CentOS7搭建Hadoop-3.3.0集群
前提
这篇文章是基于Linux系统CentOS7搭建Hadoop-3.3.0分布式集群的详细手记。
基本概念
Hadoop中的HDFS和YARN都是主从架构，主从架构会有一主多从和多主多从两种架构，这里为了简化搭建集群的流程，这里使用一主多从的架构。Hadoop集群中各个角色的名称如下：
| 服务 | 主节点 | 从节点 |
|---|---|---|
HDFS |
NameNode |
DataNode |
YARN |
ResourceManager |
NodeManager |
还有SecondaryNameNode，其实是NameNode的备用节点，定时合并和处理日志并且反馈到NameNode上。一般NameNode和SecondaryNameNode尽量不要放在同一个节点。
HDFS服务和YARN其实是分离的，一者是数据存储，另一者是资源调度，Hadoop集群可以只启用YARN集群做资源调度。
测试集群服务器规划
测试的Hadoop集群使用了3台基于VirtualBox搭建的CentOS7虚拟机：
| 内网IP | 主机名 | 用户 | 虚拟磁盘空间 | HDFS角色 | YARN角色 |
|---|---|---|---|---|---|
192.168.56.200 |
hadoop01 |
hadoop |
30GB |
NameNode、DataNode |
NodeManager |
192.168.56.201 |
hadoop02 |
hadoop |
30GB |
DataNode |
NodeManager |
192.168.56.202 |
hadoop03 |
hadoop |
30GB |
SecondaryNameNode、DataNode |
ResourceManager、NodeManager |
前置软件安装或者准备工作
主要包括必要的软件安装、用户创建和网络配置等等。
关闭防火墙
为了避免出现部分端口无法访问，内网环境下每台虚拟机都可以直接关闭防火墙：
停止防火墙进程 |
JDK安装
JDK的安装比较简单，这里过程略过。笔者使用的JDK是OpenJDK，版本是1.8.0_252-b09，JDK路径配置如下：
export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.252.b09-2.el7_8.x86_64 |
**确保集群所有机器的JDK安装位置相同，并且JDK版本尽可能大版本选择8**，经过大量测试发现Hadoop暂时不兼容JDK9+。
java -version |
这个JDK安装位置和安装包名称是不是看起来比较奇怪？没错，是笔者偷懒用yum直接安装的OpenJDK。
修改主机名
三个节点分别通过hostnamectl set-hostname $hostname修改主机名：
节点192.168.56.200 |
最终效果如下：
Connecting to 192.168.56.200:22... |
修改hosts文件
在每个节点的hosts文件具体是/etc/hosts尾部添加：
192.168.56.200 hadoop01 |
方便后面可以直接通过主机名访问对应的机器。可以在任意一台机器用通过主机名ping任意的主机名：
ping hadoop01 |
添加hadoop用户
添加用户的操作需要在root用户下进行。添加一个用户分组、命名和密码都为hadoop的用户：
useradd hadoop |
通过mkdir -p /data/hadoop创建一个新目录，后面的hadoop相关的数据等文件都放在/data/hadoop目录下。设置目录/data/hadoop的拥有者为hadoop用户：
chown hadoop:hadoop /data/hadoop |
最后设置hadoop用户可以不输入密码直接通过sudo su提升为root用户：
chmod u+w /etc/sudoers |
效果如下：
验证一下是否成功：
在root用户下切换hadoop用户 |
创建hadoop用户需要在集群中每台机器操作一次。
设置集群机器SSH免登
设置集群机器SSH免登这一步十分重要，无论是scp命令去拷贝文件到各个机器，还是集群启动和通讯过程都依赖这一步。集群中每个机器都进行下面步骤操作：
- 使用
su hadoop切换到hadoop用户 - 使用
ssh-keygen -t rsa命令，接着连按几次回车，生成公钥，执行完毕后/home/hadoop/.ssh/目录下会多了一个id_rsa.pub - 收集集群中所有节点的
/home/hadoop/.ssh/id_rsa.pub内容，汇总合并成一个authorized_keys文件，再拷贝该文件到所有集群节点的/home/hadoop/.ssh/ssh目录下 - 授权
chmod 700 /home/hadoop/.ssh/ && chmod 700 /home/hadoop/ && chmod 600 /home/hadoop/.ssh/authorized_keys
最终笔者的/home/hadoop/.ssh/authorized_keys文件内容如下：
可以使用下面的脚本替代手工操作：
拷贝三个节点的RSA公钥到authorized_keys中，可以在第一个节点中执行即可 |
最终的效果如下：
安装Hadoop
主要在hadoop01节点中安装即可，安装完毕可以通过scp命令直接拷贝文件分发到不同的节点中。赋予用户/data/hadoop目录的读写权限：
su hadoop |
这一步极其重要，否则容易导致运行集群的时候创建文件夹权限不足。这里记住不要主动创建Hadoop文件系统中的目录，否则容易导致DataNode启动失败。
1、解压安装
切换目录和用户：
su hadoopcd /data/hadoop
下载和解压hadoop-3.3.0：
wget https://mirror.bit.edu.cn/apache/hadoop/common/hadoop-3.3.0/hadoop-3.3.0.tar.gz |
解压完毕后，/data/hadoop目录下会多了一个hadoop-3.3.0文件夹。
2、环境变量配置
重命名一下文件夹mv hadoop-3.3.0 app，也就是最终的HADOOP_HOME为/data/hadoop/app，可以先提前修改一下用户配置vim ~/.bashrc（所有节点都要添加），添加：
export JAVA_HOME=/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.252.b09-2.el7_8.x86_64 |
刷新一下用户配置source ~/.bashrc。
3、查看版本
调用hadoop version：
[hadoop@hadoop01 hadoop]$ hadoop version |
这样就能确定JDK和Hadoop的位置配置没有问题，接着开始配置Hadoop中的应用配置。
4、Hadoop配置
配置core-site.xml（具体是/data/hadoop/app/etc/hadoop/core-site.xml）：
<configuration> |
fs.defaultFS：nameNode的HDFS协议的文件系统通信地址hadoop.tmp.dir：Hadoop集群在工作的时候存储的一些临时文件的目录
配置hdfs-site.xml（具体是/data/hadoop/app/etc/hadoop/hdfs-site.xml）：
<configuration> |
dfs.namenode.name.dir：NameNode的数据存放目录dfs.datanode.data.dir：DataNode的数据存放目录dfs.replication：HDFS的副本数dfs.secondary.http.address：SecondaryNameNode节点的HTTP入口地址dfs.http.address：通过HTTP访问HDFS的Web管理界面的地址
配置mapred-site.xml（具体是/data/hadoop/app/etc/hadoop/mapred-site.xml）:
<configuration> |
mapreduce.framework.name：选用yarn，也就是MR框架使用YARN进行资源调度。
配置yarn-site.xml（具体是/data/hadoop/app/etc/hadoop/yarn-site.xml）：
<configuration> |
yarn.resourcemanager.hostname：指定ResourceManager所在的主机名yarn.nodemanager.aux-services：指定YARN集群为MapReduce程序提供Shuffle服务
配置workers文件（这个文件在旧版本叫slaves，因为技术政治化运动被改为workers，具体是/data/hadoop/app/etc/hadoop/workers：
hadoop01 |
至此，核心配置基本完成。
5、分发Hadoop安装包到其他节点
重点提示三次：
- 所有节点的
Hadoop安装包位置和配置信息必须一致 - 所有节点的
Hadoop安装包位置和配置信息必须一致 - 所有节点的
Hadoop安装包位置和配置信息必须一致
在节点hadoop01使用scp命令进行分发：
# 分发节点2 |
6、格式化NameNode
规划中是hadoop01作为NameNode，在该机器下进行格式化：
hadoop namenode -format |
格式化NameNode成功的控制台日志如下：
7、启动和停止HDFS
可以在任意一个节点中启动和停止HDFS，为了简单起见还是在hadoop01节点中操作：
- 启动：
start-dfs.sh - 停止：
stop-dfs.sh
调用启动命令后，控制台输出如下：
[hadoop@hadoop01 hadoop]$ start-dfs.sh |
8、启动和停止YARN
YARN集群的启动命令必须在ResourceManager节点中调用，规划中的对应角色的节点为hadoop03，在该机器执行YARN相关命令：
- 启动：
start-yarn.sh - 停止：
stop-yarn.sh
执行启动命令后，控制台输出如下：
[hadoop@hadoop03 data]$ start-yarn.sh |
9、查看所有节点的进程状态
分别查看集群中所有节点的进程状态，可以直接使用jps工具，具体结果如下：
[hadoop@hadoop01 hadoop]$ jps |
可见进程是正常运行的。
10、通过WEB管理界面查看集群状态
访问入口如下：
HDFS入口：http://192.168.56.200:50070（来自于hdfs-site.xml的dfs.http.address配置项）YARN入口：http://192.168.56.202:8088/cluster（ResourceManager所在节点的8088端口）
数据节点状态如下：
YARN集群状态如下：
使用Hadoop
通过几个简单的例子尝试使用Hadoop集群。
创建目录和展示目录
测试一下创建目录和展示目录：
[hadoop@hadoop01 hadoop]$ hadoop fs -mkdir -p /test |
上传和下载文件
创建一个words.txt，写入内容并且上传到上一小节创建的test文件夹中：
cd /data/hadoop |
然后在HDFS的WEB界面中查看：
下载该文件到/data/hadoop/download.txt：
[hadoop@hadoop01 hadoop]$ hadoop fs -get /test/words.txt /data/hadoop/download.txt && \ |
执行WordCount程序
上传一个文件到HDFS的/test/input目录：
cd /data/hadoop && \ |
自带的例子在目录/data/hadoop/app/share/hadoop/mapreduce的hadoop-mapreduce-examples-3.3.0.jar中，通过命令运行WordCount程序：
hadoop jar /data/hadoop/app/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar wordcount /test/input /test/output |
MR的执行过程如下：
查看YARN管理界面对应的Job状态：
可知任务最终的执行状态为成功。最后可以通过hadoop fs -cat命令查看结果：
[hadoop@hadoop01 hadoop]$ hadoop fs -ls /test/output |
小结
本文花了大量时间详细记录了如何从零开始搭建一个Hadoop集群，基于此才能进一步学习和使用Hadoop生态中的组件如Hive、Sqoop和Hbase等等，后续会逐个击破。
（本文完 c-2-d e-a-20201213）
