《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
8 A9 d+ [4 @3 M( r2 C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
/ Y2 _0 S* H$ \2 G$ 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
1 A4 f0 W! n7 e4 G1 w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
9 |) l0 ]* |: E* G6 }& ]  l面的学习。
1.5.1 搭建Hadoop环境
4 g. ~# N2 m$ g+ U, O, G5 o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
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。
8 Z3 M0 g% u6 V+ K1 k7 ], R步骤1 修改Hadoop配置文件。
1） 设置环境变量。 在${HADOOP_HOME}/etc/hadoop/hadoop-env.sh中， 添加JAVA安装目录， 命令如下：
export JAVA_HOME=/usrb/jvm/java-6-openjdk
: a. m+ S8 a6 x5 E修改conf目录下的mapred-site.xml、 core-site.xml、 yarn-site.xml和hdfs-site.xml四个文件， 在<configuration>与</configuration>之间添加的内
容见下面的介绍。
" [1 L0 f, M% b8 z9 I/ m5 }2） 在${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! S" a( S5 [) m<property>
) K; H1 E! Q/ R$ J+ C1 @<name>mapreduce.framework.name</name>
/ s% v+ U5 I% Z6 _! q" b+ q<value>yarn</value>
. Y8 I! {2 @" N! A. K1 p</property>
) T$ c! k4 Q1 d, s【 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
- T8 b( J0 ~2 a4 G8 X+ l) mHadoop 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${HADOOP_HOME}/etc/hadoop/中， 修改core-site.xml， 为了简单， 我们仍采用Hadoop 1.0中的HDFS工作模式（ 不配置HDFS
Federation） ， 修改后如下：
! o3 ^& `/ F2 W* O5 E4 q  h, A2 S  g<property>
+ L- i$ y  ~" Y% D/ z) V<name>fs.default.name</name>
. c, L" p; ^2 v. I$ N. X6 p' |. K<value>hdfs://YARN001:8020</value>
% ~$ b5 t/ b* Z# M, t, I8 f</property>
其中， YARN001表示节点的IP或者host。
/ e7 S& t  V) g4） 在${HADOOP_HOME}/etc/hadoop/中， 修改yarn-site.xml， 修改后如下：
<property>
: s1 p1 t8 ~+ x<name>yarn.nodemanager.aux-services</name>
<value>mapreduce-shuffle</value>
</property>
【 解释】 为了能够运行MapReduce程序， 需要让各个NodeManager在启动时加载shuffle server， shuffle server实际上是Jetty/Netty
/ ~  ~/ Z+ Q+ n0 K6 h  H- L7 B# Q1 |Server， Reduce Task通过该server从各个NodeManager上远程复制Map Task产生的中间结果。 上面增加的两个配置均用于指定shuffle
. V9 r& k6 ]3 Y% ~  pserver。
8 x' n: X* E& v5） 修改${HADCOP_HOME}/etc/hadoop中的hdfs-site.xml文件：
<property>
4 B& I) U5 K: ]+ _<name>dfs.replication</name>
<value>1</value>
</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
5 }$ b. o& k( H# y' n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
( t% @. G1 E  x有读写权限） 。
" X- P: v; i4 U" u步骤2 设置免密码登录。
$ D+ U* ^- ^4 u! q, W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 m7 ]! i* P% O4 u$ G, X1） 打开命令行终端， 输入以下命令：
- l' L" z8 B7 h7 ?3 `/ vssh-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：
3 u- J$ ^1 G: F8 m/ Gcd ~/.ssh/
cat id_rsa.pub >> authorized_keys
/ O3 F  k8 u8 \7 a3 R9 f( B步骤3 启动Hadoop。
4 }7 T5 l' q! Z# ~; j( L  e) S" M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
7 n3 `/ L# N# N  L+ J* ^8 z4 i功， 可查看对应的日志查看启动失败原因。
; \+ P1 X& w! ^% u" i# A: D  Z9 u* o1） 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：
sbin/hadoop-daemon.sh start namenode
sbin/hadoop-daemon.sh start datanode
+ U1 B/ `' l) c+ Z( U. Q; b" q* w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
% N  B! o& Z( L. Q" J- ?你也可以使用以下命令一次性启动NameNode和所有DataNode：
sbin/ start-dfs.sh
3） 启动YARN。 你可以使用以下命令分别启动ResourceManager和NodeManager：
& O% g/ \. N; \sbin/hadoop-daemon.sh start namenode
sbin/hadoop-daemon.sh start datanode
. C7 I  o+ B2 K# E0 }7 h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
$ i& ?& \5 `/ F  M( O7 v9 b( u# v你也可以使用以下命令一次性启动ResourceManager和所有NodeManager：
/ A; s7 h" O: {  H3 {' r& esbin/start-yarn.sh
, u% G3 C; `$ z2 h5 H# ], X' z2 ~通过如下jps命令查看是否启动成功：
4 s, I1 P2 `# E9 I$ z3 e( v* mdong@YARN001:/opt/hadoop/hadoop-2.0$ jps
, ]. I; T/ h3 A/ |27577 NameNode
30315 ResourceManager
27924 SecondaryNameNode
7 H5 N; o* X0 A0 D& W- G$ Z. P16803 NodeManager
通过以下URL可查看YARN是否启动成功：
9 K4 j) x  z" T, B* [1 t! n) G8 Rhttp://YARN001:8080/
YARN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
, `- ?( X/ G& p+ v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$HADOOP_HOME/logs目录下的以".log"结尾的文件
- p4 {, q/ Z$ u2 `  A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
1 a/ V* d  g  f( V' D' y! U: 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
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
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${HADOOP_HOME}/conf。 而COMMAND是具体的某个命令， 常用的
4 z! t- h- c( f' }& ~有HDFS管理命令fs、 作业管理命令job和作业提交命令jar等， 它们的使用方法如下。
* j/ j3 B7 l  \/ z（ 1） HDFS管理命令fs和作业管理命令job
% h: S" D4 n5 t4 ^它们的用法一样， 均为：
bin/hadoop command [genericOptions] [commandOptions]
其中， command可以是fs或者job， genericOptions是一些通用选项， commandOptions是fs或者job附加的命令选项， 看下面两个例子。
; S2 Y) \6 J1 P5 Y) [& t* |&#10065;在HDFS上创建一个目录/test， 命令如下：
  ^6 \# H" c, ^( S$ L% Abin/hadoop fs -mkdir /test
$ l; Z/ ^+ \5 |&#10065;显示所有Hadoop上正在运行的作业， 命令如下：
5 ^! |8 k/ |$ j+ n( X# F9 E' bbin/hadoop job -list
8 W4 b, ~) @" x# K  u; F7 q) n* W（ 2） 作业提交命令jar
9 A2 k* U- v4 ]/ K: g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
8 {! D+ R5 Q1 ]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
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。
[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
8 t% p# f* U% V' I; b4 y3 C选用该工作模式。  
9 i+ s8 F0 e. B. ]- l6 o5 c

4 S' T7 T) {" C  N) e