《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
. f! _' c9 J' Z; I* a* V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 W8 t$ L. F) \! S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
) ?& M+ i5 L* a9 D+ R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。
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
& k" y; p, n7 R* b1 `% U1 P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
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。
1 @1 j! _' o/ r6 f2 @+ G步骤1 修改Hadoop配置文件。
1） 设置环境变量。 在${HADOOP_HOME}/etc/hadoop/hadoop-env.sh中， 添加JAVA安装目录， 命令如下：
( `* R5 W, k0 D& ^5 j2 c! Gexport JAVA_HOME=/usrb/jvm/java-6-openjdk
修改conf目录下的mapred-site.xml、 core-site.xml、 yarn-site.xml和hdfs-site.xml四个文件， 在<configuration>与</configuration>之间添加的内
容见下面的介绍。
' N( W0 ^, K, P) A/ I. b2） 在${HADOOP_HOME}/etc/hadoop/下， 将mapred-site.xml.templat重命名成mapred-site.xml， 并添加以下内容：
<property>
# v; R' {; l& k# P<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
7 e, {7 V1 q/ [5 Z【 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
Hadoop 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，
( E' l" Q% O' ^# \4 @3 n- p# O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${HADOOP_HOME}/etc/hadoop/中， 修改core-site.xml， 为了简单， 我们仍采用Hadoop 1.0中的HDFS工作模式（ 不配置HDFS
Federation） ， 修改后如下：
<property>
<name>fs.default.name</name>
3 _( V+ F7 ?- K5 Y) P- b$ L<value>hdfs://YARN001:8020</value>
</property>
8 Y4 b: b( b2 i- r' {6 r其中， YARN001表示节点的IP或者host。
4） 在${HADOOP_HOME}/etc/hadoop/中， 修改yarn-site.xml， 修改后如下：
( L6 E1 `8 S; O3 g  ?% b$ U<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce-shuffle</value>
</property>
2 a0 M& I% i# x4 K4 ~# W2 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
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
' t6 g+ v% q! m! oserver。
5） 修改${HADCOP_HOME}/etc/hadoop中的hdfs-site.xml文件：
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
) P# y! D# a& n/ B' `【解释】 默认情况下， HDFS数据块副本数是3， 而在集群规模小于3的集群中该参数会导致出现错误， 这可通过将dfs.replication调
0 G' Z. U2 Q, x* {整为1解决。
3 @0 w4 b5 V1 ?/ U注意 如果你是在虚拟机中搭建Hadoop环境， 且虚拟机经常关闭与重启， 为了避免每次重新虚拟机后启动Hadoop时出现各种问
7 @. S% ^2 z9 q题， 建议在core-site.xml中将hadoop.tmp.dir属性设置为一个非/tmp目录， 比如/data或者/home/dongxicheng/data（ 注意该目录对当前用户需具
有读写权限） 。
2 Q& q* O# S/ N% Y步骤2 设置免密码登录。
+ c. m2 V' l; r9 D4 C: `: r前面提到Hadoop启动/停止脚本需要通过SSH发送命令启动相关守护进程， 为了避免每次启动/停止Hadoop都要输入密码进行验
证， 需设置免密码登录， 步骤如下。
8 o% ~2 y: |. b# P1） 打开命令行终端， 输入以下命令：
1 |3 M, G+ V' }0 ]4 U/ hssh-keygen -t rsa
将会在"~/.ssh/"目录下生成公钥文件id_rsa.pub和私钥文件id_rsa。
2） 将公钥文件id_rsa.pub中的内容复制到相同目录下的authorized_keys文件中：
/ {8 c7 M! D3 O6 V0 v8 tcd ~/.ssh/
cat id_rsa.pub >> authorized_keys
" [( n% l/ Q1 e: g$ O; A9 E( X步骤3 启动Hadoop。
+ F8 @* C# t' ]4 D/ e7 L9 D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。
4 S. n/ }0 U+ c0 X7 T1） 格式化HDFS， 命令如下：
5 _# O/ w: ?: R: v% Fbin/hadoop namenode -format
& |2 o9 L' W$ I5 I2） 启动HDFS。 你可以使用以下命令分别启动NameNode和DataNode：
2 _& k# f$ k! r0 @! V+ U6 }" ysbin/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
4 {8 [. p, {3 T4 u9 @2 y3 c你也可以使用以下命令一次性启动NameNode和所有DataNode：
sbin/ start-dfs.sh
' \& Y. k* V4 Z6 M3） 启动YARN。 你可以使用以下命令分别启动ResourceManager和NodeManager：
2 b/ o. H% y. G. [+ csbin/hadoop-daemon.sh start namenode
* X, F1 J! L" d: o" q7 U5 ^sbin/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
( J4 ~# T* j$ R: p+ i) O, n通过如下jps命令查看是否启动成功：
9 j- P0 N1 W' o0 o# Edong@YARN001:/opt/hadoop/hadoop-2.0$ jps
27577 NameNode
, R& D& j  R" c4 z  Z2 U30315 ResourceManager
27924 SecondaryNameNode
0 `5 g, U, S# j+ D; g3 I5 l16803 NodeManager
" {  Q+ R  C4 k0 ~# S2 Q# A7 u通过以下URL可查看YARN是否启动成功：
( ]' ]; K, C5 v/ hhttp://YARN001:8080/
YARN对外提供的Web运行界面如图1-10所示。
8 |& d1 `9 p4 W: z! F图1-10 YARN对外提供的Web界面
* O( a& s, z1 i$ p) h6 _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$HADOOP_HOME/logs目录下的以".log"结尾的文件
. i. {: n" X; E3 }( x中， 比如yarn-dongxicheng-resourcemanager-yarn001.log就是ResourceManager产生的日志。
# _4 _; ~) }) X  z& ?2 o& o# r经过以上三步操作， Hadoop成功启动后， 接下来可以通过Hadoop Shell或者Eclipse插件访问HDFS和提交MapReduce作业。 下面两小
- t( ?9 h5 U2 s0 M5 S) a节分别介绍Hadoop Shell和Eclipse插件使用方法。
1.5.2 Hadoop Shell介绍
) X" ?( S" x1 t# Q) p在1.4节我们曾提到， bin目录下是最基础的集群管理脚本， 用户可以通过该脚本完成各种功能， 如HDFS文件管理、 MapReduce作
& r- s. n  h+ n* N2 v" P: K5 h业管理等， 更加详细的脚本使用说明， 可参考附录C。
作为入门， 本节介绍的是bin目录下Hadoop脚本的使用方法。 如果你已经对Hadoop 1.0有所了解（ 比如尝试安装和使用过Hadoop
# y! t9 U% q8 b& u( S; |1.0） ， 那么可直接使用该脚本， 因为该脚本的功能与Hadoop 1.0对应的Hadoop脚本功能完全一致。
该脚本的使用方法为：
hadoop [--config confdir] COMMAND
6 Q+ D' X, X7 W5 Y其中， --config用于设置Hadoop配置文件目录。 默认目录为${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。
, X: Z, a! ^" p2 u$ l（ 1） HDFS管理命令fs和作业管理命令job
' _$ z& w: K- l! r它们的用法一样， 均为：
bin/hadoop command [genericOptions] [commandOptions]
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。
" d% v! B1 [6 a&#10065;在HDFS上创建一个目录/test， 命令如下：
. g& B8 z' B* T4 K0 i' xbin/hadoop fs -mkdir /test
) Y# U$ u6 H$ U- \( N! V9 E: w&#10065;显示所有Hadoop上正在运行的作业， 命令如下：
bin/hadoop job -list
' u  y/ R8 L7 E; x2 W（ 2） 作业提交命令jar
这个命令的用法是：
9 h) j! M& l, N- I2 G9 ?3 i" n0 C$ ohadoop 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
/ \0 U  E& _% |' Q9 j* B; ~" A下：
+ I$ I+ o* x8 kbin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar pi 5 10
3 y; Q5 ]" H5 R9 W, \9 s9 C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
6 Z1 J  j' [- j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。
) B& R1 d& n& v0 _  A6 ^9 o$ [[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
选用该工作模式。  

# b1 X$ t0 E. M% ]* P