Hadoop群集设置

Hadoop群集设置

       近期特别看了Hadoop的资料。感觉特别好，整理一下发在自己的博客上，希望对想了解集群的网友有所帮助。

參考资料：http://hadoop.apache.org/docs/r1.0.4/cn/cluster_setup.html

目的

本文描写叙述了怎样安装、配置和管理有实际意义的Hadoop集群，其规模可从几个节点的小集群到几千个节点的超大集群。

假设你希望在单机上安装Hadoop玩玩，从这里能找到相关细节。

先决条件

  1. 确保在你集群中的每一个节点上都安装了全部必需软件。
  2. 获取Hadoop软件包。

安装

安装Hadoop集群通常要将安装软件解压到集群内的全部机器上。

通常，集群里的一台机器被指定为 NameNode，还有一台不同的机器被指定为JobTracker。这些机器是masters。余下的机器即作为DataNode也作为TaskTracker。这些机器是slaves。

我们用HADOOP_HOME指代安装的根路径。通常。集群里的全部机器的HADOOP_HOME路径同样。

配置

接下来的几节描写叙述了怎样配置Hadoop集群。

配置文件

对Hadoop的配置通过conf/文件夹下的两个重要配置文件完毕：

  1. hadoop-default.xml - 仅仅读的默认配置。
  2. hadoop-site.xml - 集群特有的配置。

要了解很多其它关于这些配置文件怎样影响Hadoop框架的细节，请看这里。

此外，通过设置conf/hadoop-env.sh中的变量为集群特有的值。你能够对bin/文件夹下的Hadoop脚本进行控制。

集群配置

要配置Hadoop集群，你须要设置Hadoop守护进程的执行环境和Hadoop守护进程的执行參数。

Hadoop守护进程指NameNode/DataNode 和JobTracker/TaskTracker。

配置Hadoop守护进程的执行环境

管理员可在conf/hadoop-env.sh脚本内对Hadoop守护进程的执行环境做特别指定。

至少，你得设定JAVA_HOME使之在每一远端节点上都被正确设置。

管理员能够通过配置选项HADOOP_*_OPTS来分别配置各个守护进程。 下表是能够配置的选项。

守护进程 配置选项
NameNode HADOOP_NAMENODE_OPTS
DataNode HADOOP_DATANODE_OPTS
SecondaryNamenode HADOOP_SECONDARYNAMENODE_OPTS
JobTracker HADOOP_JOBTRACKER_OPTS
TaskTracker HADOOP_TASKTRACKER_OPTS

比如。配置Namenode时,为了使其可以并行回收垃圾（parallelGC）。 要把以下的代码增加到hadoop-env.sh :
export HADOOP_NAMENODE_OPTS="-XX:+UseParallelGC ${HADOOP_NAMENODE_OPTS}"

其他可定制的经常使用參数还包含：

  • HADOOP_LOG_DIR - 守护进程日志文件的存放文件夹。假设不存在会被自己主动创建。
  • HADOOP_HEAPSIZE - 最大可用的堆大小，单位为MB。

    比方，1000MB。 这个參数用于设置hadoop守护进程的堆大小。缺省大小是1000MB。

配置Hadoop守护进程的执行參数

这部分涉及Hadoop集群的重要參数，这些參数在conf/hadoop-site.xml中指定。

參数 取值 备注
fs.default.name NameNode的URI。

 hdfs://主机名/
mapred.job.tracker JobTracker的主机（或者IP）和port。 主机:port。
dfs.name.dir NameNode持久存储名字空间及事务日志的本地文件系统路径。

 当这个值是一个逗号切割的文件夹列表时，nametable数据将会被拷贝到全部文件夹中做冗余备份。
dfs.data.dir DataNode存放块数据的本地文件系统路径，逗号切割的列表。 当这个值是逗号切割的文件夹列表时，数据将被存储在全部文件夹下，通常分布在不同设备上。
mapred.system.dir Map/Reduce框架存储系统文件的HDFS路径。比方/hadoop/mapred/system/。

 这个路径是默认文件系统（HDFS）下的路径， 须从server和client上均可訪问。
mapred.local.dir 本地文件系统下逗号切割的路径列表。Map/Reduce暂时数据存放的地方。 多路径有助于利用磁盘i/o。
mapred.tasktracker.{map|reduce}.tasks.maximum 某一TaskTracker上可执行的最大Map/Reduce任务数。这些任务将同一时候各自执行。 默觉得2（2个map和2个reduce），可根据硬件情况更改。
dfs.hosts/dfs.hosts.exclude 许可/拒绝DataNode列表。 如有必要，用这个文件控制许可的datanode列表。
mapred.hosts/mapred.hosts.exclude 许可/拒绝TaskTracker列表。 如有必要，用这个文件控制许可的TaskTracker列表。

通常。上述參数被标记为 final 以确保它们不被用户应用更改。

现实世界的集群配置

这节罗列在大规模集群上执行sort基准測试(benchmark)时使用到的一些非缺省配置。

  • 执行sort900的一些非缺省配置值，sort900即在900个节点的集群上对9TB的数据进行排序：

    參数 取值 备注
    dfs.block.size 134217728 针对大文件系统。HDFS的块大小取128MB。
    dfs.namenode.handler.count 40 启动很多其它的NameNode服务线程去处理来自大量DataNode的RPC请求。
    mapred.reduce.parallel.copies 20 reduce启动很多其它的并行拷贝器以获取大量map的输出。
    mapred.child.java.opts -Xmx512M 为map/reduce子虚拟机使用更大的堆。
    fs.inmemory.size.mb 200 为reduce阶段合并map输出所需的内存文件系统分配很多其它的内存。
    io.sort.factor 100 文件排序时很多其它的流将同一时候被归并。
    io.sort.mb 200 提高排序时的内存上限。
    io.file.buffer.size 131072 SequenceFile中用到的读/写缓存大小。

  • 执行sort1400和sort2000时须要更新的配置，即在1400个节点上对14TB的数据进行排序和在2000个节点上对20TB的数据进行排序：

    參数 取值 备注
    mapred.job.tracker.handler.count 60 启用很多其它的JobTracker服务线程去处理来自大量TaskTracker的RPC请求。
    mapred.reduce.parallel.copies 50  
    tasktracker.http.threads 50 为TaskTracker的Http服务启用很多其它的工作线程。reduce通过Http服务获取map的中间输出。
    mapred.child.java.opts -Xmx1024M 使用更大的堆用于maps/reduces的子虚拟机

Slaves

通常。你选择集群中的一台机器作为NameNode，另外一台不同的机器作为JobTracker。余下的机器即作为DataNode又作为TaskTracker。这些被称之为slaves。

在conf/slaves文件里列出全部slave的主机名或者IP地址，一行一个。

日志

Hadoop使用Apache log4j来记录日志，它由Apache Commons Logging框架来实现。编辑conf/log4j.properties文件能够改变Hadoop守护进程的日志配置（日志格式等）。

历史日志

作业的历史文件集中存放在hadoop.job.history.location。这个也能够是在分布式文件系统下的路径。其默认值为${HADOOP_LOG_DIR}/history。jobtracker的web UI上有历史日志的web UI链接。

历史文件在用户指定的文件夹hadoop.job.history.user.location也会记录一份，这个配置的缺省值为作业的输出文件夹。这些文件被存放在指定路径下的“_logs/history/”文件夹中。

因此，默认情况下日志文件会在“mapred.output.dir/_logs/history/”下。假设将hadoop.job.history.user.location指定为值none，系统将不再记录此日志。

用户可使用下面命令在指定路径下查看历史日志汇总
$ bin/hadoop job -history output-dir
这条命令会显示作业的细节信息，失败和终止的任务细节。
关于作业的很多其它细节。比方成功的任务，以及对每一个任务的所做的尝试次数等能够用以下的命令查看
$ bin/hadoop job -history all output-dir

一但所有必要的配置完毕，将这些文件分发到所有机器的HADOOP_CONF_DIR路径下。一般是${HADOOP_HOME}/conf。

Hadoop的机架感知

HDFS和Map/Reduce的组件是可以感知机架的。

NameNode和JobTracker通过调用管理员配置模块中的APIresolve来获取集群里每一个slave的机架id。该API将slave的DNS名称（或者IP地址）转换成机架id。

使用哪个模块是通过配置项topology.node.switch.mapping.impl来指定的。模块的默认实现会调用topology.script.file.name配置项指定的一个的脚本/命令。 假设topology.script.file.name未被设置，对于全部传入的IP地址，模块会返回/default-rack作为机架id。在Map/Reduce部分另一个额外的配置项mapred.cache.task.levels。该參数决定cache的级数（在网络拓扑中）。比如，假设默认值是2，会建立两级的cache－ 一级针对主机（主机 -> 任务的映射）另一级针对机架（机架 -> 任务的映射）。

启动Hadoop

启动Hadoop集群须要启动HDFS集群和Map/Reduce集群。

格式化一个新的分布式文件系统：
$ bin/hadoop namenode -format

在分配的NameNode上，执行以下的命令启动HDFS：
$ bin/start-dfs.sh

bin/start-dfs.sh脚本会參照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在全部列出的slave上启动DataNode守护进程。

在分配的JobTracker上，执行以下的命令启动Map/Reduce：
$ bin/start-mapred.sh

bin/start-mapred.sh脚本会參照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在全部列出的slave上启动TaskTracker守护进程。

停止Hadoop

在分配的NameNode上，运行以下的命令停止HDFS：
$ bin/stop-dfs.sh

bin/stop-dfs.sh脚本会參照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在全部列出的slave上停止DataNode守护进程。

在分配的JobTracker上。执行以下的命令停止Map/Reduce：
$ bin/stop-mapred.sh

bin/stop-mapred.sh脚本会參照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在全部列出的slave上停止TaskTracker守护进程。

版权声明：本文博主原创文章，博客，未经同意，不得转载。

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/mengfanrong/p/4759340.html