使用vmware+Ubuntu搭建hadoop集群

阅读须知

本文旨在使用Vmware搭建Hadoop集群，如果你使用的是多台独立的、已安装linux操作系统的计算机搭建Hadoop集群的话，请直接从安装Hadoop 开始，否则，我建议你按照安装Vmware并创建Ubuntu虚拟机创建虚拟机并安装ubuntu系统。文中假设的运行环境为：Ubuntu 18.04 Desktop，账户密码都为hadoop，如果你已创建虚拟机，请根据你的设置修改自行修改我文中的相关内容。

下文中所有列出的指令建议逐句执行，以免发生错误！！！

如果你使用的是Vmware虚拟机，建议你在完成每种模式的搭建后第一时间使用快照备份，以给留自己一条后路。

本文选用的软件版本如下：

Ubuntu 18.04 Desktop
Hadoop-3.2.1
OpenJdk-8

Hadoop三种运行模式的区别

非分布式模式/本地模式

该模式为Hadoop的默认模式，一旦你安装了Hadoop，在没有进行相关配置前，Hadoop运行的是本地模式，该模式下，Hadoop使用的是本地文件系统而不是分布式文件系统，且不会启动NameNode、DataNode、JobTracker、TaskTracker等守护进程。该模式用于对MapReduce程序的验证。

伪分布式模式

即Hadoop假装自己在全分布式模式下，与全分布式模式下Hadoop的守护进程在不同主机上运行不同，此时Hadoop的守护进程都在一台主机上运行。此时，Hadoop进程以分离的Java进程来运行，节点及作为NameNode也作为DataNode，同时，读取的是HDFS中的文件。

全分布式模式

Hadoop运行在多台主机（一个集群）中，每台主机都安装了OpenJDK和Hadoop，节点之间通过SSH进行联系。其中，一个节点作为主节点，其他节点要在主节点中注册才能加入集群。

Java运行环境的选择

由于Hadoop是运行在Java环境下的，所以如果Java运行环境版本与Hadoop版本不兼容，Hadoop会无法运行或者在运行的时候会产生问题，以下表格来自Hadoop的官方文档HadoopJavaVersions，你在选择jdk版本的时候充分考虑此表。

Version	Status	Reported By
oracle 1.7.0_15	Good	Cloudera
oracle 1.7.0_21	Good (4)	Hortonworks
oracle 1.7.0_45	Good	Pivotal
openjdk 1.7.0_09-icedtea	Good (5)	Hortonworks
oracle 1.6.0_16	Avoid (1)	Cloudera
oracle 1.6.0_18	Avoid	Many
oracle 1.6.0_19	Avoid	Many
oracle 1.6.0_20	Good (2)	LinkedIn, Cloudera
oracle 1.6.0_21	Good (2)	Yahoo!, Cloudera
oracle 1.6.0_24	Good	Cloudera
oracle 1.6.0_26	Good(2)	Hortonworks, Cloudera
oracle 1.6.0_28	Good	LinkedIn
oracle 1.6.0_31	Good(3, 4)	Cloudera, Hortonworks

创建Hadoop用户

创建一个名为hadoop的用户以进行hadoop安装。

即使你不愿意创建hadoop用户，我也强烈建议你不要使用root用户来搭建hadoop环境，因为这可能带来安全问题。

sudo addgroup hadoop
sudo adduser --ingroup hadoop hadoop

Adding user hadoop' ... Adding new user hadoop' (1000) with group hadoop' ... Creating home directory /home/hadoop' ...
Copying files from `/etc/skel' ...
Enter new UNIX password:
Retype new UNIX password:
passwd: password updated successfully
Changing the user information for hadoop
Enter the new value, or press ENTER for the default
Full Name []:
Room Number []:
Work Phone []:
Home Phone []:
Other []:
Is the information correct? [Y/n]

安装Hadoop

执行以下指令以安装hadoop，openjdk并配置Hadoop，在执行之前，在终端输入sudo -i并输入密码，以root身份运行以下指令。

cd /home/hadoop
wget https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-3.2.1/hadoop-3.2.1.tar.gz # 下载hadoop安装包
tar -zxf hadoop-3.2.1.tar.gz # 解压hadoop安装包
mv ./hadoop-3.2.1 /usr/local/
cd /usr/local
mv ./hadoop-3.2.1 hadoop
chown -R hadoop:hadoop ./hadoop # 更新文件夹所有者
cd hadoop/
apt-get update
apt-get install -y openjdk-8-jdk openjdk-8-jre # 安装openjdk
# 为hadoop指定JAVA_HOME
# sed -i "s?export JAVA_HOME=${JAVA_HOME}?export JAVA_HOME=/usr/lib/jvm/java-11-openjdk-amd64/?g" ./etc/hadoop/hadoop-env.sh # 用于hadoop2
echo "JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/" >> ./etc/hadoop/hadoop-env.sh
echo "export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/" >> /etc/bash.bashrc # 将JAVA_HOME写入环境变量
 # 将hadoop写入环境变量
echo "export HADOOP_HOME=/usr/local/hadoop" >> /etc/bash.bashrc
echo "export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH" >> /etc/bash.bashrc
echo "export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop" >> /etc/bash.bashrc
source /etc/bash.bashrc

运行过程中你可以去泡杯茶喝，因为这个过程需要下载Hadoop和OpenJDK，会占用比较多的时间，下载速度取决于你的网络。

关闭现有的终端，新开一个终端(目的是刷新环境变量)，执行hadoop version。如果你的终端最后显示的内容类似如下，说明已经完成Hadoop的默认模式（非分布式模式/本地模式）的安装。

Hadoop 3.2.1
Source code repository https://gitbox.apache.org/repos/asf/hadoop.git -r b3cbbb467e22ea829b3808f4b7b01d07e0bf3842
Compiled by rohithsharmaks on 2019-09-10T15:56Z
Compiled with protoc 2.5.0
From source with checksum 776eaf9eee9c0ffc370bcbc1888737
This command was run using /usr/local/hadoop/share/hadoop/common/hadoop-common-3.2.1.jar

以单机模式运行

运行自带的mapreduce示例以检验单机模式可以正常运行。

cd /usr/local/hadoop
mkdir input
cp etc/hadoop/*.xml input
bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'
cat output/*

结果显示1 dfsadmin则你的hadoop已经正常完成单机mapreduce任务。

安装openssh-server

Hadoop要用到ssh进行通讯，所以要安装ssh的服务端，以允许外部主机通过ssh远程连接到本地主机。执行以下指令以安装ssh服务端：

sudo apt-get install openssh-server -y

如果你此时是通过ssh连接到主机的，很显然你是不需要进行这一步的。

配置伪分布式模式

修改配置文件

Hadoop的配置文件位于/usr/local/hadoop/etc/hadoop/，完成配置伪分布式需要修改配置文件：core-site.xml、hdfs-site.xml。

如果你懒得修改文件，你可以使用以下指令直接使用我的配置文件：

cd /usr/local/hadoop/etc/hadoop
rm core-site.xml
rm hdfs-site.xml
wget https://gitee.com/focksor/hadoop-config/raw/master/Pseudo-Distributed/core-site.xml
wget https://gitee.com/focksor/hadoop-config/raw/master/Pseudo-Distributed/hdfs-site.xml

或者，你也可以手动修改：

将core-site.xml内容修改为：

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>更改临时目录以防止系统自动清空临时目录内的hadoop相关内容</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>   
    </property>
</configuration>

将hdfs-site.xml内容修改为：

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
        <description>数据块的副本数，在一台机器存放多副本是没有意义的</description>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
        <description>本地磁盘用于存放fsimage文件的目录</description>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
        <description>本地磁盘用于存放HDFS的block的目录</description>
    </property>
</configuration>

设置ssh免登录

ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
chmod 0600 ~/.ssh/authorized_keys

上述命令会在~/.ssh/目录下生成ssh的公钥和私钥并将本机的公钥追加~/.ssh/authorized_keys内。

如果正确完成，你可以执行以下指令以无密码的方式ssh连接到本机

ssh localhost

如果你第一次运行该指令，终端会提示你：

Are you sure you want to continue connecting (yes/no)?

应输入yes后回车。

以伪分布式运行Hadoop

以下指令会在本地运行一个MapReduce工作，如果你想用YARN来运行工作，可以参照YARN on Single Node。

cd /usr/local/hadoop/
bin/hdfs namenode -format # 格式化文件系统
sbin/start-dfs.sh # 启动NameNode和DataNode实例

该步骤不会要求你输入密码，如果该步有让你输入密码，你应该返回上一节设置ssh免登录并确定你是否已正确完成。

正确的输出结果应类似如下：

hadoop@ubuntu:/usr/local/hadoop$ sbin/start-dfs.sh
Starting namenodes on [localhost]
Starting datanodes
Starting secondary namenodes [ubuntu]
ubuntu: Warning: Permanently added 'ubuntu' (ECDSA) to the list of known hosts.

如果你的输出如下，表示你的jdk版本兼容性有问题(笔者在使用openjdk-11+hadoop-2.10.0进行测试的时候出现以下问题)，请参考Java运行环境的选择做出合理的调整，当然，由于出现的是WARNING，你可以无视，但是会出现什么问题不好说。

hadoop@ubuntu:/usr/local/hadoop$ sbin/start-dfs.sh
WARNING: An illegal reflective access operation has occurred
WARNING: Illegal reflective access by org.apache.hadoop.security.authentication.util.KerberosUtil (file:/usr/local/hadoop/share/hadoop/common/lib/hadoop-auth-2.10.0.jar) to method sun.security.krb5.Config.getInstance()
WARNING: Please consider reporting this to the maintainers of org.apache.hadoop.security.authentication.util.KerberosUtil
WARNING: Use --illegal-access=warn to enable warnings of further illegal reflective access operations
WARNING: All illegal access operations will be denied in a future release
Incorrect configuration: namenode address dfs.namenode.servicerpc-address or dfs.namenode.rpc-address is not configured.
Starting namenodes on []
localhost: starting namenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-namenode-ubuntu.out
localhost: starting datanode, logging to /usr/local/hadoop/logs/hadoop-hadoop-datanode-ubuntu.out
Starting secondary namenodes [0.0.0.0]
The authenticity of host '0.0.0.0 (0.0.0.0)' can't be established.
ECDSA key fingerprint is SHA256:wFCc7FRsvL5nFsKgn2BLwS3sQBmjnWJkACM7wsWbvuk.
Are you sure you want to continue connecting (yes/no)? yes
0.0.0.0: Warning: Permanently added '0.0.0.0' (ECDSA) to the list of known hosts.
0.0.0.0: starting secondarynamenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-secondarynamenode-ubuntu.out
WARNING: An illegal reflective access operation has occurred
WARNING: Illegal reflective access by org.apache.hadoop.security.authentication.util.KerberosUtil (file:/usr/local/hadoop/share/hadoop/common/lib/hadoop-auth-2.10.0.jar) to method sun.security.krb5.Config.getInstance()
WARNING: Please consider reporting this to the maintainers of org.apache.hadoop.security.authentication.util.KerberosUtil
WARNING: Use --illegal-access=warn to enable warnings of further illegal reflective access operations
WARNING: All illegal access operations will be denied in a future release

如果你的输出如下：说明你使用了root账户进行操作，此时需要使用指令su hadoop切换到hadoop账户再进行上述操作。

Starting namenodes on [localhost]
ERROR: Attempting to operate on hdfs namenode as root
ERROR: but there is no HDFS_NAMENODE_USER defined. Aborting operation.
Starting datanodes
ERROR: Attempting to operate on hdfs datanode as root
ERROR: but there is no HDFS_DATANODE_USER defined. Aborting operation.
Starting secondary namenodes [aliYun-focksor]
ERROR: Attempting to operate on hdfs secondarynamenode as root
ERROR: but there is no HDFS_SECONDARYNAMENODE_USER defined. Aborting operation.

如果你的输出类似如下，说明你没有设置ssh免登录或者进行该操作时使用的不是hadoop账户，此时你需要使用hadoop账户再进行一次该操作。

Starting namenodes on [localhost]
localhost: Warning: Permanently added 'localhost' (ECDSA) to the list of known hosts.
localhost: hadoop@localhost: Permission denied (publickey,password).
Starting datanodes
localhost: hadoop@localhost: Permission denied (publickey,password).
Starting secondary namenodes [focksor]
focksor: Warning: Permanently added 'focksor,192.168.232.156' (ECDSA) to the list of known hosts.
focksor: hadoop@focksor: Permission denied (publickey,password).

访问管理页面

完成上述步骤后使用ubuntu虚拟机自带的网络浏览器firefox访问以下地址以查看NameNode信息：

http://localhost:9870/

如果你安装的是没有GUI界面的操作系统，你可以通过以下方式访问管理页面：

在真实系统的浏览器访问如下虚拟机的ip地址+端口号：

http://192.168.232.131:9870/

如果你未知你的虚拟机的ip地址，可以参照Ubuntu18.04查看ip地址。

管理界面如下图所示

注：该端口号（9870）对应的是hadoop3.x版本的管理界面，如果你使用的是hadoop2.x，应尝试访问端口（50070）

配置全分布式模式（Hadoop集群）

关闭伪分布式模式

如果你在上一节中开启了伪分布式模式，执行以下指令以关闭服务并清空缓存：

/usr/local/hadoop/sbin/stop-all.sh 
rm -rf /usr/local/hadoop/tmp

克隆出多台虚拟机

将已经完成Hadoop安装(至少hadoop version可以运行)的虚拟机克隆出另外三台（如果你的电脑资源不足，至少克隆出一台），分别命名为hadoop2、hadoop3、hadoop4，此时我们就有了4台安装有Hadoop的虚拟机，我们以hadoop1作为主节点，其它作为子节点进行配置。

如果你不了解Vmware克隆功能的使用方法，你可以参照使用Vmware克隆功能快速创建多台虚拟机。

注：如果你使用的是逻辑主机而不是虚拟机或无法进行克隆操作，你需要将其它主机配置好单机模式。

注：如果你运行的是ubuntu Server，不要直接用克隆，否则你将进入火葬场。

完成克隆后，我的虚拟机ip地址如下，下文所有指令都以我的虚拟机ip地址举例，你需要修改为你的虚拟机对应的ip地址。

如果你不了解如何查看ip地址，你可以参照Ubuntu18.04查看ip地址。

下表中的hostname是便于我们分辨操作的是哪台机器设置的，在下文中会有相关设置指令，你可以先不用管。

虚拟机	ip	hostname
hadoop1	192.168.232.131	master
hadoop2	192.168.232.128	slave1
hadoop3	192.168.232.132	slave2
hadoop4	192.168.232.133	slave3

设置ssh免登录以及hosts

在对应虚拟机中执行以下指令以设置hosts和ssh无密码登录:

在hadoop1中执行:

su
# 将下列ip地址改为你对应虚拟机的ip地址
# 如果不设置hosts，hadoop能正常启动且jps都是正常的，但是管理界面看不到子节点
MASTER_IP=192.168.232.131
SLAVE1_IP=192.168.232.128
SLAVE2_IP=192.168.232.132
SLAVE3_IP=192.168.232.133
echo "$MASTER_IP master" >> /etc/hosts
echo "$SLAVE1_IP slave1" >> /etc/hosts
echo "$SLAVE2_IP slave2" >> /etc/hosts
echo "$SLAVE3_IP slave3" >> /etc/hosts

su hadoop

cd /usr/local/hadoop/

bin/hdfs namenode -format # 格式化文件系统

# 创建ssh密钥，如果你是已经按照上面的章节配置过ssh免登录再进行克隆的话，忽略下面三条指令
ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
chmod 0600 ~/.ssh/authorized_keys

# 分发ssh公钥，执行过程中需要输入yes，有可能需要输入密码hadoop,你需要逐行执行下面的指令
ssh-copy-id -i ~/.ssh/id_rsa.pub hadoop@slave1
ssh-copy-id -i ~/.ssh/id_rsa.pub hadoop@slave2
ssh-copy-id -i ~/.ssh/id_rsa.pub hadoop@slave3

在hadoop2、hadoop3、hadoop4中执行下列指令：

su hadoop

cd /usr/local/hadoop
rm -rf tmp

# 创建ssh密钥
ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
chmod 0600 ~/.ssh/authorized_keys

修改配置文件

在主节点对应的虚拟机(hadoop1)中执行以下指令：

# 修改配置文件，你也可以手动修改
cd /usr/local/hadoop/etc/hadoop
rm core-site.xml hdfs-site.xml mapred-site.xml yarn-site.xml 
wget https://gitee.com/focksor/hadoop-config/raw/master/Cluster/core-site.xml
wget https://gitee.com/focksor/hadoop-config/raw/master/Cluster/hdfs-site.xml
wget https://gitee.com/focksor/hadoop-config/raw/master/Cluster/mapred-site.xml
wget https://gitee.com/focksor/hadoop-config/raw/master/Cluster/yarn-site.xml

echo slave1 > workers 
echo slave2 >> workers
echo slave3 >> workers

# 分发配置文件文件到slave中
cd /usr/local/hadoop/etc
scp -r hadoop/ hadoop@slave1:/usr/local/hadoop/etc
scp -r hadoop/ hadoop@slave2:/usr/local/hadoop/etc
scp -r hadoop/ hadoop@slave3:/usr/local/hadoop/etc

启动Hadoop

在主节点对应的虚拟机hadoop1内输入下面指令以启动Hadoop，启动过程大约需要半分钟：

start-all.sh

访问管理界面

完成上述步骤后使用主节点对应的虚拟机自带的网络浏览器firefox访问以下地址以查看NameNode信息：

http://localhost:9870/

如果你安装的是没有GUI界面的操作系统，你可以通过以下方式访问管理页面：

在真实系统的浏览器访问主节点虚拟机的ip地址+端口号：

http://192.168.232.131:9870/

如果你未知你的虚拟机的ip地址，可以参照Ubuntu18.04查看ip地址。

如果出现如下图所示类似画面（有3个节点，主节点并不在这里显示），则集群已搭建完成并已成功运行。

如果你的管理界面显示Live Nodes为0，或者无法访问管理界面，建议你转到设置ssh免登录以及hosts并检查你的hosts是否设置正确。

上传与下载文件

点击管理页面上侧的Utilities->Browse the file system，访问文件系统，点击下图所示位置开始上传文件。

完成上传后，点击文件的Name即可下载该文件或查看文件副本相关存放信息，如下图所示。

观察Download标签的链接http://192.168.232.150:9870/webhdfs/v1/focksor5.jpg?op=OPEN，你会发现访问的是主节点(NameNode)的地址而不是存放副本的节点(DataNode)的地址，这是因为Hadoop的文件存取都是通过主节点来控制的，所以如果集群主节点挂了整个集群都挂掉。

explorer.html提示错误Server Error的解决方法

如果你的管理界面中的explorer.html(eg:http://192.168.232.150:9870/explorer.html#/)出现错误Failed to retrieve data from /webhdfs/v1/?op=LISTSTATUS: Server Error，如下图所示，说明你的hadoop版本与jdk版本不兼容，建议使用openjdk-8。假设你目前使用的时openjdk-11，你应该在所有节点中执行以下指令以替换jdk，替换后应重启集群：
sudo apt-get install openjdk-8-jre openjdk-8-jdk -y
sed -i "s?java-11-openjdk-amd64?java-8-openjdk-amd64?g" /usr/local/hadoop/etc/hadoop/hadoop-env.sh
正确的运行界面应如下图所示：

explorer.html中上传文件提示Couldn't upload the file的解决方法

如果在explorer.html中上传文件时提示错误Couldn't upload the file filename，如下图所示

打开浏览器的开发者工具监听网络，可以看到是因为focksor-hadoop-slave4无法解析（如下图下侧所示），要解决这个问题，你需要将对应的条目写入到你现实系统的hosts中，假设你的系统为windwos，操作如下：

访问http://192.168.232.150:9870/dfshealth.html#tab-datanode(此处应将ip修改为你的主节点对应的ip地址)

将红框所示的主机名与ip写入到hosts文件中，windows的hosts文件位置为C:WindowsSystem32driversetchosts，你需要有管理员身份才能修改。

修改完成的hosts文件应类似如下：
# Copyright (c) 1993-2009 Microsoft Corp.
#
# This is a sample HOSTS file used by Microsoft TCP/IP for Windows.
#
# This file contains the mappings of IP addresses to host names. Each
# entry should be kept on an individual line. The IP address should
# be placed in the first column followed by the corresponding host name.
# The IP address and the host name should be separated by at least one
# space.
#
# Additionally, comments (such as these) may be inserted on individual
# lines or following the machine name denoted by a '#' symbol.
#
# For example:
#
#      102.54.94.97     rhino.acme.com          # source server
#       38.25.63.10     x.acme.com              # x client host

# localhost name resolution is handled within DNS itself.
#	127.0.0.1       localhost
#	::1             localhost


192.168.232.150 focksor-hadoop-master
192.168.232.151 focksor-hadoop-slave1
192.168.232.152 focksor-hadoop-slave2
192.168.232.153 focksor-hadoop-slave3
192.168.232.154 focksor-hadoop-slave4

使用Python进行文件操作

参考使用python对hdfs进行操作。

附录

如果你无法按照本篇文章完成配置，你可以下载我已经完成环境搭建的虚拟机并自行比较配置差异。如果你不了解如何导入虚拟机，可以参考在Vmware中导入已有的虚拟机。

下载地址：百度网盘提取码：7ith

注：

该集群使用的环境操作系统为ubuntu-18.04.4-live-server-amd64，是无图形操作界面的server版本

该集群的所有主机的用户名与密码都是hadoop

建议你的电脑至少拥有16G内存以流畅运行该集群

该集群的主机名、身份、ip如下表，如果你运行该集群时ip地址与下表不符，应修改虚拟机的ip地址：

身份主机名 ip地址

master focksor-hadoop-master 192.168.232.150

slave focksor-hadoop-slave1 192.168.232.151

slave focksor-hadoop-slave2 192.168.232.152

slave focksor-hadoop-slave3 192.168.232.153

slave focksor-hadoop-slave4 192.168.232.154

身份	主机名	ip地址
master	focksor-hadoop-master	192.168.232.150
slave	focksor-hadoop-slave1	192.168.232.151
slave	focksor-hadoop-slave2	192.168.232.152
slave	focksor-hadoop-slave3	192.168.232.153
slave	focksor-hadoop-slave4	192.168.232.154

参考资料

本文主要参考的内容有：

Hadoop官方文档 Hadoop: Setting up a Single Node Cluster

树锐的Hadoop笔记

Hadoop集群搭建教程（详细）

金鱼的头发