Hadoop是一个开源的分布式计算框架,它允许用户使用简单的编程模型在跨计算机集群的分布式环境中存储和处理大数据。Hadoop的核心组件包括Hadoop分布式文件系统(HDFS)和MapReduce计算模型。以下是在Linux上实现Hadoop分布式计算的基本步骤:
安装Java:Hadoop需要Java环境,确保在所有节点上安装了相同版本的Java。
sudo apt-get update
sudo apt-get install openjdk-8-jdk
配置SSH无密码登录:为了方便集群管理,需要在所有节点之间配置SSH无密码登录。
ssh-keygen -t rsa
ssh-copy-id user@node2
ssh-copy-id user@node3
下载Hadoop:从Apache Hadoop官网下载最新版本的Hadoop。
wget https://archive.apache.org/dist/hadoop/common/hadoop-3.3.1/hadoop-3.3.1.tar.gz
解压Hadoop:
tar -xzvf hadoop-3.3.1.tar.gz -C /usr/local/
配置环境变量:编辑/etc/profile
或~/.bashrc
文件,添加Hadoop路径。
export HADOOP_HOME=/usr/local/hadoop-3.3.1
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
source /etc/profile
编辑core-site.xml:配置HDFS的URI。
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://namenode:9000</value>
</property>
</configuration>
编辑hdfs-site.xml:配置HDFS的副本数和其他参数。
<configuration>
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>/path/to/namenode/data</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>/path/to/datanode/data</value>
</property>
</configuration>
编辑mapred-site.xml:配置MapReduce框架。
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
编辑yarn-site.xml:配置YARN资源管理器。
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
</configuration>
在NameNode节点上执行以下命令格式化HDFS:
hdfs namenode -format
启动NameNode和SecondaryNameNode:
start-dfs.sh
启动YARN ResourceManager和NodeManager:
start-yarn.sh
检查HDFS状态:
hdfs dfsadmin -report
检查YARN状态:
yarn node -list
编写一个简单的MapReduce程序并提交到集群运行。例如,使用Hadoop自带的WordCount示例:
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class WordCount {
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "word count");
job.setJarByClass(WordCount.class);
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);
FileInputFormat.addInputPath(job, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
编译并打包后,使用以下命令提交作业:
hadoop jar WordCount.jar WordCount input output
通过以上步骤,你可以在Linux上成功配置和运行Hadoop分布式计算集群。