网站用户行为分析——Hadoop的安装与配置（单机和伪分布式）

Hadoop安装方式

　　Hadoop的安装方式有三种，分别是单机模式，伪分布式模式，伪分布式模式，分布式模式。

　　单机模式：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。

　　伪分布式模式：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。

　　分布式模式：使用多个节点构成集群环境来运行Hadoop。

Hadoop版本

　　Hadoop 有两个主要版本，Hadoop 1.x.y 和 Hadoop 2.x.y 系列，Hadoop 2.x 版本在不断更新，新版是兼容旧版的。

　　装好了 Ubuntu 系统之后，在安装 Hadoop 前还需要做一些必备工作。

创建Hadoop用户

　　如果安装 Ubuntu 的时候不是用的 “hadoop” 用户，那么需要增加一个名为 hadoop 的用户。

　　（1）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

　　　这条命令创建了可以登陆的 hadoop 用户，并使用 /bin/bash 作为 shell。

sudo是Ubuntu中一种权限管理机制，管理员可以授权给一些普通用户去执行一些需要root权限执行的操作。当使用sudo命令时，就需要输入您当前用户的密码。
在Linux的终端中输入密码，终端是不会显示任何你当前输入的密码，也不会提示你已经输入了多少字符密码。而在Windows系统中,输入密码一般都会以“*”表示你输入的密码字符。
Ubuntu中终端输入的命令一般都是使用英文输入。Linux中英文的切换方式是使用键盘“shift”键来切换，也可以点击顶部菜单的输入法按钮进行切换。Ubuntu自带的Sunpinyin中文输入法已经足够使用。
在Ubuntu终端窗口中，复制粘贴的快捷键需要加上“shift”，即粘贴是 “ctrl+shift+v”。

　　（2）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

　　（3）可为 hadoop 用户增加管理员权限，方便部署，避免一些棘手的权限问题：

　　sudo adduser hadoop sudo

　　（4）最后注销当前用户（点击屏幕右上角的齿轮，选择注销），返回登陆界面。在登陆界面中选择刚创建的 hadoop 用户进行登陆。

　　在我的电脑上，第一次注销用户后，整个界面只显示出来桌面背景，图形界面无法使用，最初以为是我在创建用户的过程中出了什么问题，重启了几次电脑，再次进入Ubuntu后，注销用户的功能可以正常使用了。

更新apt

　　apt（Advanced Packaging Tool）是Linux下的一款安装包管理工具，是一个客户/服务器系统。

　　用 hadoop 用户登录后，先更新一下 apt，后续使用 apt 安装软件，如果没更新可能有一些软件安装不了。按 ctrl+alt+t 打开终端窗口，执行如下命令：

　　sudo apt-get update

　　若出现如下 “Hash校验和不符” 的提示，可通过更改软件源来解决。若没有该问题，则不需要更改。从软件源下载某些软件的过程中，可能由于网络方面的原因出现没法下载的情况，那么建议更改软件源。

　　（1）首先点击左侧任务栏的【系统设置】（齿轮图标），选择【软件和更新】。

　　（2）点击 “下载自” 右侧的方框，选择【其他节点】。

　　（3）在列表中选中【mirrors.aliyun.com】，并点击右下角的【选择服务器】，会要求输入用户密码，输入即可。

　　（4）接着点击关闭，此时会提示列表信息过时，点击【重新载入】。

　　（5）最后耐心等待更新缓存即可。更新完成会自动关闭【软件和更新】这个窗口。如果还是提示错误，请选择其他服务器节点如 mirrors.163.com 再次进行尝试。更新成功后，再次执行 sudo apt-get update 就正常了。

　　后续需要更改一些配置文件，需要安装vim。安装软件时若需要确认，在提示处输入 y 即可。

　　sudo apt-get install vim

　　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。

　　（1）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。

　　（2）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。

　　（3）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，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

　　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。

　　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 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。

安装Java环境

　　Java环境可选择 Oracle 的 JDK，或是 OpenJDK，新版本在 OpenJDK 1.7 下是没问题的。为图方便，这边直接通过命令安装 OpenJDK 7。

　　sudo apt-get install default-jre default-jdk

　　上述安装过程需要访问网络下载相关文件，需要保持联网状态。安装结束以后，需要配置JAVA_HOME环境变量，可以在Linux终端中输入下面命令打开当前登录用户的环境变量配置文件.bashrc：

　　vim ~/.bashrc

　　在文件最前面添加如下单独一行（注意，等号“=”前后不能有空格），然后保存退出：

　　export JAVA_HOME=/usr/lib/jvm/default-java

　　接下来，要让环境变量立即生效，执行如下代码：

　　source ~/.bashrc    # 使变量设置生效

　　执行上述命令后，可以检验一下是否设置正确：

　　echo $JAVA_HOME     # 检验变量值
　　java -version
　　$JAVA_HOME/bin/java -version  # 与直接执行java -version一样

　　至此，就成功安装了Java环境。下面就可以进入Hadoop的安装。

　　在JDK安装过程中，出现了下面的问题：

　　（1）vim ~/.bashrc打开环境变量配置文件之后，将光标直接移动到了文件的起始位置，然后将“export JAVA_HOME=/usr/lib/jvm/default-java”粘贴到了文件中，由于不清楚vim的使用，在网上查找到了“保存并退出”的方法，按住Ctrl，再按两下Z，然后，然后我也忘了发生了啥。

　　（2）以为经过上面的操作就配置完环境变量了，所以在终端中，输入了上面代码框中的三条代码检验环境变量是否配置完成，发现环境变量没有配置成功。

　　（3）将终端关闭，重新打开，发现终端的顶部出现了错误提示：“export JAVA_HOME=/usr/lib/jvm/default-java # ~/.bashrc：executed by bash(1) for non-login shells”，多次打开、关闭终端，这个提示都无法消失，考虑重启电脑。

　　（4）重启电脑，输入密码登录Jesse用户，能够正常使用。注销用户后，输入密码登录hadoop用户，界面黑屏，正中央弹出提示框：“export JAVA_HOME=/usr/lib/jvm/default-java # ~/.bashrc：executed by bash(1) for non-login shells”......，点击提示框下方的确定按钮没有反应。

　　（5）把这个错误的情况反映给了俺哥，分析错误原因是我在配置环境变量的时候，将.bashrc文件写错了，.bashrc文件主要保存个人的一些个性化设置，如命令别名、路径等，个人暂时理解成，每次登陆用户都会启动执行这个文件，这个文件出错，会导致用户无法登录进图形界面，俺哥给出的解决方案是，把这个文件修改回去，由于我对这个文件的修改仅限于在文件起始位置添加了那一行代码，所以需要将那一行代码删除。

　　（6）考虑退出图形界面，在终端里修改那个文件。按“CTRL+ALT+F2”退出图形界面，输入用户密码登录，再输入vim ~/.bashrc，打开文件，用DEL键删除了前面添加的代码，“ESC”，“:wq”之后提示“readonly”，表明这个文件不可修改。

　　（7）思考了一下vim ~/.bashrc这行代码的意义，决定登录Jesse用户，然后在Jesse用户的图形界面中找到hadoop文件夹下的.bashrc，在编辑器中删除第一行代码，emmmm，没有保存的权限。

　　（8）emmmm，考虑到这几次操作都是因为权限的原因操作失败，想到了sudo命令，打开终端，输入sudo vim ~/.bashrc，输入Jesse用户的密码，在编辑器中删除第一行代码，然后“:wq”，保存成功了。也就是说，hadoop的.bashrc文件被修改回去了。

　　（9）注销Jesse用户，重新登录hadoop用户，在hadoop用户的图形界面中，找到了hadoop文件夹下的.bashrc文件，直接在第一行添加“export JAVA_HOME=/usr/lib/jvm/default-java # ”，保存成功，环境变量设置正确。

　　emmmm，上面这波操作原因是没有将“export JAVA_HOME=/usr/lib/jvm/default-java # ”单独添加到.bashrc的第一行。

安装Hadoop2　　

　　如果使用虚拟机方式安装Ubuntu系统，请用虚拟机中的Ubuntu自带firefox浏览器下载，才能把hadoop文件下载虚拟机ubuntu中。不要使用Windows系统下的浏览器下载，文件会被下载到Windows系统中，虚拟机中的Ubuntu无法访问外部Windows系统的文件。

　　如果是使用双系统方式安装Ubuntu系统，进入Ubuntu系统，在Ubuntu系统打开firefox浏览器访下载hadoop文件。

　　Hadoop 2 可以通过 http://mirror.bit.edu.cn/apache/hadoop/common/ 或者 http://mirrors.cnnic.cn/apache/hadoop/common/ 下载，一般选择下载最新的稳定版本，即下载 “stable” 下的 hadoop-2.x.y.tar.gz 这个格式的文件，这是编译好的，另一个包含 src 的则是 Hadoop 源代码，需要进行编译才可使用。

　　下载完成后，hadoop文件默认的下载位置是“下载”文件夹。选择将 Hadoop 安装至 /usr/local/ 中：

    sudo tar -zxf ~/下载/hadoop-2.6.0.tar.gz -C /usr/local  # 解压到/usr/local中（根据所下载的hadoop版本进行修改）
    cd /usr/local/
    sudo mv ./hadoop-2.6.0/ ./hadoop                       # 将文件夹名改为hadoop（根据所下载的hadoop版本进行修改）
    sudo chown -R hadoop ./hadoop                          # 修改文件权限

tar -zxf ~/下载/spark-2.1.0.tgz -C /usr/local/ #把spark-2.1.0.tgz这个压缩文件解压到/usr/local目录下
cd .. #返回上一级目录
cd ~ #进入到当前Linux系统登录用户的主目录（或主文件夹）。在 Linux 系统中，~代表的是用户的主文件夹，即“/home
mv spark-2.1.0 spark #把spark-2.1.0目录重新命名为spark
chown -R hadoop:hadoop ./spark # hadoop是当前登录Linux系统的用户名，把当前目录下的spark子目录的所有权限，赋予给用户hadoop

　　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

相对路径和绝对路径：注意命令中的相对路径与绝对路径，比如 ./bin/...，./etc/... 等包含 ./ 的路径，均为相对路径，以 /usr/local/hadoop 为当前目录。例如在 /usr/local/hadoop 目录中执行 ./bin/hadoop version 等同于执行 /usr/local/hadoop/bin/hadoop version。可以将相对路径改成绝对路径来执行，但如果你是在主文件夹 ~ 中执行 ./bin/hadoop version，执行的会是 /home/hadoop/bin/hadoop version，就不是我们所想要的了。

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。　　

　　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-2.6.0.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

wordcount：假设现在有n个文本，WordCount程序就是利用MR计算模型来统计这n个文本中每个单词出现的总次数。
grep：该程序实现的是对指定文档中指定单词的词频进行计算。

　　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-*.jar grep ./input ./output 'dfs[a-z.]+'
　　cat ./output/*        　　　　　 # 查看运行结果

mkdir input #在当前目录下创建input子目录
mkdir -p src/main/scala #在当前目录下，创建多级子目录src/main/scala
cp /home/hadoop/word.txt /usr/local/ #把/home/hadoop/word.txt文件复制到“/usr/local”目录下
cat /proc/version #查看Linux系统内核版本信息
cat /home/hadoop/word.txt #把/home/hadoop/word.txt这个文件全部内容显示到屏幕上

　　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

　　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

rm ./word.txt #删除当前目录下的word.txt文件
rm –r ./test #删除当前目录下的test目录及其下面的所有文件
rm –r test* #删除当面目录下所有以test开头的目录和文件

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>

　　修改为下面配置：(hadoop.tmp.dir表示存放临时数据的目录，既包括NameNode的数据，也包括DataNode的数据。该路径任意指定，只要实际存在这个文件夹即可。如果不设置这样一个目录，Linux会给出一个默认的目录，但是这个临时目录在每次退出系统时会被清空掉，下次再运行Hadoop的时候又要重新运行NameNode初始化命令。)（name为fs.defaultFS的值，表示hdfs路径的逻辑名称。）

　　<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>

　　同样的，修改配置文件 hdfs-site.xml：（dfs.replication表示副本的数量，伪分布式要设置为1。在HDFS中，每个数据块，默认有三个副本，要保证冗余性。）（dfs.namenode.name.dir表示本地磁盘目录，是存储fsimage文件的地方。）（dfs.datanode.data.dir表示本地磁盘目录，HDFS数据存放block的地方。）

　　<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>

　　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

　　./bin/hdfs namenode -format

　　成功的话，会看到 “successfully formatted” 和 “Exitting with status 0” 的提示，若为 “Exitting with status 1” 则是出错。

　　最开始执行./bin/hdfs namenode -format时，显示某文件无法找到，考虑可能是因为之前已经把之前运行的grep终端关闭了，所以hadoop不在运行的状态，所以导致没有执行成功。

　　重新在终端执行了上一波的grep，执行完毕后，马上./bin/hdfs namenode -format，终端输出了一堆乱七八糟的东西。但是和教程中的显示结果不同，教程中要求出现“successfully formatted” 和 “Exitting with status 0”，但是我的运行结果中最后一项没有输出，不知道是不是由于hadoop的版本和教程中的版本不同。

　　如果在这一步时提示 Error: JAVA_HOME is not set and could not be found. 的错误，则说明之前设置 JAVA_HOME 环境变量那边就没设置好，请按教程先设置好 JAVA_HOME 变量，否则后面的过程都是进行不下去的。如果已经按照前面教程在.bashrc文件中设置了JAVA_HOME，还是出现 Error: JAVA_HOME is not set and could not be found. 的错误，那么，请到hadoop的安装目录修改配置文件“/usr/local/hadoop/etc/hadoop/hadoop-env.sh”，在里面找到“export JAVA_HOME=${JAVA_HOME}”这行，然后，把它修改成JAVA安装路径的具体地址，比如，“export JAVA_HOME=/usr/lib/jvm/default-java”，然后，再次启动Hadoop。

　　接着开启 NameNode 和 DataNode 守护进程。

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

　　若出现如下SSH提示"Are you sure you want to continue connecting?"，输入yes即可。

　　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。

　　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。

同时按Shift和PRTSC可以选取区域截图，截图自动保存至图片文件夹中。
同时按CTRL和PRTSC可以对选中窗口进行截图，截图自动保存至图片文件夹中。
按PRTSC可以对当前整个界面进行截图，截图自动保存至图片文件夹中。

　　虽然最后成功启动NameNode等进程，但是在开启NameNode和DataNode时，要求输入密码，不知道是不是前面设置无密码SSH登录失败。

　　成功启动后，可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。

　　做到这一步是有点慌的，开启NameNode和DataNode守护进程的时候，需要我输入密码，怀疑前面设置SSH无密码登录出现了错误。执行NameNode格式化的时候，没有出现返回0，不知道是不是前面哪一步出了错误。不过最后伪分布式Hadoop还是启动成功了。

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

　　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

　　复制完成后，可以通过如下命令查看文件列表：

　　./bin/hdfs dfs -ls input

　　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-*.jar grep input output 'dfs[a-z.]+'

　　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，注意到刚才已经更改了配置文件，所以运行结果不同。

　　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/*

　　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

　　运行程序时，输出目录不能存在　　

　　运行 Hadoop 程序时，为了防止覆盖结果，程序指定的输出目录（如 output）不能存在，否则会提示错误，因此运行前需要先删除输出目录。在实际开发应用程序时，可考虑在程序中加上如下代码，能在每次运行时自动删除输出目录，避免繁琐的命令行操作：

　　Configuration conf = new Configuration();
　　Job job = new Job(conf);
     
　　/* 删除输出目录 */
　　Path outputPath = new Path(args[1]);
　　outputPath.getFileSystem(conf).delete(outputPath, true);

　　若要关闭 Hadoop，则运行

　　./sbin/stop-dfs.sh

　　下次启动 hadoop 时，无需进行 NameNode 的初始化，只需要运行 ./sbin/start-dfs.sh 就可以。