【大数据基础】Hadoop3.1.3安装教程

来源：

https://dblab.xmu.edu.cn/blog/2441/

前言：重装解决一切bug！事实上，问题中的绝大部分衍生问题都可以通过重装解决。

实验内容

创建Hadoop用户

首先按 ctrl+alt+t 打开终端窗口，输入如下命令创建新用户 :

sudo useradd -m hadoop -s /bin/bash

接着使用如下命令设置密码，可简单设置为 hadoop，按提示输入两次密码：

sudo passwd hadoop

在这里插入图片描述
可为 hadoop 用户增加管理员权限，方便部署，避免一些对新手来说比较棘手的权限问题：

sudo adduser hadoop sudo

在这里插入图片描述

换源

安装最强（bushi）编辑器vim

sudo apt-get install vim

在这里插入图片描述
vim的常用模式有分为命令模式，插入模式，可视模式，正常模式。本教程中，只需要用到正常模式和插入模式。二者间的切换即可以帮助你完成本指南的学习。

正常模式
正常模式主要用来浏览文本内容。一开始打开vim都是正常模式。在任何模式下按下Esc键就可以返回正常模式
插入编辑模式
插入编辑模式则用来向文本中添加内容的。在正常模式下，输入i键即可进入插入编辑模式
退出vim
如果有利用vim修改任何的文本，一定要记得保存。Esc键退回到正常模式中，然后输入:wq即可保存文本并退出vim

安装SSH、配置SSH无密码登陆

集群、单节点模式都需要用到 SSH 登陆（类似于远程登陆，你可以登录某台 Linux 主机，并且在上面运行命令），Ubuntu 默认已安装了 SSH client，此外还需要安装 SSH server：

sudo apt-get install openssh-server

在这里插入图片描述

安装后，可以使用如下命令登陆本机：

ssh localhost

此时会有如下提示(SSH首次登陆提示)，输入 yes 。然后按提示输入密码 hadoop，这样就登陆到本机了。
在这里插入图片描述
但这样登陆是需要每次输入密码的，我们需要配置成SSH无密码登陆比较方便。

首先退出刚才的 ssh，就回到了我们原先的终端窗口，然后利用 ssh-keygen 生成密钥，并将密钥加入到授权中：

exit                           # 退出刚才的 ssh localhost
cd ~/.ssh/                     # 若没有该目录，请先执行一次ssh localhost
ssh-keygen -t rsa              # 会有提示，都按回车就可以
cat ./id_rsa.pub >> ./authorized_keys  # 加入授权

在这里插入图片描述
~的含义: 在 Linux 系统中，~ 代表的是用户的主文件夹，即 “/home/用户名” 这个目录，如你的用户名为 hadoop，则 ~ 就代表 “/home/hadoop/”。此外，命令中的 # 后面的文字是注释，只需要输入前面命令即可。

此时再用 ssh localhost 命令，无需输入密码就可以直接登陆了，如下图所示。
在这里插入图片描述

安装java环境

在Linux命令行界面中，执行如下Shell命令（注意：当前登录用户名是hadoop）：

cd /usr/lib
sudo mkdir jvm #创建/usr/lib/jvm目录用来存放JDK文件
cd ~ #进入hadoop用户的主目录
cd Downloads  #注意区分大小写字母，刚才已经通过FTP软件把JDK安装包jdk-8u162-linux-x64.tar.gz上传到该目录下
sudo tar -zxvf ./jdk-8u162-linux-x64.tar.gz -C /usr/lib/jvm  #把JDK文件解压到/usr/lib/jvm目录下

在这里插入图片描述

JDK文件解压缩以后，可以执行如下命令到/usr/lib/jvm目录查看一下：

cd /usr/lib/jvm
ls

在这里插入图片描述
可以看到，在/usr/lib/jvm目录下有个jdk1.8.0_162目录。
下面继续执行如下命令，设置环境变量：

cd ~
vim ~/.bashrc

用vim打开了hadoop这个用户的环境变量配置文件，请在这个文件的开头位置，添加如下几行内容：

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

在这里插入图片描述
保存.bashrc文件并退出vim编辑器。然后，继续执行如下命令让.bashrc文件的配置立即生效：

source ~/.bashrc

这时，可以使用如下命令查看是否安装成功：

java -version

在这里插入图片描述
至此，就成功安装了Java环境。下面就可以进入Hadoop的安装。

安装 Hadoop3.1.3

在这里最好将hadoop解压出的文件备份，这样如果后续安装出了问题便于重新配置。

sudo tar -zxf ~/下载/hadoop-3.1.3.tar.gz -C /usr/local    # 解压到/usr/local中
cd /usr/local/
sudo mv ./hadoop-3.1.3/ ./hadoop            # 将文件夹名改为hadoop
sudo chown -R hadoop ./hadoop       # 修改文件权限

Hadoop 解压后即可使用。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

在这里插入图片描述

Hadoop单机配置(非分布式)

Hadoop 默认模式为非分布式模式（本地模式），无需进行其他配置即可运行。非分布式即单 Java 进程，方便进行调试。

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

在此我们选择运行 grep 例子，我们将 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   # 将配置文件作为输入文件
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/*          # 查看运行结果

在这里插入图片描述
执行成功后如下所示，输出了作业的相关信息，输出的结果是符合正则的单词 dfsadmin 出现了1次
重装解决一切烦恼：

注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。

rm -r ./output

Hadoop伪分布式配置

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，节点既作为 NameNode 也作为 DataNode，同时，读取的是 HDFS 中的文件。

Hadoop 的配置文件位于 /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 。Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

修改配置文件 core-site.xml (通过 gedit 编辑会比较方便: gedit ./etc/hadoop/core-site.xml)，将当中的

<configuration>
</configuration>

修改为：

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

gedit ./etc/hadoop/core-site.xml

在这里插入图片描述

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

在这里插入图片描述
同样的，修改配置文件 hdfs-site.xml：

gedit ./etc/hadoop/hdfs-site.xml

在这里插入图片描述

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

在这里插入图片描述
Hadoop配置文件说明:

Hadoop 的运行方式是由配置文件决定的（运行 Hadoop 时会读取配置文件），因此如果需要从伪分布式模式切换回非分布式模式，需要删除 core-site.xml 中的配置项。

此外，伪分布式虽然只需要配置 fs.defaultFS 和 dfs.replication 就可以运行（官方教程如此），不过若没有配置 hadoop.tmp.dir 参数，则默认使用的临时目录为 /tmp/hadoo-hadoop，而这个目录在重启时有可能被系统清理掉，导致必须重新执行 format 才行。所以我们进行了设置，同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir，否则在接下来的步骤中可能会出错。

配置完成后，执行 NameNode 的格式化:

cd /usr/local/hadoop
./bin/hdfs namenode -format

在这里插入图片描述

在这里插入图片描述
接着开启 NameNode 和 DataNode 守护进程。

cd /usr/local/hadoop
./sbin/start-dfs.sh  #start-dfs.sh是个完整的可执行文件，中间没有空格

启动时可能会出现如下 WARN 提示：WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable WARN 提示可以忽略，并不会影响正常使用。
在这一步可能遇到千奇百怪的问题，请移步“问题”目录。
在这里插入图片描述
启动完成后，可以通过命令 jps 来判断是否成功启动，若成功启动则会列出如下进程: “NameNode”、“DataNode” 和 “SecondaryNameNode”（如果 SecondaryNameNode 没有启动，请运行 sbin/stop-dfs.sh 关闭进程，然后再次尝试启动尝试）。如果没有 NameNode 或 DataNode ，那就是配置不成功，请仔细检查之前步骤，或通过查看启动日志排查原因。

成功启动后，可以访问 Web 界面 http://localhost:9870 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。
在这里插入图片描述

运行Hadoop伪分布式实例

上面的单机模式，grep 例子读取的是本地数据，伪分布式读取的则是 HDFS 上的数据。要使用 HDFS，首先需要在 HDFS 中创建用户目录：

./bin/hdfs dfs -mkdir -p /user/hadoop

注意: 教材《大数据技术原理与应用》的命令是以"./bin/hadoop dfs"开头的Shell命令方式，实际上有三种shell命令方式。

hadoop fs
hadoop dfs
hdfs dfs

hadoop fs适用于任何不同的文件系统，比如本地文件系统和HDFS文件系统
hadoop dfs只能适用于HDFS文件系统
hdfs dfs跟hadoop dfs的命令作用一样，也只能适用于HDFS文件系统

接着将 ./etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中，即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是 /user/hadoop/input:

./bin/hdfs dfs -mkdir input
./bin/hdfs dfs -put ./etc/hadoop/*.xml input

在这里插入图片描述
复制完成后，可以通过如下命令查看文件列表：

./bin/hdfs dfs -ls input

在这里插入图片描述
伪分布式运行 MapReduce 作业的方式跟单机模式相同，区别在于伪分布式读取的是HDFS中的文件（可以将单机步骤中创建的本地 input 文件夹，输出结果 output 文件夹都删掉来验证这一点）。

./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar grep input output 'dfs[a-z.]+'

在这里插入图片描述
查看运行结果的命令（查看的是位于 HDFS 中的输出结果）：

./bin/hdfs dfs -cat output/*

结果如下，注意到刚才我们已经更改了配置文件，所以运行结果不同。
在这里插入图片描述
我们也可以将运行结果取回到本地：

rm -r ./output    # 先删除本地的 output 文件夹（如果存在）
./bin/hdfs dfs -get output ./output     # 将 HDFS 上的 output 文件夹拷贝到本机
cat ./output/*

在这里插入图片描述
Hadoop 运行程序时，输出目录不能存在，否则会提示错误 “org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists” ，因此若要再次执行，需要执行如下命令删除 output 文件夹:

./bin/hdfs dfs -rm -r output    # 删除 output 文件夹

在这里插入图片描述
若要关闭 Hadoop，则运行

./sbin/stop-dfs.sh

在这里插入图片描述
下次启动 hadoop 时，无需进行 NameNode 的初始化，只需要运行 ./sbin/start-dfs.sh 即可。

问题与处理

注意：问题2~5有一个一劳永逸的方法：重装。
事实上，2~5中的许多问题都是来自于一个bug，只是越改越多越改越杂，在查询资料的过程中可以学到许多相关知识，加深了解，但如果只是想把结果跑出来的话，不如像亚历山大那样，抽出宝剑，斩断复杂的绳结。简单，粗暴，但是有效。
如果想加深对技术和底层的了解，请移步问题2~5：

1.java安装失败

在这里插入图片描述

ERROR: JAVA_HOME is not set and could not be found.

参考文档：

https://blog.csdn.net/qq_44081582/article/details/104640421

切到 [hadoop]/etc/hadoop目录
执行：vim hadoop-env.sh
修改java_home路径和hadoop_conf_dir路径为具体的安装路径
例如：

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162
export HADOOP_CONF_DIR=/usr/local/hadoop

在这里插入图片描述

这样就配置好了。

2.ERROR: Attempting to operate on hdfs namenode as root

在这里插入图片描述
这是万恶之源，虽然命令行加sudo可以避免许多权限问题，但这次尽量不要加sudo。
参考文档：

https://blog.csdn.net/weixin_49736959/article/details/108897129、

使用vim配置：
在这里插入图片描述

在这里插入图片描述

3.host:9000 failed on connection exception: java.net.ConnectException: 拒绝连接;

问题描述：
在这里插入图片描述

事实上是端口占用，我打开防火墙，把9000改成8020就解决了。

4.localhost: ERROR: Cannot set priority of datanode process 6374

问题描述：
在这里插入图片描述
这个问题是真正的复杂，意味着你对配置文件的修改程度已经很大了，这个问题我查到的资料都没有很好的解决，这个时候重装为时未晚。
最终效果如下：

jps

在这里插入图片描述

5.mkdir: Call From algernon-virtual-machine/127.0.1.1 to localhost:9000 failed on connection exception: java.net.ConnectException: 拒绝连接;

在这里插入图片描述
这个问题同问题3，修改9000为8020，完工。

成功结果

localhost可查询：
在这里插入图片描述
伪分布式输出结果：

事实上，这个实验最后就这两张图，每一张图的结果代表了一个实验的成功结果。linux配置操作的关键是，如果前一个步骤没有完成，后一个步骤自然也会被卡住。一条路通了，那之后就会一往无前；一旦卡住，短则一两分钟，长则一两周。
所谓“台上一分钟，台下十年功”，整个实验报告的含金量就在这两张图中，但为此不知重新配置了多少文件，甚至还重装了一次。

心得与体会

据说亚历山大大帝曾经解决了戈尔迪乌姆首都佛里吉亚的一个难题。
他在进城的时候发现了一辆旧战车，车轭上有许多绳结紧紧地系在一起，根本看不出它们原先是怎么被系上去的。神谕说，谁解开这些结，谁就能统治亚细亚。
亚历山大在这团粗糙的绳结前研究了一会儿，然后后退了两步，说神谕并不在意这个结是怎么解开的，接着他拔剑砍向绳结，被劈成两半的绳结就此解开了。

如果认真看了问题2~5的解决方式，会发现这些文档中有的解决方法是矛盾的，有的要把文件设为root，然后报错之后继续找，方法是把文件改为hadoop——然后又查，发现解决方法是使用root用户——这不又绕回去了嘛！但我今天在实验课的时候是这样的，不仅如此，网上的答案千奇百怪，有的治标不治本，如果看一篇博客就对自己的配置文件加以修改，到最后只能收获一堆自相矛盾的bug文件。当然，还有一些硬核知识。

事实上，计算机问题三板斧：重启、重装、重买，的确粗暴而有效。
但我们遇到问题是不是就要重装呢？
我一直认为：重装是最后手段。
如果只是跟着教程懵懵懂懂把流程跑一遍，如果一次成功还行，如果卡住就难受了。这时选择重装，老老实实按照教程来，根据经验规则，“那么多人都做出来了”，那跟着教材走总会没问题；
但学到什么了呢？在linux上配置环境做实验的过程犹如蒙眼于迷宫中寻找出路，被别人牵着绕啊绕，走到出口，实际上和在平地上并无区别，但如果自己去碰壁，找到经验、方法、教训，当没有人给予指引的时候，才会更容易找到方向。
所以说不要怕折腾，折腾着就熟练了。
等到系统被改的像忒修斯之船那样，在重装，从零开始也不迟。
不过，这对备份要求挺高，平时常备快照，软件记得备份。
同样，文件夹的分配，环境配置以及配置文件中的路径，一直都是bug高发地，在进行实验的过程中注意规范，也可以避免绝大多数问题。
亚历山大有着斩断绳结的魄力，也有横亘一切困难的毅力。

活跃于公元前4世纪的马其顿国王。他在远征波斯领地吕底亚的时候，神殿里供奉着一辆战车。战车是曾经的国王格尔迪奥斯捆在神殿支柱上的。当地流传着这样一个传说：“解开这个绳结的人就会成为亚细亚之王。”这是一个很多技艺高超的挑战者都没有解开的绳结。

哲人：那么，你认为面对那个绳结的亚历山大大帝会怎么做呢？

青年：是非常巧妙地解开了绳结，不久便成了亚细亚之王吧？

哲人：不，并非如此。亚历山大大帝一看绳结非常牢固，于是便立即取出短剑将其一刀两断。

青年：什么？！

哲人：据传，当时他接着说道：“命运不是靠传说决定而要靠自己的剑开拓出来。我不需要传说的力量而要靠自己的剑去开创命运。”