H01_Linux系统中搭建Hadoop和Spark集群

Posted 2020-11-14 象牙酥

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

 

用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yarn，在hadoop1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：由图中的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。

3.1.1用root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hadoop2和hadoop3（hadoop1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