。 下面两小
节分别介绍Hadoop Shell和Eclipse插件使用方法。
# i' e$ }3 h; A, F8 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
1 q& i' Z& U* @) a. `- C业管理等， 更加详细的脚本使用说明， 可参考附录C。
, r' Q! G5 _" s# z* N: 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：
$ c7 z* |! \! {6 q  A+ a' ]6 Q" g7 ahadoop [--config confdir] COMMAND
其中， --config用于设置Hadoop配置文件目录。 默认目录为${HADOOP_HOME}/conf。 而COMMAND是具体的某个命令， 常用的
有HDFS管理命令fs、 作业管理命令job和作业提交命令jar等， 它们的使用方法如下。
# n0 K1 v& L$ x0 c（ 1） HDFS管理命令fs和作业管理命令job
( L0 G: {: i' ?4 B+ J) _它们的用法一样， 均为：
bin/hadoop command [genericOptions] [commandOptions]
* f0 o/ m, S, ~* z1 [8 I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。
3 P1 A9 y. J9 o7 ?# G* H&#10065;在HDFS上创建一个目录/test， 命令如下：
bin/hadoop fs -mkdir /test
1 \% N6 T: ]1 u& K0 l&#10065;显示所有Hadoop上正在运行的作业， 命令如下：
% n$ f& E$ g5 S$ e" Y7 |bin/hadoop job -list
4 w" C: c+ w& o（ 2） 作业提交命令jar
这个命令的用法是：
hadoop 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
. s" i5 c+ _' N# ?. i下：
4 `" W0 ^* K) y7 E8 W  L  lbin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar pi 5 10
! ^9 K. Z/ W8 M* @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 ?8 i1 u' F" d3 q' w小， 它有两个整型输入参数： Map Task数目和样本数目。
其他更多命令， 读者可自行查阅Hadoop官方设计文档。
5 N4 u* b3 D% O3 |[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，
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
. u& Q; z+ E/ G, r+ L/ B选用该工作模式。  
! y: Y; x- a! S3 r! f& Z2 i( j. @. W+ l