hadoop入门手册1：hadoop【2.7.1】【多节点】集群配置【必知配置知识1】

问题导读

1.说说你对集群配置的认识？
2.集群配置的配置项你了解多少？
3.下面内容让你对集群的配置有了什么新的认识？

目的

目的1：
这个文档描述了如何安装配置hadoop集群，从几个节点到上千节点。为了学习hadoop，你可能先从单节点入手 (查看 Single Node Setup).这里有中文版hadoop2.7【单节点】单机、伪分布、分布式安装指导
 http://www.aboutyun.com/thread-12798-1-1.html
这个文档不包括：hadoop在安全模式下配置和HA【高可用配置】，后面在更新

目的2：
我们看了很多集群配置文档，你是否静下心来，想集群配置到底是怎么一回事。

准备

1.安装Java
2.下载hadoop包
##################################
包集合：
hadoop家族、strom、spark、Linux、flume等jar包、安装包汇总下载(持续更新)
http://www.aboutyun.com/thread-8178-1-1.html
##################################
安装

安装hadoop集群包括：解压包，配置hadoop，划分主节点和子节点。

集群中可以将namenode和ResourceManager分布在不同的机器上，这些称之为master。其它服务例如：Web App Proxy Server 和 MapReduce Job History server，根据负载可以共享设施或则使用专用的机器。

集群其它机器作为 DataNode 和 NodeManager.这些是slaves

配置hadoop【非安全模式】

hadoop配置文件被分为两类：

1.只读默认配置，有下列配置文件
core-default.xml, hdfs-default.xml, yarn-default.xml and mapred-default.xml.

2.定制配置，有下列配置文件
etc/hadoop/core-site.xml, etc/hadoop/hdfs-site.xml, etc/hadoop/yarn-site.xml and etc/hadoop/mapred-site.xml.

另外你可以配置hadoop脚本，在hadoop的bin目录下，通过 etc/hadoop/hadoop-env.sh 和 etc/hadoop/yarn-env.sh来指定值。

配置hadoop集群需要配置环境变量，Hadoop守护进程执行以及Hadoop守护进程的配置参数。如果没有配置过集群，可能对这个了解不多，具体参考
hadoop（2.x）以hadoop2.2为例完全分布式最新高可靠安装文档
 http://www.aboutyun.com/thread-7684-1-1.html

hdfs守护进程：
NameNode, SecondaryNameNode, 和 DataNode

YARN 守护进程：
ResourceManager, NodeManager, 和 WebAppProxy

如果运行MapReduce ， MapReduce Job History Server也会运行。前提需要配置并开启。对于比较大的集群安装，他们分别运行在不同的客户端。

配置守护进程环境变量
管理员使用 etc/hadoop/hadoop-env.sh ， etc/hadoop/mapred-env.sh 和 etc/hadoop/yarn-env.sh 脚本来定制hadoop守护进程变量。
至少需要需要指定JAVA_HOME ，每个节点都必须指定。

管理员可以配置单独的守护进程，使用下面的选项。

Daemon	Environment Variable
NameNode	HADOOP_NAMENODE_OPTS
DataNode	HADOOP_DATANODE_OPTS
Secondary NameNode	HADOOP_SECONDARYNAMENODE_OPTS
ResourceManager	YARN_RESOURCEMANAGER_OPTS
NodeManager	YARN_NODEMANAGER_OPTS
WebAppProxy	YARN_PROXYSERVER_OPTS
Map Reduce Job History Server	HADOOP_JOB_HISTORYSERVER_OPTS

例如：配置Namenode 使用parallelGC,在 hadoop-env.sh 声明如下：

[Bash shell] 纯文本查看复制代码?

1	`export` `HADOOP_NAMENODE_OPTS="-XX:+UseParallelGC"`

查看 etc/hadoop/hadoop-env.sh 其它例子

其它可定义的有用参数包括

HADOOP_PID_DIR – 存储守护进程id的文件目录.
HADOOP_LOG_DIR – 存储守护进程日志文件目录. 日志文件自动创建如果不存在。
HADOOP_HEAPSIZE / YARN_HEAPSIZE -heapsize内存最大配置.如果变量为1000， heap 是1000MB. 这是为守护进程配置heap. 默认值1000M.

在大多数情况下，应该指定HADOOP_PID_DIR 和 HADOOP_LOG_DIR，他们由用户运行hadoop守护进程所写，否则可能是潜在攻击。

传统配置HADOOP_PREFIX 在系统级环境变量配置，例如一个简单的脚本 /etc/profile.d:

[Bash shell] 纯文本查看复制代码?

12	`HADOOP_PREFIX=/path/to/hadoopexport` `HADOOP_PREFIX`

Daemon	Environment Variable
ResourceManager	YARN_RESOURCEMANAGER_HEAPSIZE
NodeManager	YARN_NODEMANAGER_HEAPSIZE
WebAppProxy	YARN_PROXYSERVER_HEAPSIZE
Map Reduce Job History Server	HADOOP_JOB_HISTORYSERVER_HEAPSIZE

配置hadoop守护进程

本节涉及在给定的配置文件中指定的重要参数：

etc/hadoop/core-site.xml

Parameter	Value	Notes
fs.defaultFS	NameNode URI	hdfs://host:port/
io.file.buffer.size	131072	读写序列文件缓存大小

etc/hadoop/hdfs-site.xml

配置NameNode:

彻底了解namenode

Parameter	Value	Notes
dfs.namenode.name.dir	本地文件系统存储着命令空间和操作日志	如果含有多个目录，是冗余的【多个目录以逗号隔开】
dfs.hosts / dfs.hosts.exclude	列出排除DataNodes.	如何需要使用这一功能来控制datanode的访问
dfs.blocksize	268435456	大文件系统HDFS blocksize 256MB
dfs.namenode.handler.count	100	更多 NameNode server 线程来处理来自datanode的 RPCs请求

配置 DataNode:

Parameter	Value	Notes
dfs.datanode.data.dir	存储blocks的本地路径列表，用逗号隔开	这是一个逗号分隔的目录列表, 数据将被存储在所有被命名的目录中，通常在不同的设备上。

etc/hadoop/yarn-site.xml
配置ResourceManager 和 NodeManager:

Parameter	Value	Notes
yarn.acl.enable	true / false	是否启用ACLs，默认为false不启用
yarn.admin.acl	Admin ACL	admin.acl设置YARN的集群管理员,. 值为*表示任何人都可以. 仅指定的可以访问
yarn.log-aggregation-enable	false	配置启用或则禁用日志

配置ResourceManager:

Parameter	Value	Notes
yarn.resourcemanager.address	ResourceManager host:port 为客户端提交job.	如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
yarn.resourcemanager.scheduler.address	ResourceManager 对ApplicationMaster暴露的访问地址。ApplicationMaster通过该地址向RM申请资源、释放资源等。	如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
yarn.resourcemanager.resource-tracker.address	ResourceManager 对NodeManager暴露的地址.。NodeManager通过该地址向RM汇报心跳，领取任务等。	如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
yarn.resourcemanager.admin.address	ResourceManager 对管理员暴露的访问地址。管理员通过该地址向RM发送管理命令等	如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
yarn.resourcemanager.webapp.address	ResourceManager web-ui host:port（ResourceManager访问端口）	如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
yarn.resourcemanager.hostname	ResourceManager 客户端.	host Single hostname that can be set in place of setting all yarn.resourcemanager*address resources. Results in default ports for ResourceManager components.
yarn.resourcemanager.scheduler.class	ResourceManager 调度类 .	CapacityScheduler (recommended), FairScheduler (also recommended), or FifoScheduler
yarn.scheduler.minimum-allocation-mb	单个container可申请的最小内存资源量。比如设置为1024，则运行MapRedce作业时，每个Task最少可申请1024MB内存	In MBs
yarn.scheduler.maximum-allocation-mb	单个container可申请的最大内存资源量。比如设置为3072，则运行MapRedce作业时，每个Task最多可申请3072MB内存。	In MBs
yarn.resourcemanager.nodes.include-path /yarn.resourcemanager.nodes.exclude-path	NodeManager黑白名单。	NodeManager黑白名单。如果发现若干个NodeManager存在问题，比如故障率很高，任务运行失败率高，则可以将之加入黑名单中。注意，这两个配置参数可以动态生效。（调用一个refresh命令即可）默认值：“”

配置 NodeManager:

Parameter	Value	Notes
yarn.nodemanager.resource.memory-mb	NodeManager总的可用物理内存。	定义了资源总量的nodemanager可用运行containers
yarn.nodemanager.vmem-pmem-ratio	每使用1MB物理内存，最多可用的虚拟内存数。	每个任务的虚拟内存的使用可能会超过其物理内存的限制，这个比例。通过对nodemanager任务使用的虚拟内存总量可能超过物理内存使用的比率。
yarn.nodemanager.local-dirs	中间结果存放位置	这个参数通常会配置多个目录，分摊磁盘IO负载。
yarn.nodemanager.log-dirs	日志存放路径	这个参数通常会配置多个目录，分摊磁盘IO负载。
yarn.nodemanager.log.retain-seconds	10800	NodeManager上日志最多存放时间（不启用日志聚集功能时有效）。
yarn.nodemanager.remote-app-log-dir	/logs	当应用程序运行结束后，日志被转移到的HDFS目录（启用日志聚集功能时有效）。
yarn.nodemanager.remote-app-log-dir-suffix	logs	远程日志目录子目录名称（启用日志聚集功能时有效）。
yarn.nodemanager.aux-services	mapreduce_shuffle	NodeManager上运行的附属服务。需配置成mapreduce_shuffle，才可运行MapReduce程序.

配置 History Server (Needs to be moved elsewhere):

Parameter	Value	Notes
yarn.log-aggregation.retain-seconds	-1	参数解释：在HDFS上聚集的日志最多保存多长时间。默认值：-1
yarn.log-aggregation.retain-check-interval-seconds	-1	参数解释：多长时间检查一次日志，并将满足条件的删除，如果是0或者负数，则为上一个值的1/10。默认值：-1

etc/hadoop/mapred-site.xml
配置MapReduce Applications:

mapreduce.map.memory.mb
mapreduce.reduce.memory.mb
说明：这两个参数指定用于MapReduce的两个任务（Map and Reduce task）的内存大小，其值应该在RM中的最大最小container之间。如果没有配置则通过如下简单公式获得：
max(MIN_CONTAINER_SIZE, (Total Available RAM) / containers))
一般的reduce应该是map的2倍。注：这两个值可以在应用启动时通过参数改变；

mapreduce.map.java.opts
mapreduce.reduce.java.opts
说明：这两个参主要是为需要运行JVM程序（java、scala等）准备的，通过这两个设置可以向JVM中传递参数的，与内存有关的是，-Xmx，-Xms等选项。此数值大小，应该在AM中的map.mb和reduce.mb之间。

Parameter	Value	Notes
mapreduce.framework.name	yarn	执行框架设置为Hadoop YARN.
mapreduce.map.memory.mb	1536	maps资源限制
mapreduce.map.java.opts	-Xmx1024M	maps的child jvms heap-size
mapreduce.reduce.memory.mb	3072	reduces资源限制
mapreduce.reduce.java.opts	-Xmx2560M	reduces的child jvms heap-size
mapreduce.task.io.sort.mb	512	任务内部排序缓冲区大小
mapreduce.task.io.sort.factor	100	排序文件的时候一次同时最多可并流的个数，这里设置100。
mapreduce.reduce.shuffle.parallelcopies	50	reuduce shuffle阶段并行传输数据的数量。

配置MapReduce JobHistory Server:

Parameter	Value	Notes
mapreduce.jobhistory.address	MapReduce JobHistory Server地址【host:port】	默认端口号 10020.
mapreduce.jobhistory.webapp.address	MapReduce JobHistory Server Web UI地址【 host:port】	默认端口号 19888.
mapreduce.jobhistory.intermediate-done-dir	/mr-history/tmp	MapReduce作业产生的日志存放位置。
mapreduce.jobhistory.done-dir	/mr-history/done	MR JobHistory Server管理的日志的存放位置。