Hadoop 安装教程——单节点模式和分布式模式配置

文章目录

- 一、预备知识
- - 1.1 Hadoop 发行版本
  - 1.2 部署方式
- 二、预备条件
- - 2.1 环境准备
  - 2.2 创建新用户(可选)
  - 2.3 配置 SSH 无密码登录
  - 2.4 下载 Hadoop
  - 2.5 编辑 hadoop-env.sh 脚本
  - 2.6 编辑 dfs 和 yarn 脚本
- 三、单节点模式部署
- - 3.1 官方使用案例
  - 3.2 查看运行结果
- 四、伪分布模式部署
- - 4.1 修改配置文件
  - 4.2 格式化 Hadoop(首次)
  - 4.3 启动 Hadoop
  - 4.4 检查 Hadoop 状态
  - 4.5 停止 Hadoop
- 五、常见问题
- - 5.1 启动 start-dfs.sh 脚本报错
  - 5.2 启动脚本时拒绝访问
- 参考资料

一、预备知识

1.1 Hadoop 发行版本

Hadoop 的发行版本有：

Apache Hadoop：官方版本，由 Apache 软件基金会维护。
Hortonworks Data Platform (HDP)：基于 Apache Hadoop 的企业级发行版，提供了额外的工具和组件（如 Hive、HBase、Spark 等），适合企业用户。
Cloudera Data Platform (CDP)：Cloudera 的企业级解决方案，整合了 Hortonworks 和 Cloudera 的产品，提供更全面的功能和支持。

其中，Apache Hadoop 最适合新手入门学习。

1.2 部署方式

部署方式主要有以下三种：

单节点模式：所有 Hadoop 组件运行在同一台机器上。这比较适合适合开发和测试。
伪分布模式：在单台机器上模拟分布式环境，Hadoop 各组件在不同的进程中运行。这比较适合适合小规模测试和开发。
完全分布式模式：在多台机器上部署 Hadoop 集群，每个节点上运行不同的 Hadoop 组件。这适合生产环境，要求对集群进行详细配置。

二、预备条件

2.1 环境准备

安装 JDK。在 Hadoop Java Versions - Hadoop - Apache Software Foundation 查看Hadhoop 推荐的 Java 版本，最佳版本为 JDK 8 。
配置 SSH 免密登录。如果要使用可选的启动和停止脚本，则必须安装 ssh 并且运行 sshd 才能使用管理远程 Hadoop 守护进程的 Hadoop 脚本。此外，建议还安装 pdsh 以更好地管理ssh资源。
```
$ sudo apt-get install ssh
$ sudo apt-get install pdsh
```
注意，pdsh 的远程命令类型为 rsh，建议修改成 ssh。

2.2 创建新用户(可选)

创建一个新用户，用户名和密码设置为 hadoop

$ sudo useradd -m hadoop -s /bin/bash
$ sudo passwd hadoop

为了避免权限造成的问题，为 hadoop 用户增加管理员权限。

$ sudo adduser hadoop sudo

2.3 配置 SSH 无密码登录

Hadoop 在启动时需要通过 SSH 连接到各个节点（包括本地主机）。因此，我们需要配置无密码登录。

简单地介绍已下 SSH 登录原理：

密钥对生成：用户在本地生成一对密钥：一个私钥和一个公钥。私钥保留在本地，公钥可以共享给任何希望访问的服务器。
公钥复制：用户将公钥添加到目标服务器的 ~/.ssh/authorized_keys 文件中。
身份验证过程：当用户尝试通过 SSH 连接到服务器时，服务器会发送一条随机消息给用户。用户使用自己的私钥对该消息进行加密，然后将其返回给服务器。服务器使用存储在 authorized_keys 文件中的相应公钥来解密收到的消息。如果解密成功且消息匹配，身份验证通过，用户被允许访问。

(1) 确保 SSH 服务正在运行

首先，确保 SSH 服务在您的 Ubuntu 系统上运行。

# 检查 SSH 服务的状态
$ sudo systemctl status ssh

# 如果服务未运行， 启动 SSH 服务
$ sudo systemctl start ssh

(2) 生成 SSH 密钥对

使用 ssh-keygen 在 ~/.ssh 目录下生成 SSH 密钥对。

# 输入密码 hadoop 才能登录。因此，我们需要实现无密登录
ssh localhost

# 若没有该目录，执行一次 ssh localhost 后会自动生成
$ cd ~/.ssh/ 

# 生成密钥对
$ ssh-keygen -t rsa -b 2048
Generating public/private rsa key pair.
Enter file in which to save the key (/home/hadoop/.ssh/id_rsa): 
Enter passphrase (empty for no passphrase): 
Enter same passphrase again: 
Your identification has been saved in /home/hadoop/.ssh/id_rsa
Your public key has been saved in /home/hadoop/.ssh/id_rsa.pub
The key fingerprint is:
SHA256:HGuMfZmVK09WBr0fPJ3Kj5xYnUuChwl08TlaSq5HN0k hadoop@ubuntu
The key's randomart image is:
+---[RSA 2048]----+
|           .o.   |
|         . ..oo  |
|        o ..oE+.o|
|       = +o+=++=.|
|      . S *=O+o.+|
|       . .oO.*.+.|
|         . .* * .|
|          .. + o |
|                 |
+----[SHA256]-----+

其中，id_rsa 为私钥， id_rsa.pub 为公钥。

(3) 将公钥添加到目标服务器的authorized_keys

使用 ssh-copy-id 命令可以方便地将公钥复制到目标主机的 authorized_keys 文件中

# 方式一
$ ssh-copy-id -i ~/.ssh/id_rsa.pub localhost

# 方式二
$ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

authorized_keys 是一个文本文件，位于用户的 ~/.ssh/ 目录下。它用于存储被授权可以无密码访问该用户帐户的 SSH 公钥。将公钥添加到 authorized_keys 文件中，以允许无密码访问。

确保 ~/.ssh/authorized_keys 的权限设置正确：

chmod 0600 ~/.ssh/authorized_keys
chmod 700 ~/.ssh

(4) 测试 SSH 连接

在终端中尝试通过 SSH 连接到 localhost 和主机名：

$ ssh ubuntu
The authenticity of host 'ubuntu (127.0.1.1)' can't be established.
ECDSA key fingerprint is SHA256:Joilwgpgx1Mc2K3XnL1iszZ+Y/EK+GltbMG6B28luBY.
Are you sure you want to continue connecting (yes/no/[fingerprint])? yes
Warning: Permanently added 'ubuntu' (ECDSA) to the list of known hosts.
Welcome to Ubuntu 20.04.4 LTS (GNU/Linux 5.15.0-107-generic x86_64)

 * Documentation:  https://help.ubuntu.com
 * Management:     https://landscape.canonical.com
 * Support:        https://ubuntu.com/advantage

240 updates can be applied immediately.
123 of these updates are standard security updates.
To see these additional updates run: apt list --upgradable

Your Hardware Enablement Stack (HWE) is supported until April 2025.

The programs included with the Ubuntu system are free software;
the exact distribution terms for each program are described in the
individual files in /usr/share/doc/*/copyright.

Ubuntu comes with ABSOLUTELY NO WARRANTY, to the extent permitted by
applicable law.

其中， ubuntu 是为特定计算机设置的主机名，用于标识这台机器。

2.4 下载 Hadoop

在 Apache Download Mirrors 下载合适的 Hadoop 版本。如果官网下载太慢，可以考虑 hadoop/common (huaweicloud.com) 网站。

执行以下命令，下载 Hadoop 安装包。

# 下载安装包
$ wget --no-check-certificate https://repo.huaweicloud.com/apache/hadoop/common/hadoop-3.3.6/hadoop-3.3.6.tar.gz

# 解压安装包到指定目录
$ sudo tar -zxvf hadoop-3.3.6.tar.gz -C /usr/local/

# 将文件夹名改为hadoop
$ cd /usr/local
$ sudo mv ./hadoop-3.3.6/ ./hadoop            

# 修改文件权限
$ sudo chown -R hadoop ./hadoop

输入如下命令来检查 Hadoop 是否可用，成功则会显示 Hadoop 版本信息：

$ cd /usr/local/hadoop
$ ./bin/hadoop version

2.5 编辑 hadoop-env.sh 脚本

编辑 hadoop-env.sh 脚本，设置必要的一些参数。

# The java implementation to use. By default, this environment
# variable is REQUIRED on ALL platforms except OS X!
export JAVA_HOME=/usr/local/jdk/jdk1.8.0_421

查看 Hadoop 脚本的使用文档

$/usr/local/hadoop-3.3.6/bin/hadoop

2.6 编辑 dfs 和 yarn 脚本

在 sbin/start-dfs.sh 和 sbin/stop-dfs.sh 脚本中，添加以下参数：

HDFS_DATANODE_USER=root
HDFS_NAMENODE_USER=root
HDFS_SECONDARYNAMENODE_USER=root  
HDFS_DATANODE_SECURE_USER=hdfs

在 sbin/start-yarn.sh 和 sbin/stop-yarn.sh 脚本中，添加以下参数：

YARN_RESOURCEMANAGER_USER=root
YARN_NODEMANAGER_USER=root

三、单节点模式部署

默认情况下，Hadoop配置为以非分布式模式运行，作为单个Java进程。这对于调试很有用。

3.1 官方使用案例

将 input 文件夹中的所有文件作为输入，筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数，最后输出结果到 output 文件夹中

$ cd /usr/local/hadoop

$ mkdir input

$ cp etc/hadoop/*.xml input

$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar grep input output 'dfs[a-z.]+'

3.2 查看运行结果

查看运行结果：

$ cat output/*
1	dfsadmin
1	dfs.replication
1	dfs.permissions

四、伪分布模式部署

Hadoop 可以在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行。

在 /usr/local/hadoop/etc/hadoop/ 中，伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml 。

4.1 修改配置文件

etc/hadoop/core-site.xml:

<configuration>
  <!-- 指定 Hadoop 文件系统的默认文件系统 URI -->
  <property>
	  <name>fs.defaultFS</name>
	  <value>hdfs://localhost:9000</value>
  </property>
  
  <!-- 指定 Hadoop 运行时生成的临时文件的存储目录 -->
  <property>
	  <name>hadoop.tmp.dir</name>
	  <value>file:/usr/local/hadoop/tmp</value>
    <description>Abase for other temporary directories.</description>
  </property>
</configuration>

etc/hadoop/hdfs-site.xml：

<configuration>
  <!-- 指定了 HDFS NameNode 存储其元数据的目录 -->
  <property>
      <name>dfs.namenode.name.dir</name>
      <value>file:/usr/local/hadoop/tmp/dfs/name</value>
  </property>

  <!-- 指定了 HDFS DataNode 存储实际数据块的目录 -->
  <property>
      <name>dfs.datanode.data.dir</name>
      <value>file:/usr/local/hadoop/tmp/dfs/data</value>
  </property>

  <!-- 定义 HDFS 文件的默认副本数量 -->
  <property>
    <name>dfs.replication</name>
    <value>1</value>
  </property>

  <!-- 定义 HDFS 是否启用权限检查 -->
  <property>
   <name>dfs.permissions</name>
   <value>false</value>
  </property>

  <!-- 控制 Secondary NameNode（次要 NameNode）执行 HDFS 检查点（checkpoint）的周期 -->
  <property>
   <name>fs.checkpoint.period</name>
   <value>3000</value>
  </property>
</configuration>

etc/hadoop/mapred-site.xml:

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>mapreduce.application.classpath</name>
        <value>$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/*:$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/lib/*</value>
    </property>
</configuration>

etc/hadoop/yarn-site.xml:

<configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.nodemanager.env-whitelist</name>
        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_HOME,PATH,LANG,TZ,HADOOP_MAPRED_HOME</value>
    </property>
</configuration>

4.2 格式化 Hadoop(首次)

在第一次启动的时候，格式化 HDFS（Hadoop 分布式文件系统）。

# 进入 Hadoop 安装目录
$ cd /usr/local/hadoop

# 格式化 HDFS
$ bin/hdfs namenode -format

后面启动的时候，无需格式化。

4.3 启动 Hadoop

(1) 启动 HDFS

$ sbin/start-dfs.sh
Starting namenodes on [localhost]
Starting datanodes
Starting secondary namenodes [ubuntu]

在成功启动后，我们还可以访问 Hadoop Web 界面 http://localhost:9870。

在这里插入图片描述

(2) 启动 YARN

启动 YARN。

$ sbin/start-yarn.sh
Starting resourcemanager
Starting nodemanagers

在成功启动后，我们还可以访问 YARN 界面 http://localhost:8088 。
在这里插入图片描述

4.4 检查 Hadoop 状态

使用以下命令检查 Hadoop 服务的状态：

# 查看运行 Java 进程
$ jps
5079 ResourceManager
4508 DataNode
4348 NameNode
4782 SecondaryNameNode
5615 Jps
5231 NodeManager

此命令将显示当前正在运行的 Java 进程。您应该能够看到如下进程：

4.5 停止 Hadoop

$ sbin/stop-dfs.sh
Stopping namenodes on [localhost]
Stopping datanodes
Stopping secondary namenodes [ubuntu]

$ sbin/stop-yarn.sh
Stopping nodemanagers
Stopping resourcemanager

五、常见问题

5.1 启动 start-dfs.sh 脚本报错

问题描述：

$ sudo sbin/start-dfs.sh
Starting namenodes on [ubuntu]
pdsh@ubuntu: ubuntu: rcmd: socket: Permission denied
Starting datanodes
pdsh@ubuntu: localhost: rcmd: socket: Permission denied
Starting secondary namenodes [ubuntu]
pdsh@ubuntu: ubuntu: rcmd: socket: Permission denied

解决方案：

(1) 查看 SSH 配置

检查 /etc/ssh/sshd_config 配置文件，确保以下基本配置

# 
PermitRootLogin yes
PubkeyAuthentication yes
AuthorizedKeysFile     .ssh/authorized_keys

如果有更改，记得重启 SSH 服务

$ sudo systemctl restart ssh

（2）pdsh 执行命令

pdsh（并行分布式 Shell）执行远程命令时的默认远程命令类型为 rsh 时，会出现该问题。

# 检查 pdsh 的远程命令类型
$ pdsh -q -w localhost

更改为使用 ssh ：

# 1. 临时设置
$ export PDSH_RCMD_TYPE=ssh

# 2. 永久设置
$ echo 'export PDSH_RCMD_TYPE=ssh' >> ~/.bashrc

最后，重新加载 ~/.bashrc：

$ source ~/.bashrc

（3）不建议的方案

在尝试以上方案后，依旧无法启动，建议删除 pdsh。

apt-get remove pdsh

5.2 启动脚本时拒绝访问

报错信息：

$ sudo sbin/start-dfs.sh
Starting namenodes on [ubuntu]
ubuntu: root@ubuntu: Permission denied (publickey,password).
Starting datanodes
localhost: root@localhost: Permission denied (publickey,password).
Starting secondary namenodes [ubuntu]
ubuntu: root@ubuntu: Permission denied (publickey,password).