H01_Linux系统中搭建Hadoop和Spark集群

Posted 象牙酥

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了H01_Linux系统中搭建Hadoop和Spark集群相关的知识,希望对你有一定的参考价值。

前言

  1.操作系统:Centos7

  2.安装时使用的是root用户。也可以用其他非root用户,非root的话要注意操作时的权限问题。

  3.安装的Hadoop版本是2.6.5,Spark版本是2.2.0,Scala的版本是2.11.8。

     如果安装的Spark要同Hadoop搭配工作,则需注意他们之间的版本依赖关系。可以从Spark官网上查询到Spark运行需要的环境,如下:

  4.需要的安装包:

安装包下载地址:

  JDK: http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

  Hadoop2.6.5:http://archive.apache.org/dist/hadoop/common/hadoop-2.6.5/

  Scala2.11.8:https://www.scala-lang.org/download/all.html

  Spark2.2.0:http://archive.apache.org/dist/spark/spark-2.2.0/

 

1.基础环境配置

1.1集群规划:

服务器

进程

Hostname

IP

配置

Namenode

SecondaryNamenode

Datanode

ResourceManager

NodeManager

Master

Worker

Hadoop1

192.168.137.21

1G内存、1核

 

 

 

Hadoop2

192.168.137.22

1G内存、1核

 

 

 

 

Hadoop3

192.168.137.23

1G内存、1核

 

 

 

 

 注:因为我自己的笔记本配置并不高,所以这里给每台虚拟机分配的资源都很少,可以的话应尽量分配多一点的资源。

 

1.2所有节点都增加ip和机器名称的映射关系,且3个节点可以相互ping通。 

命令:

vim /etc/hosts

 在文件中加入如下内容

192.168.137.21 hadoop1
192.168.137.22 hadoop2
192.168.137.23 hadoop3

如下:

 

1.3所有节点关闭防火墙

查看防火墙状态:

systemctl status firewalld

关闭防火墙:

systemctl stop firewalld
systemctl disable firewalld

如下:

注:如果你的系统是6.5,则参考该博文《centOS 6.5关闭防火墙步骤》来关闭防火墙。

 

1.4 SSH免密登录设置

SSH免密登录设置参考《L07-Linux配置ssh免密远程登录

通过配置,使得hadoop1、hadoop2、和hadoop3之间都可以相互免密登录(至少要使得hadoop1可以免密登录hadoop2和hadoop3)。

 

1.5配置NTP

这一步在测试环境中可有可无。生产环境的话,毕竟集群之间需要协同工作,几个节点之间的时间同步还是比较重要的。

集群中配置NTP可参考《L01-RHEL6.5中部署NTP(ntp server + client)

 

1.6配置JDK(所有节点)

JDK的配置可参考《L02-RHEL6.5环境中安装JDK1.8

如下:

 

 

注:到这一步,基础环境算是配置好了,这时可以给各个节点做个快照,后面步骤出错了也可以快速恢复。

 

 

2.安装Hadoop

下面的2.1~2.2的步骤在所有节点上都要如此操作。我们先在hadoop1上做这些操作,然后在2.3步用scp命令将配置好的hadoop文件发送到hadoop2、hadoop3节点。

2.1解压安装包到/usr/local/目录下(hadoop1上操作)

命令:

cd /data/soft
tar -xvf hadoop-2.6.5.tar.gz -C /usr/local/

如下:

 

2.2进入到/usr/local/hadoop-2.6.5/etc/hadoop目录下,修改配置文件。(hadoop1上操作)

2.2.1配置hadoop-env.sh

命令:

vim hadoop-env.sh

在hadoop-env.sh中修改JAVA_HOME

export JAVA_HOME=/usr/local/jdk

如下:

注:需根据实际java路径进行修改

 

2.2.2配置core-site.xml

命令:

vim core-site.xml

 在文件中加入如下内容

<property>
    <name>fs.defaultFS</name>
    <value>hdfs://hadoop1:9000</value>
</property>

如下:

注:该文件的这项配置其实就是指定了NameNode所在的节点

 

2.2.3配置hdfs-site.xml

命令:

vim hdfs-site.xml

 在文件中加入如下内容

<property>
         <name>dfs.replication</name>
         <value>2</value>
</property>

如下:

注:该文件其实也可以保持默认,其他个性化操作比如有:

<property>
        <name>dfs.namenode.name.dir</name>
        <value> /bigdata/dfs/name</value>
        <description>需要创建相应的/bigdata/dfs/name目录</description>
</property>
<property>
        <name>dfs.datanode.data.dir</name>
        <value> /bigdata/dfs/data</value>
        <description>需要创建相应的/bigdata/data/name目录</description>
</property>
<property>
        <name>dfs.webhdfs.enabled</name>
        <value>true</value>
</property>

  

2.2.4配置yarn-site.xml

命令:

vim yarn-site.xml

 在文件中添加如下内容

<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
</property>
<property>
    <name>yarn.resourcemanager.address</name>
    <value>hadoop1:8032</value>
</property>
<property>
    <name>yarn.resourcemanager.scheduler.address</name>
    <value>hadoop1:8030</value>
</property>
<property>
    <name>yarn.resourcemanager.resource-tracker.address</name>
    <value>hadoop1:8031</value>
</property>
<property>
    <name>yarn.resourcemanager.admin.address</name>
    <value>hadoop1:8033</value>
</property>
<property>
    <name>yarn.resourcemanager.webapp.address</name>
    <value>hadoop1:8088</value>
</property>
<property>
    <name>yarn.nodemanager.pmem-check-enabled</name>
    <value>false</value>
</property>
<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
</property>

如下:  

注:

可以看到上面有许多端口的配置,网上很多文章的教程中是没有的,这是因为这些端口默认就是8032、8031这样,感觉没有必要显式地再次配置。

最开始我也没配,结果出错了,出错的情形表现为:通过主节点可以启动yarn集群,子节点上有NodeManager进程,但是,在http://192.168.137.22:8088/cluster/nodes页面却没有显示子节点的信息,同时在主节点上通过yarn node -list -all命令查看也没有子节点的信息。然后在nodemanager节点的相关日志日志文件里(/usr/local/hadoop-2.6.5/logs/yarn-root-nodemanager-hadoop2.log)有org.apache.hadoop.ipc.Client: Retrying connect to server: 0.0.0.0/0.0.0.0:8031异常,如下图一所示。我的理解是,因为在yarn-site.xml文件中没有显式地将这些端口配置出来的原因,导致子节点无法向主节点注册(Registered)——然后,从报错的信息看貌似是只要把8031端口配置上了就可以了,其实也不是so easy的……如果不配置其他端口,则提交spark-on-yarn任务的时候会无限地卡在ACCEPTED状态上,卡在该状态上的日志我看不出问题来,但是确实把上面的端口都配置了之后就好了。

因此,最好是将这些端口都显式配置好!!!

图一:

注:判定上图信息是异常的原因,是因为子节点要去连接主节点,它需要连接到正确的主节点IP才行,而上图中连接的却是0.0.0.0——在子节点上,0.0.0.0的IP代表的是子节点自己,它连接错了,自然无法向主节点注册。

 

关于最后两项配置

yarn.nodemanager.pmem-check-enabled:是否启动一个线程检查每个任务正使用的物理内存量,如果任务超出分配值,则直接将其杀掉,默认是true

yarn.nodemanager.vmem-check-enabled:是否启动一个线程检查每个任务正使用的虚拟内存量,如果任务超出分配值,则直接将其杀掉,默认是true

因为我实验时给3台机器分配的资源都很少,所以必须得设置它们都为false,否则运行yarn程序的时候会报如下错误。

报错是因为,执行程序时,yarn对于机器能分配的资源进行了检查,结果发现运行程序需要的资源超出了机器所能分配资源的上限,然后就粗错了。如果把上面两项设置为false,则运行程序时就不会去进行对应的资源检查了,此时虽然机器能分配的资源依然不足,但是yarn不会像之前那样立马把container干掉了,而是会花较长的时间才能把程序跑完。

 

2.2.5配置mapred-site.xml

命令:

cp mapred-site.xml.template mapred-site.xml
vim mapred-site.xml

文件中加入如下内容

    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>

注:这里指定运行mapreduce程序时使用yarn作为资源调度器。

  若运行mapreduce程序时不需要以yarn作为资源调度器的话也可以不配置此项,不会出错,也不会影响Spark以spark-on-yarn模式运行spark程序。

 

2.2.6配置slaves

命令:

vim slaves

 在文件中加入如下内容

hadoop2
hadoop3

如下:

注:本次配置中hadoop1是管理节点,hadoop2和hadoop3是数据节点。如果如果想使得hadoop1既是管理节点又是数据节点,可以把hadoop1也写到slaves文件中来。

 

2.3将hadoop1上配置好的hadoop文件分发到hadoop2和hadoop3节点上(hadoop1上操作)

命令:

scp -r /usr/local/hadoop-2.6.5 root@hadoop2:/usr/local/
scp -r /usr/local/hadoop-2.6.5 root@hadoop3:/usr/local/

  

2.4修改环境变量,在hadoop1上执行以下命令

命令:

vim /etc/profile

在文件中添加如下内容:

export HADOOP_HOME=/usr/local/hadoop-2.6.5
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

 

source /etc/profile命令使修改的环境变量生效,接着用which hdfs命令查看是否修改成功。

 

 

2.5配置完成,接着格式化hdfs

在主节点hadoop1上执行以下命令

hdfs namenode -format

如下:

注:命令执行完之后从结果上很难看出是否格式化成功了,这时可以紧接着通过echo $? 命令查看hdfs namenode -format命令是否执行成功。如果输出0,则说明上一条执行成功,如上图所示。

 

2.6启动hdfs,在hadoop1上执行以下命令

cd /usr/local/hadoop-2.6.5/sbin
./start-dfs.sh

如下:

 注:从输出信息中可以看出,启动hdfs时,先启动NameNode,然后启动DataNode,最后才启动Secondary NameNode。

 

2.7验证hdfs是否启动成功

方法一:

在主节点hadoop1上用jps命令查看是否存在SecondaryNameNode和NameNode进程:

在任一子节点上用jps命令可以查是否存在DataNode进程

 

由上面两张图的查询结果可知,在相应节点上可以查看到相应的SecondaryNameNode、NameNode和DataNode进程。如此,可以认为,从主节点上可以成功启动hdfs集群了。

但是是否一定没有问题了呢?不一定。

我们知道,hadoop集群启动成功之后,子节点会定时向主节点发送心跳信息,主节点以此判断子节点的状态。所以,有时即使我们通过主节点启动hadoop集群成功了,使用jps命令也能查询到相应的SecondaryNameNode、NameNode和DataNode进程——但如果由于某些原因,比如某个子节点的某个配置配错了,如我搭建时的情况是子节点的core-site.xml文件中fs.defaultFS项配置错了,或者是由于防火墙的原因,又或者是由于前面格式化次数太多了出问题导致子节点的cluster_id跟主节点的cluster_id不一致——导致子节点无法向主节点发送心跳信息,那么对主节点来说,该子节点就是dead的了。关于启动hdfs可能出现的几个问题,可参考《H02-启动hdfs时可能遇到的几个问题》。

于是,作为进一步验证的方法,是在主节点上使用hdfs dfsadmin -report来观察集群配置情况。如下:

 

方法二:

通过本地浏览器查看192.168.137.21:50070,验证否部署成功

注:一定要在页面看到所有子节点信息才算hdfs集群没有问题。

 

2.8启动yarnhadoop1上执行以下命令

cd  /usr/local/hadoop-2.6.5/sbin
./start-yarn.sh

如下:

 

2.9验证yarn是否启动成功

方法一

在主节点上用jps命令查看是否有ResourceManager进程

在子节点上用jps命令查看是否有NodeManager进程

由上面两张图可以看到相应的ResourceManager和NodeManager进程已经启动起来了。

但是,同样还不能认为yarn集群就没有问题了,原因如2.2.4中所说的那样(即:可能由于某些原因,导致子节点在启动之后却无法向主节点注册)。

因此,保险起见,应在主节点上再通过yarn node -list -all命令查看一下。如下:

如上图所示,说明yarn启动成功。

如果像下图一那样,说明yarn集群是有问题的——这种时候如果提交了以yarn作为资源调度器的Spark任务,则任务会永远卡在ACCEPTED状态(如下图二),这是因为此时yarn集群只剩下ResourceManager这个光杆司令了,没有资源可以给它调度,所以它会一直卡在分配资源的状态下,要命的是它会一直很顽强地不断地努力尝试分配资源,还不报错......

图一:

图二:

 

方法二:

通过本地浏览器访问192.168.137.21:8088,查看yarn是否正常工作

如上图,在页面上能看到子节点的信息,说明yarn集群没有问题。如果像下图这样,说明你的yarn集群是有问题的。

 

 

 

2.10 hadoop集群验证

 经过前面的步骤,简单的hadoop集群已经搭建完毕,接下来利用hadoop自带的jar包执行一个wordcount的mapreduce程序进行验证。

(1)首先在linux系统中有一个hello.txt文件,文件的内容如下所示

 

(2)接下来在hdfs中新建一个目录input,然后将hello.txt上传到该目录下

命令:

hadoop fs -mkdir /input
hadoop fs -put /data/my_jar/hello.txt /input

 

使用hadoop fs -ls -R /input命令可以看到已经将hello.txt文件放到hdfs上了

 使用hadoop fs -text /input/hello.txt命令可以看到hdfs中hello.txt文件的内容

 

(3)输入已经准备好了。接下来使用以下命令执行wordcount例子程序。

命令:

hadoop jar /usr/local/hadoop-2.6.5/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.5.jar wordcount /input /output

注:

  (1)由于我们前面已经配置mapred-site.xml文件使得mapreduce程序使用yarn作为资源调度器,因此在执行命令时,可以在http://192.168.137.21:8088/cluster/apps页面上看到相应的application信息。

  (2)该命令使用的是hadoop自带的jar包:/usr/local/hadoop-2.6.5/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.5.jar

  (3)注意到到命令的最后两个参数/input和/output——程序将读取hdfs中的/input目录下的文件作为输入,最后将运算结果保存在hdfs的/output目录下。

  (4)注意执行命令前需保证/output目录不存在,否则将会报错。

如下:

注:由上图的Connecting to ResourceManager at hadoop1/192.168.137.21:8032可以看出此次运行的mapreduce程序使用yarn作为资源调度器。

 

在yarn的http://192.168.137.21:8088/cluster/apps页面上可以看到相应的application信息(下图的第二个application):

 注:图中的Application Type可以看出这里跑的是mapreduce程序,如果是以spark-on-yarn模式跑的Spark程序,则这里的显示会是SPARK,如上图的第一个application所示。

 

(4)查看输出

由命令我们知道,该mapreduce程序将运算结果保存在了/output目录下

命令:

hadoop fs -ls -R /output
hadoop fs -text /output/part-r-00000

如下:

 

(5)刚才跑的mapreduce程序是用yarn来做资源调度的,而该程序之所以会以yarn作为资源调度器,是因为前面在第2.2.5步骤中配置了mapred-site.xml,指定mapreduce程序运行时以yarn作为资源调度器。

    倘若在2.2.5步中没有如此指定,则mapreduce程序照样可以运行,如下图所示。

    不过此时的mapreduce程序就不是以yarn作为资源调度器了,并且这时候yarn甚至都可以不启动。

 

 

3.安装Spark

Spark的安装跟hadoop(包括yarn)是相对独立的,即使是需要以spark-on-yarn模式运行Spark程序。Spark和hadoop的关系,不像hadoop和jdk之间的关系那样——安装hadoop之前必须配置好jdk,但安装Spark之前并不必须得先安装hadoop。

Spark和hadoop的关系,更像是你和楼下饭店的关系,当你自己做饭吃的时候,楼下饭店存不存在是与你无关的;只有当你不自己做饭了,你才需要楼下有家饭店。拿Spark来说,就是:如果只是需要以local或者standalone模式运行Spark程序,那么集群中有没有安装hadoop都无关紧要;只有当Spark程序需要以spark-on-yarn模式运行或者需要读取hdfs中的文件时,它才需要hadoop的存在。所以如果没有以spark-on-yarn模式运行Spark程序的需求的话,可以不安装第2步中的hadoop环境,不过第1步的基础环境还是需要配置的。——这是我初学Spark时一直迷糊的一个点,希望这里说明清楚了。

 

3.1安装Scala

关于安装Spark之前要不要安装scala?其实我也不确定。有教程说不用安装,因为Spark安装包中自带scala了。也有的教程说需要先安装scala。

对于我来说,首先因为安装scala也没多难,其次后期我还要用scala来开发Spark程序,所以也就安装了。

不管怎样,安装步骤如下。

3.1.1root用户解压scala安装包到/usr/local目录下hadoop1上操作

命令:

cd /data/soft
tar -xvf scala-2.11.8.tgz  -C  /usr/local/

  

3.1.2将解压后的scala目录拷贝到hadoop2hadoop3hadoop1上操作

命令:

scp -r /usr/local/scala-2.11.8 root@hadoop2:/usr/local/
scp -r /usr/local/scala-2.11.8 root@hadoop3:/usr/local/

  

3.1.3分别在三台虚拟机上修改环境变量:

命令:

vi /etc/profile

加入如下内容

export SCALA_HOME=/usr/local/scala-2.11.8
export PATH=$PATH:$SCALA_HOME/bin

如下:

 

3.1.4使修改的环境变量生效

命令:

source  /etc/profile

 

接着用which scala命令查看scala的安装目录是不是我们想要的

 

3.1.5测试是否安装成功

命令:

scala

或者

scala -version

 

3.2安装Spark(hadoop1上操作)

3.2.1解压Spark安装包到/usr/local/目录下

命令:

cd /data/soft
tar -xvf spark-2.2.0-bin-hadoop2.6.tgz -C /usr/local/

  

3.2.2参数配置

3.2.2.1配置slaves

命令:

cd  /usr/local/spark-2.2.0-bin-hadoop2.6/conf
cp slaves.template slaves
vim slaves

写入如下内容

hadoop2
hadoop3

如下:

 

3.2.2.2配置spark-env.sh

命令:

cp spark-env.sh.template spark-env.sh
vi spark-env.sh

在文件中加入以下内容:

export JAVA_HOME=/usr/local/jdk
export HADOOP_HOME=/usr/local/hadoop-2.6.5
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SPARK_MASTER_HOST=hadoop1
export SPARK_MASTER_PORT=7077

如下:

注:

  1) JAVA_HOME是一定要配置的

  2) 配置HADOOP_HOME和HADOOP_CONF_DIR是因为,之后我需要以spark-on-yarn模式运行Spark程序,配置HADOOP_CONF_DIR才能使得Spark可以找到正确的hadoop环境,否则每次以spark-on-yarn模式运行Spark程序时都需要手动export HADOOP_CONF_DIR=/usr/local/hadoop-2.6.5/etc/hadoop才行。如果只想以local或standalone模式运行Spark程序,则这两项可以不配置。

  3) 至于SPARK_MASTER_HOST和SPARK_MASTER_PORT,感觉没有必要显式地配置,因为人家使用默认值也是没有问题的,但是我还是配上了,不配置的话会不会有问题我就不知道了。

 

3.2.3将配置好的spark文件拷贝到hadoop2和hadoop3节点上

命令:

scp -r /usr/local/spark-2.2.0-bin-hadoop2.6 root@hadoop2:/usr/local/
scp -r /usr/local/spark-2.2.0-bin-hadoop2.6 root@hadoop3:/usr/local/

  

3.2.4在hadoop1节点上配置环境变量

命令:

vim /etc/profile

在文件中加入以下内容:

export SPARK_HOME=/usr/local/spark-2.2.0-bin-hadoop2.6
export PATH=$PATH: ${SPARK_HOME}/bin

如下:

注:这里之所以没有在PATH中加入${SPARK_HOME}/sbin,是因为该目录和$HADOOP_HOME/sbin目录下都存在start-all.sh和stop-all.sh脚本,如果在PATH中加入${SPARK_HOME}/sbin,当然也是没有问题的,但是有可能会产生误操作(有时候你想关闭Spark集群,于是在任意位置执行stop-all.sh命令,极有可能就把hadoop集群给关咯),所以为了避免这种情况,干脆不配置了,当要执行start-all.sh和stop-all.sh时再手动切换到${SPARK_HOME}/sbin目录下去执行即可。

 

使修改的环境变量生效:

source  /etc/profile

  

3.2.5启动spark集群

命令:

cd /usr/local/spark-2.2.0-bin-hadoop2.6/sbin
./start-all.sh

如下:

 

3.2.6 通过网页192.168.137.21:8080查看是否成功

注:同样也是要在页面上看到所有的Woker子节点的信息才算是成功了。

 

3.3运行spark程序测试

安装完Spark之后,应该测试一下安装的Spark在local模式、standalone模式和spark-on-yarn模式下是否等能成功运行程序。

对于安装的Spark集群,有必要测试一下Spark程序是否可以以standalone模式运行。

倘若以后需要以spark-on-yarn模式进行开发,则spark-on-yarn模式的测试也非常有必要,因为有的时候虽然yarn集群启动成功了,但是由于yarn默认参数配置不一定适合你当时的集群硬件配置,极有可能是有问题的,只有跑一个程序测试一下才能试出问题来。

Spark中也自带了测试例子,测试方式参考:https://blog.csdn.net/pucao_cug/article/details/72453382

 

 

 

至此,配置完成 

 

以上是关于H01_Linux系统中搭建Hadoop和Spark集群的主要内容,如果未能解决你的问题,请参考以下文章

hadoop ha集群搭建

搭建Hadoop环境

hbase_学习_01_HBase环境搭建(单机)

03. 搭建Spark集群(CentOS7+Spark2.1.1+Hadoop2.8.0)

00Hadoop集群搭建之模板系统

Hadoop MapReduce介绍官方示例及执行流程