大数据测试之hadoop集群配置和测试

一、准备（所有节点都需要做）：
系统：Ubuntu12.04
java版本：JDK1.7
SSH（ubuntu自带）
三台在同一ip段的机器，设置为静态IP
机器分配：一台master,两台slave

主机信息是(hosts文件添加如下信息)：
192.168.88.123 h1
192.168.88.124 h2
192.168.88.125 h3
其中第一项是内网IP ，第二项是主机名

各节点作用：
h1：NameNode、JobTracker
h2:DataNode、TaskTracker
h3:DataNode、TaskTracker

a.安装SSH：
sudo apt-get install ssh
测试：ssh localhost
输入当前用户的密码回车 没异常说明安装成功
b.开启SSHD服务：
安装：sudo apt-get install openssh-server
确认是否启动：
ps -e | grep ssh
找到到sshd,有即启动了。
c.创建Hadoop用户(名为grid)
adduser grid

二、配置Hadoop
　　1.无密码登陆
　　在Hadoop启动以后，Namenode是通过SSH（Secure Shell）来启动和停止各个datanode上的各种守护进程的，这就须要在节点之间执行指令的时候是不须要输入密码的形式，故我们须要配置SSH运用无密码公钥认证的形式。
　首先设置namenode的ssh为无需密码的、自动登陆。
　　换切到grid用户
　　su grid
　　cd
　　ssh-keygen -t rsa
　　完成后会在grid目录产生隐藏文件.ssh，通过ls查看，然后
　　cp id_rsa.pub authorized_keys
　　测试
　　ssh h1
　　第一次会提示确认继续连接，打yes,这会把该服务器添加到你的已知主机列表中
　　同样在h2,h3上做以上操作
　　最后，如何使各个节点相互访问不需要密码，将三个节点的authorized_keys文件里面的内容合成一个文件然后替换掉原来的，替换完毕后可以用 
　　ssh XX（XX为主机名）
　　相互测试是否连接成功。

　　2.配置Hadoop文件：
在hadoop/conf目录下修改文件有hadoop-env.sh，core-site.xml，hdfs-site.xml，mapred-site.xml，master，slaves
hadoop-env.sh
修改JAVA_HOME路径
export JAVA_HOME=/usr/lib/jvm/jdk1.7.0_45
记得去掉前面的#
core-site.xml:
<?xml version=”1.0″?>
<?xml-stylesheet type=”text/xsl” href=”configuration.xsl”?>

<!– Put site-specific property overrides in this file. –>

<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://h1:49000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/grid/var</value>
</property>
</configuration>

1）fs.default.name是NameNode的URI。hdfs://主机名:端口/
2）hadoop.tmp.dir ：Hadoop的默认临时路径，这个最好配置，如果在新增节点或者其他情况下莫名其妙的DataNode启动不了，就删除此文件中的tmp目录即可。不过如果删除了NameNode机器的此目录，那么就需要重新执行NameNode格式化的命令。

hdfs-site.xml:
<?xml version=”1.0″?>
<?xml-stylesheet type=”text/xsl” href=”configuration.xsl”?>

<!– Put site-specific property overrides in this file. –>

<configuration>
<property>
<name>dfs.name.dir</name>
<value>/home/grid/name1,/home/grid/name2</value> 
<description> </description>
</property>
<property>
<name>dfs.data.dir</name>
<value>/home/grid/data1,/home/grid/data2</value>
<description> </description>
</property>
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
</configuration>
1） dfs.name.dir是NameNode持久存储名字空间及事务日志的本地文件系统路径。 当这个值是一个逗号分割的目录列表时，nametable数据将会被复制到所有目录中做冗余备份。
2） dfs.data.dir是DataNode存放块数据的本地文件系统路径，逗号分割的列表。 当这个值是逗号分割的目录列表时，数据将被存储在所有目录下，通常分布在不同设备上。
3）dfs.replication是数据需要备份的数量，默认是3，如果此数大于集群的机器数会出错。

注意：此处的name1、name2、data1、data2目录不能预先创建，hadoop格式化时会自动创建，如果预先创建反而会有问题。

mapred-site.xml
<?xml version=”1.0″?>
<?xml-stylesheet type=”text/xsl” href=”configuration.xsl”?>

<!– Put site-specific property overrides in this file. –>

<configuration>
<property>
<name>mapred.job.tracker</name>
<value>h1:49001</value> 
</property>
<property>
<name>mapred.local.dir</name>
<value>/home/grid/var</value>
</property>
</configuration>
1）mapred.job.tracker是JobTracker的主机（或者IP）和端口。主机:端口。

配置masters和slaves主从结点
master

slaves
h2
h3

配置完毕，把配置好的hadoop文件夹拷贝到其他集群的机器上，并保证其他机器的JDK 安装路径一致（如果不一致就另外再修改配置文件conf/hadoop-env.sh憋）

scp -r /home/grid/hadoop-0.20.2 grid@h2:/home/grid

scp -r /home/grid/hadoop-0.20.2 grid@h2:/home/grid
三、启动Hadoop

1、先格式化一个新的分布式文件系统

cd

bin/hadoop namenode -format

成功后系统输出：

INFO common.Storage: Storagedirectory /opt/hadoop/hadoopfs/name2 has been successfully formatted.

这一行，看到successfully单词木有，格式化成功。

执行完后可以到master机器上看到/home/hadoop//name1和/home/hadoop//name2两个目录。

2.启动所有节点

在主节点master上面启动hadoop，主节点会启动所有从节点的hadoop。

cd

bin/start-all.sh(同时启动HDFS和Map/Reduce)

输出：

grid@h1:~/hadoop-0.20.2$ bin/start-all.sh
starting namenode, logging to /home/grid/hadoop-0.20.2/bin/../logs/hadoop-grid-namenode-h1.out
h2: starting datanode, logging to /home/grid/hadoop-0.20.2/bin/../logs/hadoop-grid-datanode-h2.out
h3: starting datanode, logging to /home/grid/hadoop-0.20.2/bin/../logs/hadoop-grid-datanode-h3.out
h1: starting secondarynamenode, logging to /home/grid/hadoop-0.20.2/bin/../logs/hadoop-grid-secondarynamenode-h1.out
starting jobtracker, logging to /home/grid/hadoop-0.20.2/bin/../logs/hadoop-grid-jobtracker-h1.out
h2: starting tasktracker, logging to /home/grid/hadoop-0.20.2/bin/../logs/hadoop-grid-tasktracker-h2.out
h3: starting tasktracker, logging to /home/grid/hadoop-0.20.2/bin/../logs/hadoop-grid-tasktracker-h3.out
没有出现什么Error或Warming之类的就表示运行成功了

运行成功后看看程序是否正常

/usr/lib/jvm/jdk1.7.0_45/bin//jps

可以看到在h1结点上有进程

2928 NameNode
3319 Jps
3105 SecondaryNameNode
3184 JobTracker

很熟悉的字眼我就不多说了，在slaves结点上也检测下是否正常，会有

TaskTracker,DataNode

若没缺少以上进程即配置有问题。

四、测试

建一个目录，里面建两个txt文件，用hadoop项目现有的hadoop-0.20.2-examples.jar例子测试txt里面单词的出现次数。

cd

mkdir input

cd input

echo “hello world” > test1.txt

echo “hello hadoop” > test2.txt

建完文件后，将文件放到HDFS系统的in目录上

cd ../hadoop-0.20.2

bin/hadoop dfs -put ../input in

测试了，运行

bin/hadoop jar hadoop-0.20.2-examples.jar wordcount in out

会出现一系列的运行信息
grid@h1:~/hadoop-0.20.2$ bin/hadoop jar hadoop-0.20.2-examples.jar wordcount in out
14/10/12 14:04:05 INFO input.FileInputFormat: Total input paths to process : 2
14/10/12 14:04:06 INFO mapred.JobClient: Running job: job_201312261337_0006
14/10/12 14:04:07 INFO mapred.JobClient: map 0% reduce 0%
14/10/12 14:04:14 INFO mapred.JobClient: map 50% reduce 0%
14/10/12 14:04:15 INFO mapred.JobClient: map 100% reduce 0%
14/10/12 14:04:23 INFO mapred.JobClient: map 100% reduce 100%
14/10/12 14:04:25 INFO mapred.JobClient: Job complete: job_201312261337_0006
14/10/12 14:04:25 INFO mapred.JobClient: Counters: 17
14/10/12 14:04:25 INFO mapred.JobClient: Job Counters 
14/10/12 14:04:25 INFO mapred.JobClient: Launched reduce tasks=1
14/10/12 14:04:25 INFO mapred.JobClient: Launched map tasks=2
14/10/12 14:04:25 INFO mapred.JobClient: Data-local map tasks=2
14/10/12 14:04:25 INFO mapred.JobClient: FileSystemCounters
14/10/12 14:04:25 INFO mapred.JobClient: FILE_BYTES_READ=55
14/10/12 14:04:25 INFO mapred.JobClient: HDFS_BYTES_READ=25
14/10/12 14:04:25 INFO mapred.JobClient: FILE_BYTES_WRITTEN=180
14/10/12 14:04:25 INFO mapred.JobClient: HDFS_BYTES_WRITTEN=25
14/10/12 14:04:25 INFO mapred.JobClient: Map-Reduce Framework
14/10/12 14:04:25 INFO mapred.JobClient: Reduce input groups=3
14/10/12 14:04:25 INFO mapred.JobClient: Combine output records=4
14/10/12 14:04:25 INFO mapred.JobClient: Map input records=2
14/10/12 14:04:25 INFO mapred.JobClient: Reduce shuffle bytes=61
14/10/12 14:04:25 INFO mapred.JobClient: Reduce output records=3
14/10/12 14:04:25 INFO mapred.JobClient: Spilled Records=8
14/10/12 14:04:25 INFO mapred.JobClient: Map output bytes=41
14/10/12 14:04:25 INFO mapred.JobClient: Combine input records=4
14/10/12 14:04:25 INFO mapred.JobClient: Map output records=4
14/10/12 14:04:25 INFO mapred.JobClient: Reduce input records=4

没有什么Error或Warming之类的字眼特别是有
map 100% reduce 100%
表示成功运行了，结果可一输入

bin/hadoop dfs -cat out/*

看到结果

hadoop 1
hello 2
world 1