搭建hadoop集群

一、前言
      本文假设你对hadoop有理论上的了解，因此不对hadoop及其涉及的概念做基本介绍，仅记录如何搭建一个可用的hadoop集群。不过提到hadoop不得不提引导其出生的Google发表的MapReduce论文，顺便感慨下Google的强大。最近Google的风头逐渐被如日中天的Facebook盖过，再顺便感慨下互联网时代的风云变幻。

二、搭建
1、准备工作
      要搭建一个物理上的hadoop集群，首先你得有几台机器吧，配置不用高，hadoop提倡的就是在低廉的物理设备上提供可靠的高性能计算能力。机器上装好Linux系统，JDK，ssh和hadoop。我用的是Ubuntu11.04,openjdk1.6和hadoop-0.19.1。另外配置好JAVA_HOME, HADOOP_HOME等环境变量，将HADOOP_HOME/bin加入PATH中。你可以去这里，根据上面的快速入门文档，在单机上跑一跑，看是否做好了全部准备工作。另外hadoop比较依赖JDK版本，0.19.x必须1.5以上版本，0.20.x则需1.6以上版本，如果你在配置集群或者运行MapReduce程序时出现莫名其妙的问题时需要检查你的JDK版本，可以去这里看看。

2、基础配置
      首先确保你每台机器名不一样，改机器名修改这个文件/etc/hostname。通常，集群里的一台机器被指定为 NameNode，另一台不同的机器被指定为JobTracker。这些机器是masters，可以是一台机器。余下的机器即作为DataNode也作为TaskTracker,这些机器是slaves。配置/etc/hosts文件指定master和slave的IP地址，我的配置如图所示：

      进入hadoop根目录下的conf目录，修改masters和slaves文件，将我们的机器名添加进masters文件，slave机器名添加进slaves文件，注意一行一个。
      修改conf目录下的hadoop-site.xml文件，下面是我在网上找到的一些配置信息，直接copy进去可用（注意里面目录信息记得根据自身机器情况进行修改）：
<configuration>
<property>
   <name>fs.default.name</name>
   <value>hdfs://master:54310/</value>
</property>
<property>
   <name>mapred.job.tracker</name>
   <value>hdfs://master:54311/</value>
</property>
<property>
   <name>dfs.replication</name>
   <value>3</value>                                     #指定 HDFS 中每个 Block 被复制的次数，起数据冗余备份的作用。在典型的生产系统中，这个数常常设置为3
</property>
<property>
    <name>hadoop.tmp.dir</name>
    <value>/home/hadoop/tmp/</value>      #hadoop的tmp目录路径
</property>
<property>
  <name>dfs.name.dir</name>
  <value>/home/hadoop/name/</value>      #hadoop的name目录路径
</property>
<property>
   <name>mapred.child.java.opts</name>
   <value>-Xmx512m</value>                        #进程
</property>
<property>
  <name>dfs.block.size</name>
  <value>67108864</value>
</property>                                                    #新文件默认block大小
<property>  
  <name>dfs.permissions</name>  
  <value>false</value>                                   #效验HDFS文件系统权限
</property>  
<property>  
   <name>dfs.web.ugi</name>  
   <value>hadoop,supergroup</value>          #hadoop页面访问权限
</property>
<property>
   <name>heartbeat.recheck.interval</name>
   <value>5000</value>                                  #心跳间隔时间，5000秒=40分
</property>
</configuration>
这些都需要在每台机器里面配置，不同的是slaves中配置hadoop-site.xml文件时去掉
<property>
  <name>dfs.name.dir</name>
  <value>/home/hadoop/name/</value> 
</property>
改成：
<property>
  <name>dfs.data.dir</name>
  <value>/home/hadoop/data/</value> 
</property>
最后在hadoop根目录下建立临时文件目录tmp。

3、配置ssh
      虽然hadoop框架本身不需要ssh，但是它的守护程序（比如TaskTracker，DataNode）需要用到，所以要配置ssh，保证命令执行时不需要再输入密码，根据前人 经验，如果都是Master启动和关闭hadoop的话只需要建立单向（master到slaves）ssh连接就可以了。配置的方法网上很多，前面的链接里面都有提到，这里就不再赘述了。

4、启动hadoop集群
      启动Hadoop集群需要启动HDFS集群和Map/Reduce集群。启动之前需要格式化一个新的分布式文件系统，在master机器上运行：hadoop namenode –dfs。输入命令：start-dfs.sh启动HDFS，输入：start-mapred.sh启动MapReduce。也可以输入start-all.sh启动所有。

5、 验证
      输入命令：netstat –tnl可以看到hadoop的一些端口都已经开放了。在浏览器输入

http://master:50030

http://master:50070

均可正常访问。在集群正常运行时可以访问这两个地址查看集群运行状况。

6、加入hadoop集群
      如果一个hadoop集群已经在运行中，你又有了一些slave机器或者是宕掉的机器想加入这个集群，前者需要在master机器的HADOOP_HOME/conf/slaves文件中添加自己的机器名，再执行：
      hadoop-daemon.sh start datanode
      hadoop-daemon.sh start tasktracker
即可不用停掉集群动态添加进去。

7、停止hadoop集群
      stop-dfs.sh停用HDFS, stop-mapred.sh停用MapReduce。或者输入stop-all.sh。

三、总结
      集群的搭建工作并不是一件太难的事情，关键在于深入了解hadoop的内部运行机制，根据不同的情况对集群做一些优化配置，特殊的情况需要对hadoop源码进行一些改进。集群的配置还需要根据长期的生产运行跟进监控，不断的改进使它更适合我们的生产环境，没有最好的配置，只有最适合我们的配置。