《深入解析YARN架构设计与实现原理》第1章 环境准备【1.5】

javazx

1.5 Hadoop初体验
一般而言， 我们想要深入学习一个新的系统时， 首先要尝试使用该系统， 了解系统对外提供的功能， 然后再通过某个功能逐步深
入其实现细节。 本节将介绍如何在 伪分布式工作模式 [4] 下使用Hadoop， 包括搭建Hadoop环境、 访问HDFS以及向YARN提交应用程序
等最基本的操作。 本节只是有代表性地介绍Hadoop的一些基本使用方法， 使读者对Hadoop有一个初步认识， 并引导读者逐步进行更全
* c( C/ d! i5 v/ |) o! e+ I面的学习。
: E/ \) C7 ~( Y" @: l, V) i+ z1.5.1 搭建Hadoop环境
本小节仅介绍单机环境的搭建方法， 更加完整的Hadoop安装步骤和配置方法可参考本书最后的附录A和附录B。 另外， 需要注意
的是， 由于不同用户拥有的Linux环境不尽相同（ 比如已经安装的软件不同、 统一软件的版本不同等） ， 每个人安装Hadoop过程中遇到
的问题可能不同， 此时需要根据具体的日志提示解决问题。 本小节仅给出一般情况下， Hadoop 2.0的安装步骤。
. O& j& O. |: X' r7 U! B. ^# v步骤1 修改Hadoop配置文件。
1） 设置环境变量。 在${HADOOP_HOME}/etc/hadoop/hadoop-env.sh中， 添加JAVA安装目录， 命令如下：
! h: n; c( _( k; q* ?export JAVA_HOME=/usrb/jvm/java-6-openjdk
修改conf目录下的mapred-site.xml、 core-site.xml、 yarn-site.xml和hdfs-site.xml四个文件， 在<configuration>与</configuration>之间添加的内
4 Z/ y. D6 S- O5 \& f" U* a7 t容见下面的介绍。
" _+ G1 P2 ]7 G8 n' b6 a3 e" |% y+ y2） 在${HADOOP_HOME}/etc/hadoop/下， 将mapred-site.xml.templat重命名成mapred-site.xml， 并添加以下内容：
5 M/ z8 G, w* Z<property>
<name>mapreduce.framework.name</name>
# G; Y4 {7 l) {  {1 C* a) g7 d<value>yarn</value>
</property>
【 解释】 相比于Hadoop1.0， 用户无须再配置mapred.job.tracker， 这是因为JobTracker相关实现已变成客户端的一个库（ 实际上在
, r% Q; p& d) @5 ~+ w! m) y5 }Hadoop 2.0中， JobTracker已经不存在， 它的功能由另外一个称为MRAppMaster的组件实现） ， 它可能被随机调度到任何一个slave上，
也就是它的位置是动态生成的。 需要注意的是， 在该配置文件中需用mapreduce.framework.name指定采用的运行时框架的名称， 在此指
2 e5 G  p) h, v( h定"yarn"。
3） 在${HADOOP_HOME}/etc/hadoop/中， 修改core-site.xml， 为了简单， 我们仍采用Hadoop 1.0中的HDFS工作模式（ 不配置HDFS
, {( d' a8 M6 E  \: D& z; M* XFederation） ， 修改后如下：
<property>
<name>fs.default.name</name>
9 e3 E9 F" A9 C, `4 o<value>hdfs://YARN001:8020</value>
) Y( k1 ^! d% {+ h2 a, C</property>
其中， YARN001表示节点的IP或者host。
, @: |2 _8 y( o% r4） 在${HADOOP_HOME}/etc/hadoop/中， 修改yarn-site.xml， 修改后如下：
6 E* W0 Y" A+ Y: @<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce-shuffle</value>
</property>
- R, A, E: w- f& B# i6 ]【 解释】 为了能够运行MapReduce程序， 需要让各个NodeManager在启动时加载shuffle server， shuffle server实际上是Jetty/Netty
% F/ |& [( W/ U8 @1 y7 i$ U" `Server， Reduce Task通过该server从各个NodeManager上远程复制Map Task产生的中间结果。 上面增加的两个配置均用于指定shuffle
: _; I- Z* k2 Y3 J9 e5 Rserver。
9 }" T) J# r% s, v+ }5） 修改${HADCOP_HOME}/etc/hadoop中的hdfs-site.xml文件：
<property>
; ]# ], `! Y9 |$ K" W- H<name>dfs.replication</name>
<value>1</value>
</property>
& y( B& K$ R. p0 c9 q【解释】 默认情况下， HDFS数据块副本数是3， 而在集群规模小于3的集群中该参数会导致出现错误， 这可通过将dfs.replication调
整为1解决。
注意 如果你是在虚拟机中搭建Hadoop环境， 且虚拟机经常关闭与重启， 为了避免每次重新虚拟机后启动Hadoop时出现各种问
* h8 ^: v1 V: a+ j题， 建议在core-site.xml中将hadoop.tmp.dir属性设置为一个非/tmp目录， 比如/data或者/home/dongxicheng/data（ 注意该目录对当前用户需具
$ G! ]. S4 y+ n, q+ T9 e. B( H1 _0 i有读写权限） 。
/ l+ J& m" L% ]3 b- d1 _% A0 `步骤2 设置免密码登录。
前面提到Hadoop启动/停止脚本需要通过SSH发送命令启动相关守护进程， 为了避免每次启动/停止Hadoop都要输入密码进行验
! r5 Y* t( x0 a; Z2 m9 N+ w# o3 ~: d证， 需设置免密码登录， 步骤如下。
1） 打开命令行终端， 输入以下命令：
ssh-keygen -t rsa
将会在"~/.ssh/"目录下生成公钥文件id_rsa.pub和私钥文件id_rsa。
2） 将公钥文件id_rsa.pub中的内容复制到相同目录下的authorized_keys文件中：
9 w& o2 a, q) [! W; X3 ecd ~/.ssh/
6 H! U" |/ \; [9 fcat id_rsa.pub >> authorized_keys
步骤3 启动Hadoop。
在Hadoop安装目录中， 按以下三步操作启动Hadoop， 我们单步启动每一个服务， 以便于排查错误， 如果某一个服务没有启动成
功， 可查看对应的日志查看启动失败原因。
1） 格式化HDFS， 命令如下：
bin/hadoop namenode -format
2） 启动HDFS。 你可以使用以下命令分别启动NameNode和DataNode：
sbin/hadoop-daemon.sh start namenode
sbin/hadoop-daemon.sh start datanode
如果有多个DataNode， 可使用hadoop-daemons.sh启动所有DataNode， 具体命令如下：
, S% y' `$ {2 Zsbin/hadoop-daemons.sh start datanode
; N- o! u: ~! ~. f你也可以使用以下命令一次性启动NameNode和所有DataNode：
sbin/ start-dfs.sh
3） 启动YARN。 你可以使用以下命令分别启动ResourceManager和NodeManager：
! D7 W- [8 d5 t$ N7 isbin/hadoop-daemon.sh start namenode
sbin/hadoop-daemon.sh start datanode
如果有多个NodeManager， 可使用yarn-daemon.sh启动所有NodeManager， 具体命令如下：
sbin/yarn-daemon.sh start nodemanager
你也可以使用以下命令一次性启动ResourceManager和所有NodeManager：
7 c; R# L  \. f* P- ^: [( xsbin/start-yarn.sh
通过如下jps命令查看是否启动成功：
5 E5 G4 W0 ]& s) Q2 Ldong@YARN001:/opt/hadoop/hadoop-2.0$ jps
9 C0 b5 A) N1 Y1 a+ j/ L3 t" u27577 NameNode
8 y, p8 R2 V' n5 X8 q30315 ResourceManager
9 r' p- I3 b2 M" U/ ^* Q27924 SecondaryNameNode
16803 NodeManager
9 ]* r& R- M+ u. H通过以下URL可查看YARN是否启动成功：
. f2 C# M8 B( N$ m( j7 D! ghttp://YARN001:8080/
YARN对外提供的Web运行界面如图1-10所示。
! M$ g7 t5 _- d( n7 y; m图1-10 YARN对外提供的Web界面
8 n" r2 p$ B3 L* D如果安装过程中出现问题， 可通过查看日志发现问题所在。 Hadoop日志存放在$HADOOP_HOME/logs目录下的以".log"结尾的文件
中， 比如yarn-dongxicheng-resourcemanager-yarn001.log就是ResourceManager产生的日志。
' \% ]/ x6 \$ o7 p6 U% L$ y5 ?经过以上三步操作， Hadoop成功启动后， 接下来可以通过Hadoop Shell或者Eclipse插件访问HDFS和提交MapReduce作业。 下面两小
: z/ z' |4 |) W6 B  K8 h1 C% Z: g+ k节分别介绍Hadoop Shell和Eclipse插件使用方法。
1.5.2 Hadoop Shell介绍
! Z2 I/ E4 D6 a在1.4节我们曾提到， bin目录下是最基础的集群管理脚本， 用户可以通过该脚本完成各种功能， 如HDFS文件管理、 MapReduce作
2 K0 ?8 s- f% h4 G" ~" R* j; R业管理等， 更加详细的脚本使用说明， 可参考附录C。
作为入门， 本节介绍的是bin目录下Hadoop脚本的使用方法。 如果你已经对Hadoop 1.0有所了解（ 比如尝试安装和使用过Hadoop
/ ^/ N4 x5 a( J% s' m0 m8 f1.0） ， 那么可直接使用该脚本， 因为该脚本的功能与Hadoop 1.0对应的Hadoop脚本功能完全一致。
该脚本的使用方法为：
hadoop [--config confdir] COMMAND
! k. y' `2 h# W5 ]8 Q2 @6 k* V其中， --config用于设置Hadoop配置文件目录。 默认目录为${HADOOP_HOME}/conf。 而COMMAND是具体的某个命令， 常用的
有HDFS管理命令fs、 作业管理命令job和作业提交命令jar等， 它们的使用方法如下。
  l. |- t7 z: Q（ 1） HDFS管理命令fs和作业管理命令job
; z# a. m$ z$ a4 c, S它们的用法一样， 均为：
bin/hadoop command [genericOptions] [commandOptions]
其中， command可以是fs或者job， genericOptions是一些通用选项， commandOptions是fs或者job附加的命令选项， 看下面两个例子。
&#10065;在HDFS上创建一个目录/test， 命令如下：
4 W1 G- J) x5 \7 n" p* r$ bbin/hadoop fs -mkdir /test
&#10065;显示所有Hadoop上正在运行的作业， 命令如下：
bin/hadoop job -list
（ 2） 作业提交命令jar
这个命令的用法是：
$ D' V# E$ [+ e5 \) T3 J! bhadoop jar <jar> [mainClass] args..
其中， <jar>表示JAR包名， mainClass表示main class名称， 可以不必输入而由jar命令自动搜索， args是main class输入参数。 举例如
下：
bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar pi 5 10
* P- b  ], f- m/ [, t其中pi是hadoop-mapreduce-examples-*.jar 中一个作业名称， 该作业主要功能是采用拟蒙特卡罗法估算圆周率pi（ 3.1415926…） 的大
) T0 d/ s; r+ C' W' I/ o: q5 y小， 它有两个整型输入参数： Map Task数目和样本数目。
2 @: @4 v- L% z( A其他更多命令， 读者可自行查阅Hadoop官方设计文档。
[4] 单机环境中， Hadoop有两种工作模式： 本地模式和伪分布式模式。 其中， 本地模式完全运行在本地， 不会加载任何Hadoop服务，
1 G5 _- X* W# y. \因而不会涉及Hadoop最核心的代码实现， 伪分布式即为“单点集群”， 在该模式下， 所有的守护进行均会运行在单个节点上， 因而本节
3 [$ e7 w- P7 f3 u: H选用该工作模式。  


+ }! v, e" \2 Q7 P. ^; K7 ^