Hadoop入门进阶步步高（五）-搭建Hadoop集群
Hadoop入门进阶步步高（五）-搭建Hadoop集群
五、搭建Hadoop集群
上面的步骤，确认了单机可以执行Hadoop的伪分布执行，真正的分布式执行无非也就是多几台slave机器而已，配置方面的有一点点区别，配置起来就非常简单了。
1、准备三台服务器
192.168.56.101 192.168.56.102 192.168.56.103 |
在每台机器的/etc/hosts中都将ip及hostname给映射上：
192.168.56.101 nginx1 192.168.56.102 nginx2 192.168.56.103 nginx3 |
其中192.168.56.101为前面配置的那台服务器，用于做为namenode及jobtracker，另外两台用于做slaves，用于执行datanode及tasktracker。
要使某台服务器成为namenode，必须在要core-site.xml中指定它；要使某个节点成为jobtracker，必须在mapred-site.xml指定它，这个参见第5点中的core-site.xml以及mapred-site.xml的配置。
对Hadoop来说，从hdfs的角度来看有namenode及datanode，namenode只能够有一个，而datanode可以有多个，namenode存放的是datanode中文件的元数据，客户端通过namenode获取datanode中文件的信息；从jobtracker角度来说看有jobtracker及tasktracker，jobtracker只能够有一个，而tasktracker可以有多外，tasktracker通过jobtracker来调度。
在本例中使用192.168.56.101做为namenode及jobtracker，使用192.168.56.102做为secondarynamenode、datanode以及tasktracker，使用192.168.56.103做为datanode以及tasktracker，详情参见下面的配置。
2、三台服务器要具有一致的配置信息
1）、JDK的路径必须相同；
2）、操作Hadoop的用户必须相同；
3）、Hadoop的存放路径必须相同；
Slave机器上的hadoop可直接将namenode上面的hadoop拷贝过去，不用做任何修改，只要路径放置就可以了；
4）、每台机器~/.ssh目录下存放相同的id_rsa及authorized_keys
将namenode的机器上的~/.ssh/id_rsa及authorized_keys拷贝到每台slave机器上的~/.ssh中，当然slave机器中也必须是安装了ssh的了，然后在每台机器上都通过ssh访问一下其它的两台机器，确保都是可以不输入密码访问的。
5）、三台机器的/etc/profile中的内容相同；
3、修改$HADOOP_HOME/conf/slaves文件
这个文件存放的是所有datanode的IP或者机器名，每行指定一个。我们这里使用nginx2及nginx3来做为datanode，因此slaves文件的配置如下：
nginx2 nginx3 |
4、修改$HADOOP_HOME/conf/masters文件（此例中可选）
masters文件中放置的是secondarynamenode的机器名，其中默认的内容为“localhost”，但是在生产环境中，肯定不会将namenode和secondarynamenode放置在同一台服务器上，在此例中我就将secondarynamename设置在第二台服务器上，那么此时文件中的内容应该如下：
#这里只使用一台做为secondarynamenode nginx2 #nginx3 |
5、修改core-site.xml、mapred-site.xml及hdfs-site.xml
只需要做简单的修改就可以了，不同点以红色字体标识出。
core-site.xml：
<configuration> <property> <!-- 用于设置Hadoop的文件系统，由URI指定，value对应的服务器就是namenode所在的服务器及端口，secondarynamenode通过在masters这个文件中指定 --> <name>fs.default.name</name> <value>hdfs://nginx1:9000</value> </property> <property> <!-- 配置Hadoop的临时目录，默认在/tmp目录下，但是/tmp上面可能会被系统自动清理掉。--> <name>hadoop.tmp.dir</name> <!-- 目录如果不存在，需要手动创建 --> <value>/home/fenglibin/hadoop_tmp</value> <description>A base for other temperary directory</description> </property> </configuration> |
mapred-site.xml：
<configuration> <property> <!-- value对应的值为jobtracker所在的服务器及端口，tasktracker在slaves中指定 --> <name>mapred.job.tracker</name> <value>nginx1:9001</value> </property> </configuration> |
hdfs-site.xml：
<configuration> <property> <!-- 指定其副本数，value的值表示副本的数量 --> <name>dfs.replication</name> <!-- 这里有两台datanode --> <value>2</value> </property> </configuration> |
6、启动验证
6.1查看进程
DataNode都是通过NameNode启动起来的，因而启动的时候只需要在NameNode上执行start-all.sh就可以了，此时我们查看各服务器中的进程。
Nginx1（NameNode）所在服务器：
fenglibin@ubuntu1110:/usr/local/hadoop-1.2.1$ jps 2834 NameNode 3011 JobTracker 3108 Jps |
Ngnix2：
fenglibin@ubuntu11102:~$ jps 984 DataNode 1075 TaskTracker 919 SecondaryNameNode 1420 Jps |
Ngnix3：
fenglibin@ubuntu11103:~$ jps 1374 Jps 1021 TaskTracker 846 DataNode |
从上面的进程信息，可以看到nginx1中启动了namenode及jobtracker,，nginx2和nginx3都分别启动了DataNode及TaskTracker，只是nginx2中比nginx3中多启动了一个SecondaryNameNode，这也是我们希望的结果。
通过如下命令：
hadoop dfsadmin -report |
可得到如下输出：
Warning: $HADOOP_HOME is deprecated.
Safe mode is ON Configured Capacity: 15283421184 (14.23 GB) Present Capacity: 10592149504 (9.86 GB) DFS Remaining: 10591629312 (9.86 GB) DFS Used: 520192 (508 KB) DFS Used%: 0% Under replicated blocks: 20 Blocks with corrupt replicas: 0 Missing blocks: 0
------------------------------------------------- Datanodes available: 2 (2 total, 0 dead)
Name: 192.168.56.102:50010 Decommission Status : Normal Configured Capacity: 7641710592 (7.12 GB) DFS Used: 307200 (300 KB) Non DFS Used: 2733502464 (2.55 GB) DFS Remaining: 4907900928(4.57 GB) DFS Used%: 0% DFS Remaining%: 64.23% Last contact: Sun Jun 15 15:46:39 CST 2014
Name: 192.168.56.103:50010 Decommission Status : Normal Configured Capacity: 7641710592 (7.12 GB) DFS Used: 212992 (208 KB) Non DFS Used: 1957769216 (1.82 GB) DFS Remaining: 5683728384(5.29 GB) DFS Used%: 0% DFS Remaining%: 74.38% Last contact: Sun Jun 15 15:46:39 CST 2014 |
6.2 集群状态监控页面
查看namenode的状态
namenode是布署在192.168.56.101上，只需要输入：
http://192.168.56.101:50070
即可查看namenode的状态，如下图所示：
查看jobtracker的状态
因jobtracker和namenode是布署在同一台机器上的，输入：
http://192.168.56.101:50030
即可查看jobtracker的状态，如下图所示：
查看secondarynamenode的状态
Secondarynamenode是布署在192.168.56.102上面，输入：
http://192.168.56.102:50090
即可查看其状态，如下：
查看192.168.56.102上面的tasktracker的状态，打入：
http://192.168.56.102:50060
查看状态，如下：
从上面可以看出，监控的服务，都是以“500*”端口对外提供服务，不过这里发现一个问题，同为datanode以及tasktracker的192.168.56.103上面却没有开启一个“500*”这样的端口，而192.168.56.102上却开启除secondarynamenode之外的其它4个“500*”这样的端口：
192.168.56.102：
其中端口50090是secondarynamenode的监控端口，而50060是tasktracker的监控端口，而50010、50075以及50020都是datanode使用的端口。
而在192.168.56.103上，却只开了两个端口：
分别与namenode以及jobtracker相连着的。
为什么在192.168.56.103上面tasktracker以及datanode的监控呢？
评论暂时关闭