CentOS 下 Hadoop 资源如何管理

CentOS下Hadoop资源管理指南

一、基础环境准备

在CentOS系统中部署Hadoop资源管理前，需完成以下基础配置：

• 系统要求：建议选择CentOS 7及以上最小化安装版本，减少不必要的软件包占用；关闭SELinux（修改/etc/selinux/config文件，设置SELINUX=disabled）及不必要的系统服务（如防火墙、图形界面），提升系统性能。
• Java环境：Hadoop依赖Java 8及以上版本，通过java -version验证安装；配置Java环境变量（编辑/etc/profile，添加JAVA_HOME及PATH路径，执行source /etc/profile生效）。
• SSH免密登录：在集群所有节点间配置SSH无密码通信（使用ssh-keygen -t rsa生成密钥对，通过ssh-copy-id <节点IP>复制公钥），确保NameNode能远程管理DataNode和NodeManager。

二、Hadoop核心组件配置

Hadoop资源管理的核心依赖HDFS（存储）和YARN（资源调度），需通过配置文件调整资源参数：

• HDFS配置：
  • core-site.xml：设置HDFS默认文件系统URI（fs.defaultFS=hdfs://<NameNode-IP>:9000），指定NameNode的访问地址。
  • hdfs-site.xml：配置HDFS存储路径（dfs.namenode.name.dir=/path/to/namenode、dfs.datanode.data.dir=/path/to/datanode）及数据副本数（dfs.replication=2，根据集群规模调整，生产环境建议3副本）。
• YARN配置：
  • yarn-site.xml：设置ResourceManager地址（yarn.resourcemanager.hostname=<ResourceManager-IP>）、NodeManager与ResourceManager通信端口（yarn.resourcemanager.scheduler.address、yarn.resourcemanager.resource-tracker.address）及调度器类型（默认Capacity Scheduler，支持多队列资源分配）。
  • 全局资源参数：yarn.nodemanager.resource.memory-mb（NodeManager可用物理内存，如8GB内存设置为8192）、yarn.nodemanager.resource.cpu-vcores（NodeManager可用虚拟CPU核数，如4核设置为4）。

三、YARN资源调度器配置

YARN提供三种调度器，需根据业务需求选择：

• FIFO Scheduler（默认）：按作业提交顺序调度，适合批处理任务；无需额外配置，但无法实现资源公平共享。
• Capacity Scheduler（推荐）：支持多队列（如default、high_priority），每个队列分配固定资源比例（yarn.scheduler.capacity.root.default.capacity=70），并设置用户最低资源占有率（yarn.scheduler.capacity.root.default.minimum-user-limit-percent=50），保证队列内用户公平性。
• Fair Scheduler：动态分配资源，确保所有作业公平共享集群资源（如小作业快速完成，大作业逐步获取资源）；需在mapred-site.xml中设置mapreduce.jobtracker.taskScheduler为org.apache.hadoop.mapred.FairScheduler。

四、关键资源参数调优

根据集群硬件配置（如4GB内存、4核CPU）和作业需求（如WordCount任务），调整以下参数以提升资源利用率：

• 容器资源限制：yarn.scheduler.minimum-allocation-mb（单个容器最小内存，如256MB）、yarn.scheduler.maximum-allocation-mb（单个容器最大内存，如3072MB）、yarn.scheduler.minimum-allocation-vcores（单个容器最小CPU核数，如1）、yarn.scheduler.maximum-allocation-vcores（单个容器最大CPU核数，如2），避免容器资源过小导致频繁申请或过大导致资源浪费。
• Map/Reduce任务资源：mapreduce.map.memory.mb（Map任务内存，如256MB）、mapreduce.reduce.memory.mb（Reduce任务内存，如512MB）、mapreduce.map.java.opts（Map任务JVM堆大小，如-Xmx200m，建议为任务内存的80%）、mapreduce.reduce.java.opts（Reduce任务JVM堆大小，如-Xmx400m），确保任务运行时内存充足，避免OOM错误。
• ApplicationMaster资源：yarn.app.mapreduce.am.resource.mb（ApplicationMaster内存，如512MB）、yarn.app.mapreduce.am.command-opts（ApplicationMaster JVM堆大小，如-Xmx384m），保证ApplicationMaster有足够资源协调任务。

五、资源管理与监控

• 日志聚合：启用日志聚合功能（yarn.log-aggregation-enable=true），设置日志滚动检查间隔（yarn.nodemanager.log-aggregation.roll-monitoring-interval-seconds=300），将各节点日志集中存储到HDFS（路径为hdfs:///logs/userlogs），便于统一查看和分析任务运行情况。
• 监控工具：使用Hadoop自带Web UI（ResourceManager的8088端口、NameNode的9870端口）实时查看集群资源使用率、任务执行状态；或部署第三方工具（如Ambari、Ganglia、Prometheus），实现更全面的监控（如CPU、内存、磁盘IO）及报警功能（如节点宕机、资源耗尽）。

六、数据管理

• 数据备份：使用hadoop distcp命令实现HDFS数据的分布式复制（如hadoop distcp hdfs://namenode1:9000/data hdfs://namenode2:9000/backup），将数据备份到另一集群，防止数据丢失。
• 数据恢复：通过hadoop fs -put命令将备份数据上传至HDFS（如hadoop fs -put /local/backup/data /hdfs/data），或使用hadoop distcp反向复制恢复数据。