从零开始构建 Hadoop 集群

一、简介

当今只要谈到大数据，自然想到Hadoop，以前Hadoop还只是个软件、系统，而如今更多代表的是一个大数据生态圈。

本文谈的 Hadoop 特指一个软件，它是 Apache 基金会的顶级项目之一，它本身主要解决了大数据领域的两大核心问题，如何存储(hdfs)、如何计算(mapreduce)。

官方文档：http://hadoop.apache.org

闲言少叙，下面进入正题。

二、部署环境的准备工作

1、服务器

本次选择使用4台物理机来搭建Hadoop集群，配置如下

Master			CPU(24核)	MEM(48G)	DISK(2T*1 -> RAID10)
Slave01			CPU(24核)	MEM(12G)	DISK(1T*4)
Slave02			CPU(12核)	MEM(24G)	DISK(1T*4)
Slave03			CPU(24核)	MEM(16G)	DISK(1T*4)

# 还是挺惨的~

2、系统选择的是 CentOS 6.9 x86_64

三、系统初始化

1、配置主机名、停用多余的服务、关闭SELinux、Iptables

2、修改最大打开文件描述符

shell > tail -4 /etc/security/limits.conf 

* - nofile 65536

# End of file

3、关闭透明大页

shell > tail -1 /etc/rc.local 
echo never > /sys/kernel/mm/redhat_transparent_hugepage/defrag

4、创建 Unix 用户账号

shell > useradd hadoop | echo hadoop | passwd --stdin hadoop

# 所有服务器都需要创建

5、格式化硬盘

shell > mkdir /dfs && chown -R hadoop.hadoop /dfs

# Master 执行

shell > mkdir -p /dfs/{disk1,disk2,disk3}
shell > mkfs.ext4 /dev/sdb、/dev/sdc、/dev/sdd

shell > tail -3 /etc/fstab 
/dev/sdb                /dfs/disk1              ext4    defaults,noatime 0 0
/dev/sdc                /dfs/disk2              ext4    defaults,noatime 0 0
/dev/sdd                /dfs/disk3              ext4    defaults,noatime 0 0

shell > mount -a

shell > chown -R hadoop.hadoop /dfs

# 所有 Slave 都需要执行

6、时间同步

shell > crontab -l
0 */2 * * * /usr/sbin/ntpdate us.pool.ntp.org | /sbin/hwclock -w > /dev/null

# 时间同步挺重要的, 上次遇到过由于时间不同步导致 HBase 的 RegionServer 无法启动

# init 6

四、搭建 Hadoop 集群

1、配置用户免密登陆

root shell > ssh-keygen			# 生成密钥
root shell > ssh-copy-id -i ~/.ssh/id_rsa.pub slave01
root shell > ssh-copy-id -i ~/.ssh/id_rsa.pub slave02
root shell > ssh-copy-id -i ~/.ssh/id_rsa.pub slave03

hadoop shell > ssh-keygen		# 生成密钥
hadoop shell > ssh-copy-id -i ~/.ssh/id_rsa.pub master
hadoop shell > ssh-copy-id -i ~/.ssh/id_rsa.pub slave01
hadoop shell > ssh-copy-id -i ~/.ssh/id_rsa.pub slave02
hadoop shell > ssh-copy-id -i ~/.ssh/id_rsa.pub slave03

# Hadoop 控制脚本(不是 Hadoop 守护进程)依赖 SSH 来管理服务的启停。
# Tips: ssh-copy-id -i ~/.ssh/id_rsa.pub -p 22 root@slave01

2、安装 jdk

shell > rpm -ivh jdk-8u161-linux-x64.rpm

shell > ansible slave -m shell -a 'rpm -ivh jdk-8u161-linux-x64.rpm'

shell > vim /etc/profile

export JAVA_HOME=/usr/java/default

shell > source /etc/profile

shell > java -version
java version "1.8.0_161"
Java(TM) SE Runtime Environment (build 1.8.0_161-b12)
Java HotSpot(TM) 64-Bit Server VM (build 25.161-b12, mixed mode)

# jdk 是需要所有机器都安装的, 且配置环境变量

3、下载、安装 Hadoop

shell > wget http://mirrors.hust.edu.cn/apache/hadoop/common/hadoop-2.9.1/hadoop-2.9.1.tar.gz

shell > tar xf hadoop-2.9.1.tar.gz -C /usr/local

shell > chown -R hadoop.hadoop /usr/local/hadoop-2.9.1

shell > tail -2 /etc/profile
export HADOOP_HOME=/usr/local/hadoop-2.9.1
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

shell > source /etc/profile

4、配置 Hadoop

1> hadoop-env.sh 一个全局环境变量控制文件, 该文件中的值会被 yarn-env.sh、mapred-env.sh 覆盖

shell > vim /usr/local/hadoop-2.9.1/etc/hadoop/hadoop-env.sh

export JAVA_HOME=/usr/java/default		# JAVA_HOME

export HADOOP_HEAPSIZE=1000				# 内存堆大小

# Hadoop 默认为每个守护进程分配1000MB内存, 资料显示, 以 NameNode 进程来说, 保守计算每100万个数据块需要1000MB内存,
# 我们集群为3个节点, 每个节点有3T硬盘, 数据块大小为256MB, 每个数据块有3个复本, 大概有12000个数据块 -> 3*3000000MB/(256MB*3), 默认值足够了。
# Tips: 可以单独为每个进程设置不同的内存大小

2> core-site.xml

shell > vim /usr/local/hadoop-2.9.1/etc/hadoop/core-site.xml

<configuration>

    <property>
      <name>fs.defaultFS</name>
      <value>hdfs://192.168.10.50</value>
    </property>

    <property>
      <name>hadoop.tmp.dir</name>
      <value>file:///dfs/tmp/hadoop-${user.name}</value>
    </property>

    <property>
      <name>io.file.buffer.size</name>
      <value>131072</value>
    </property>

    <property>
      <name>fs.trash.interval</name>
      <value>1440</value>
    </property>

</configuration>

# 模板文件：HADOOP_HOME/share/doc/hadoop/hadoop-project-dist/hadoop-common/core-default.xml

3> hdfs-site.xml

shell > vim /usr/local/hadoop-2.9.1/etc/hadoop/hdfs-site.xml

<configuration>

    <property>
      <name>dfs.blocksize</name>
      <value>134217728</value>
    </property>

    <property>
      <name>dfs.replication</name>
      <value>3</value>
    </property>

    <property>
      <name>dfs.namenode.handler.count</name>
      <value>100</value>
    </property>

    <property>
      <name>dfs.namenode.name.dir</name>
      <value>file:///dfs/name</value>
    </property>

    <property>
      <name>dfs.datanode.data.dir</name>
      <value>file:///dfs/disk1/data,/dfs/disk2/data,/dfs/disk3/data</value>
    </property>

    <property>
      <name>dfs.namenode.checkpoint.dir</name>
      <value>file:///dfs/namesecondary</value>
    </property>

</configuration>

# 模板文件：HADOOP_HOME/share/doc/hadoop/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml

4> yarn-site.xml

shell > vim /usr/local/hadoop-2.9.1/etc/hadoop/yarn-site.xml

<configuration>

    <property>
      <name>yarn.resourcemanager.hostname</name>
      <value>192.168.10.50</value>
    </property>

    <property>
      <name>yarn.nodemanager.local-dirs</name>
      <value>file:///dfs/disk1/nm-local-dir,/dfs/disk2/nm-local-dir,/dfs/disk3/nm-local-dir</value>
    </property>

    <property>
      <name>yarn.nodemanager.aux-services</name>
      <value>mapreduce_shuffle</value>
    </property>

    <property>
      <name>yarn.nodemanager.resource.memory-mb</name>
      <value>10240</value>
    </property>

    <property>
      <name>yarn.nodemanager.resource.cpu-vcores</name>
      <value>10</value>
    </property>

</configuration>

# 模板文件：HADOOP_HOME/share/doc/hadoop/hadoop-yarn/hadoop-yarn-common/yarn-default.xml

5> mapred-site.xml

shell > vim /usr/local/hadoop-2.9.1/etc/hadoop/mapred-site.xml

<configuration>

    <property>
      <name>mapreduce.framework.name</name>
      <value>yarn</value>
    </property>

    <property>
      <name>mapreduce.map.memory.mb</name>
      <value>2048</value>
    </property>

    <property>
      <name>mapreduce.reduce.memory.mb</name>
      <value>2048</value>
    </property>

    <property>
      <name>mapred.child.java.opts</name>
      <value>-Xmx1024m</value>
    </property>

</configuration>

# 模板文件：HADOOP_HOME/share/doc/hadoop/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml

6> slaves

shell > tail /usr/local/hadoop-2.9.1/etc/hadoop/slaves 
192.168.10.51
192.168.10.52
192.168.10.53

5、同步配置文件

shell > ansible slave -m synchronize -a 'src=/usr/local/hadoop-2.9.1 dest=/usr/local/'

6、启动 Hadoop

shell > su - hadoop -c "hdfs namenode -format"	# 格式化文件系统

18/06/03 16:24:39 INFO common.Storage: Storage directory /dfs/name has been successfully formatted.

# 表示成功

shell > su - hadoop
hadoop shell > start-dfs.sh		# 启动 hdfs
hadoop shell > start-yarn.sh	# 启动 yarn

hadoop shell > jps				# Master 节点服务启动成功
14032 ResourceManager
13745 SecondaryNameNode
14364 Jps
13406 NameNode

hadoop shell > ansible slave -m shell -a 'jps'	# Slave 节点服务启动成功
slave02 | SUCCESS | rc=0 >>
4324 DataNode
4936 Jps
4572 NodeManager

slave01 | SUCCESS | rc=0 >>
4807 DataNode
5065 NodeManager
5455 Jps

slave03 | SUCCESS | rc=0 >>
4720 DataNode
5365 Jps
4975 NodeManager

五、附加

1、hdfs dfs -ls		# 列出当前用户家目录

18/06/03 17:16:30 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
ls: `.': No such file or directory

解决方法：

1> 根据你 hadoop 的版本，来 http://dl.bintray.com/sequenceiq/sequenceiq-bin 下载一个对应版本的 hadoop-native-64 包

2> 解压压缩包，覆盖到 HADOOP_HOME/lib/native/ 目录下即可！

shell > tar xf hadoop-native-64-2.7.0.tar -C /usr/local/hadoop-2.9.1/lib/native/

hadoop shell > hdfs dfs -ls

ls: `.': No such file or directory		# 创建用户家目录即可 hdfs -mkdir -p /user/hadoop

# 如果没有对应版本就下载个最接近的也行，我的环境 hadoop 2.9.1，下载 2.7.0 没有问题。