Redhat 下hadoop简单搭建

一   hadoop简介

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。

 用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。
        Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。
        Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

Hadoop主从节点分解：


 
主节点包括名称节点、从属名称节点和 jobtracker 守护进程(即所谓的主守护进程)以及管理
集群所用的实用程序和浏览器。从节点包括 tasktracker 和数据节点(从属守护进程)。两种设
置的不同之处在于,主节点包括提供 Hadoop 集群管理和协调的守护进程,而从节点包括实现
Hadoop 文件系统(HDFS)存储功能和 MapReduce 功能(数据处理功能)的守护进程。

每个守护进程在  Hadoop 框架中的作用。namenode 是 Hadoop 中的主服务器,它管理文件系
统名称空间和对集群中存储的文件的访问。还有一个 s econdary  namenode,它不是
namenode 的冗余守护进程,而是提供周期检查点和清理任务。在每个 Hadoop 集群中可以找
到一个  namenode 和一个 secondary namenode。

datanode  管理连接到节点的存储(一个集群中可以有多个节点)。每个存储数据的节点运行一
个 datanode  守护进程。

每个集群有一个 jobtracker,它负责调度 datanode 上的工作。每个 datanode 有一个
tasktracker,它们执行实际工作。jobtracker 和 tasktracker 采用主-从形式,jobtracker 跨
datanode 分发工作,而 tasktracker 执行任务。jobtracker 还检查请求的工作,如果一个
datanode 由于某种原因失败,jobtracker 会重新调度以前的任务。

二  实验环境 rhel6.3  selinux  and  iptables  disabled,  sshd  enabled
    主机：172.25.254.2    master
                  172.25.254.3    slave
                  172.25.254.4    slave

三 实验配置
首先在master主机上装上jdk环境
sh jdk-6u32-linux-x64.bin   必须是1.6以上版本
然后新建hadoop用户
useradd  -u  1000    hadoop   为三台机子上都创建此用户     指定uid是为了后面的配置方便
 echo westos | passwd --stdin hadoop
mv       jdk1.6.0_32   /home/hadoop
cd /home/hadoop
chown   hadoop.hadoop     jdk1.6.0_32/
su  -hadoop
mv  hadoop-1.2.1.tar.gz     /home/hadoop
tar zxf hadoop-1.2.1.tar.gz
最终就是要修改如下

ln    -s    jdk1.6.0_32     java    方便后面管理
cd    /home/hadoop/hadoop-1.2.1/conf    
vim       hadoop-env.sh
export     JAVA_HOME=/home/hadoop/java   环境变量路径
cd    /home/hadoop/hadoop-1.2.1
mkdir  input
cp conf/*  input/
cd  conf/
先用自己做测试，即是masternode   又是slavenode
vim core-site.xml 

vim hdfs-site.xml


vim mapred-site.xml

做一个无密码的ssh认证
ssh-keygen  一路回车
ssh-copy-id 172.25.254.2

vim  masters
172.25.254.2

vim   slaves
172.25.254.2

格式化一个新的分布式文件系统:
 bin/hadoop namenode -format

bin/start-all.sh              启动 Hadoop 守护进程

bin/stop-all.sh              关闭 Hadoop 守护进程
 bin/hadoop fs -put input/ test      往test中存放一些测试数据

运行发行版提供的示例程序:
time bin/hadoop jar  hadoop-examples-1.2.1.jar grep test  output  'dfs[a-z.]+'

然后在浏览器里就可以查看了

接下来做多节点的操作
首先关闭master上的hadoop
将   hdfs-site.xml  文将中的  1  改为2

vim  slaves
172.25.254.3
172.25.254.4

为了方便起见，在master上面用nfs文件将那些配置文件共享过去
yum  install -y  nfs-utils

vim /etc/exports
/home/hadoop   *(rw,anonuid=1000,anongid=1000)

/etc/init.d/rpcbind        start
/etc/init.d/nfs           start

然后在3 和4上
yum install  -y  nfs-utils  
showmount -e 172.25.254.2    如果有资源证明正常
useradd  hadoop
echo  westos | passwd   --stdin
 mount 172.25.254.2:/home/hadoop/  /home/hadoop/
然后再master上关闭hadoop，格式化，重启
bin/hadoop dfsadmin  -report    查看信息


在master上在线添加节点 （与上面添加3，4差不多，可由上面的图进行对比）

1. 在新增节点上安装 jdk,并创建相同的 hadoop 用户,uid 等保持一致
2. 在 conf/slaves 文件中添加新增节点的 ip
3. 同步 master 上 hadoop 所有数据到新增节点上,路径保持一致
4. 在新增节点上启动服务:
$ bin/hadoop-daemon.sh start datanode
$ bin/hadoop-daemon.sh start tasktracker
5. 均衡数据:
$ bin/start-balancer.sh
1)如果不执行均衡,那么 cluster 会把新的数据都存放在新的 datanode 上,这样会降低 mapred
的工作效率
2)设置平衡阈值,默认是 10%,值越低各节点越平衡,但消耗时间也更长
$ bin/start-balancer.sh -threshold 5

hadoop 在线删除 datanode 节点:
由上可知  datanode  为两个  172.25.254.3  和 172.25.254.4 
现在我们在线去除节点4
1. 在 master 上修改 conf/mapred-site.xml

dfs.hosts.exclude
/home/hadoop/hadoop-1.2.1/conf/datanode-excludes

2. 创建 datanode-excludes 文件,并添加需要删除的主机,一行一个
172.25.254.4
3.此操作会在后台迁移数据,等此节点的状态显示为 Decommissioned,就可以安全关闭了。
这时候172.25.254.4就如下图


Hadoop 在线删除 tasktracker 节点:

1. 在 master 上修改 conf/mapred-site.xml

mapred.hosts.exclude
/home/hadoop/hadoop-1.2.1/conf/tasktracker-excludes

2. 创建 tasktracker-excludes 文件,并添加需要删除的主机名,一行一个
server51.example.com
3. 在 master 上在线刷新节点
$ bin/hadoop mradmin -refreshNodes
4. 登录 jobtracker 的网络接口,进行查看。