Hadoop： Hadoop Cluster配置文件

Posted 2020-08-06 原地没有风

一、环境准备

1、系统环境

2台CentOS7服务器

	NameNode	ResourceManager	DataNode	NodeManager
server1	是		是	是
server2		是	是	是

 

 

 

2、软件环境

java-1.8.0-openjdk

java-1.8.0-openjdk-devel

Hadoop 2.7.3

二、Hadoop配置文件

Hadoop的配置文件：

• 只读的默认配置文件：core-default.xml, hdfs-default.xml, yarn-default.xml 和 mapred-default.xml
• 站点特定的配置文件：etc/hadoop/core-site.xml, etc/hadoop/hdfs-site.xml, etc/hadoop/yarn-site.xml 和 etc/hadoop/mapred-site.xm
• Hadoop环境变量配置文件：etc/hadoop/hadoop-env.sh、etc/hadoop/mapred-env.sh 和 etc/hadoop/yarn-env.sh

管理员用户可以修改etc/hadoop/hadoop-env.sh、etc/hadoop/mapred-env.sh 和 etc/hadoop/yarn-env.sh 脚本来自定义站点特定的配置，修改这些脚本就是配置Hadoop后台进程用到的环境变量，比如，配置JAVA_HOME。

通过修改下面配置参数，管理员可以设置单独的Hadoop后台进程

Daemon	Environment Variable
NameNode	HADOOP_NAMENODE_OPTS
DataNode	HADOOP_DATANODE_OPTS
Secondary NameNode	HADOOP_SECONDARYNAMENODE_OPTS
ResourceManager	YARN_RESOURCEMANAGER_OPTS
NodeManager	YARN_NODEMANAGER_OPTS
WebAppProxy	YARN_PROXYSERVER_OPTS
Map Reduce Job History Server	HADOOP_JOB_HISTORYSERVER_OPTS

 

 

 

 

 

 

其他有用的配置参数：

• HADOOP_PID_DIR：进程ID文件存放的目录
• HADOOP_LOG_DIR：日志文件存放的目录，默认会自动创建。
• HADOOP_HEAPSIZE / YARN_HEAPSIZE：能够使用堆内存的最大值，以MB为单位。默认值是1000，既1000M。使用它可以单独指定某个节点Hadoop进程能够使用的内存大小。

大多数情况下，我们需要配置HADOOP_PID_DIR和HADOOP_LOG_DIR，因为运行Hadoop进程的用户需要对这些目录有写权限。

三、Hadoop后台进程及配置

• HDFS后台进程：NameNode、SecondaryNameNode、DataNode
• YARN后天进程：ResourceManager、WebAppProxy
• MapReduce后台进程：MapReduce Job History Server

下面介绍各个配置文件中的重要参数

1、etc/hadoop/core-site.xml

Parameter	Value	Notes
fs.defaultFS	NameNode URI	hdfs://host:port/
io.file.buffer.size	131072	读写文件的buffer大小，单位byte

 

 

 

2、etc/hadoop/hdfs-site.xml

NameNode配置参数

Parameter	Value	Notes
dfs.namenode.name.dir	NameNo的在本地文件系统中存储namespace和事务日志的目录	如果配置多个目录，用逗号分开，每个目录都会存放一份副本
dfs.hosts	DataDode白名单	不指定，默认所有DataNode都可以使用
dfs.hosts.exclude	DataNode黑名单，不允许使用	不指定，默认所有DataNode都可以使用
dfs.blocksize	268435456	HDFS数据块大小，单位byte，默认64M，对于超大文件可以配置为256M
dfs.namenode.handler.count	100	处理对DataNode的RPC调用的NameNode服务线程数量

 

 

 

 

 

 

 

DataNode配置参数

Parameter	Value	Notes
dfs.datanode.data.dir	DataNode在本地文件系统存储数据块的目录，多个目录按逗号分割	如果是多个目录，会在每个目录存放一个副本

 

 

 

 

3、etc/hadoop/yarn-site.xml

针对ResourceManager 和 NodeManager共同的配置

Parameter	Value	Notes
yarn.acl.enable	true / false	是否启用ACL权限控制，默认false
yarn.admin.acl	Admin ACL	集群上管理员的ACL权限，具体参考Linux下ACL权限控制的详细内容。默认是*，表示任何人都可以访问，什么也不设置（空白）表示禁止任何人访问
yarn.log-aggregation-enable	false	是否启用日志聚合，默认false

 

ResourceManager配置参数

Parameter	Value	Notes
yarn.resourcemanager.address	客户端访问并提交作业的地址（host:port）	一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值
yarn.resourcemanager.scheduler.address	ApplicationMasters 连接并调度、获取资源的地址（host:port）	一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值
yarn.resourcemanager.resource-tracker.address	NodeManagers连接ResourceManager的地址（host:port）	一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值
yarn.resourcemanager.admin.address	管理相关的commands连接ResourceManager的地址（host:port）	一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值
yarn.resourcemanager.webapp.address	浏览器访问ResourceManager的地址（host:port）	一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值
yarn.resourcemanager.hostname	ResourceManager主机名称
yarn.resourcemanager.scheduler.class	ResourceManager调度程序使用的java class	CapacityScheduler (推荐), FairScheduler (推荐), or FifoScheduler
yarn.scheduler.minimum-allocation-mb	为每一个资源请求分配的最小内存	单位MB
yarn.scheduler.maximum-allocation-mb	为每一个资源请求分配的最大内存	单位MB
yarn.resourcemanager.nodes.include-path / yarn.resourcemanager.nodes.exclude-path	同etc/hadoop/hdfs-site.xml

 

NodeManager配置参数

Parameter	Value	Notes
yarn.nodemanager.resource.memory-mb	NodeManager进程可使用的物理内存大小	关系到yarn.scheduler.minimum-allocation-mb和yarn.scheduler.maximum-allocation-mb
yarn.nodemanager.vmem-pmem-ratio	Maximum ratio by which virtual memory usage of tasks may exceed physical memory	The virtual memory usage of each task may exceed its physical memory limit by this ratio. The total amount of virtual memory used by tasks on the NodeManager may exceed its physical memory usage by this ratio.
yarn.nodemanager.local-dirs	存放中间数据的本地目录，多个目录逗号分隔	多个目录可以提升磁盘IO速度
yarn.nodemanager.log-dirs	存放日志的本地目录，多个目录逗号分隔	多个目录可以提升磁盘IO速度
yarn.nodemanager.log.retain-seconds	10800	Default time (in seconds) to retain log files on the NodeManager Only applicable if log-aggregation is disabled.
yarn.nodemanager.remote-app-log-dir	/logs	HDFS directory where the application logs are moved on application completion. Need to set appropriate permissions. Only applicable if log-aggregation is enabled.
yarn.nodemanager.remote-app-log-dir-suffix	logs	Suffix appended to the remote log dir. Logs will be aggregated to ${yarn.nodemanager.remote-app-log-dir}/${user}/${thisParam} Only applicable if log-aggregation is enabled.
yarn.nodemanager.aux-services	mapreduce_shuffle	Shuffle service that needs to be set for Map Reduce applications.

 

History Server 参数配置:

Parameter	Value	Notes
yarn.log-aggregation.retain-seconds	-1	How long to keep aggregation logs before deleting them. -1 disables. Be careful, set this too small and you will spam the name node.
yarn.log-aggregation.retain-check-interval-seconds	-1	Time between checks for aggregated log retention. If set to 0 or a negative value then the value is computed as one-tenth of the aggregated log retention time. Be careful, set this too small and you will spam the name node.

 

4、etc/hadoop/mapred-site.xml

MapReduce 应用的配置:

Parameter	Value	Notes
mapreduce.framework.name	yarn	Execution framework set to Hadoop YARN.
mapreduce.map.memory.mb	1536	Larger resource limit for maps.
mapreduce.map.java.opts	-Xmx1024M	Larger heap-size for child jvms of maps.
mapreduce.reduce.memory.mb	3072	Larger resource limit for reduces.
mapreduce.reduce.java.opts	-Xmx2560M	Larger heap-size for child jvms of reduces.
mapreduce.task.io.sort.mb	512	Higher memory-limit while sorting data for efficiency.
mapreduce.task.io.sort.factor	100	More streams merged at once while sorting files.
mapreduce.reduce.shuffle.parallelcopies	50	Higher number of parallel copies run by reduces to fetch outputs from very large number of maps.

 

 

 

 

 

 

 

 MapReduce JobHistory Server配置:

Parameter	Value	Notes
mapreduce.jobhistory.address	MapReduce JobHistory Server host:port	Default port is 10020.
mapreduce.jobhistory.webapp.address	MapReduce JobHistory Server Web UI host:port	Default port is 19888.
mapreduce.jobhistory.intermediate-done-dir	/mr-history/tmp	Directory where history files are written by MapReduce jobs.
mapreduce.jobhistory.done-dir	/mr-history/done	Directory where history files are managed by the MR JobHistory Server.

 

NodeManagers的健康监控

Hadoop提供了一个监控机制，管理员可以配置NodeManager运行一个脚本，定期检测某个Node是否健康可用。如果某Node不可用，该节点会在standard output打印出一条ERROR开头的消息，NodeManager会定期检查所有Node的output，如果发现有ERROR信息，就会把这个Node标志为unhealthy，然后将其加入黑名单，不会有任务分陪给它了，直到该Node恢复正常，NodeManager检测到会将其移除黑名单，继续分配任务给它。

下面是health monitoring script的配置信息，位于etc/hadoop/yarn-site.xml

Parameter	Value	Notes
yarn.nodemanager.health-checker.script.path	Node health script	Script to check for node’s health status.
yarn.nodemanager.health-checker.script.opts	Node health script options	Options for script to check for node’s health status.
yarn.nodemanager.health-checker.script.interval-ms	Node health script interval	Time interval for running health script.
yarn.nodemanager.health-checker.script.timeout-ms	Node health script timeout interval	Timeout for health script execution.

 

 

 

 

NodeManager要能够定期检查本地磁盘，特别是nodemanager-local-dirs 和 nodemanager-log-dirs配置的目录，当发现bad directories的数量达到了yarn.nodemanager.disk-health-checker.min-healthy-disks指定的值，这个节点才被标志为unhealthy。

Slaves File

列出所有slave hostnames or IP 地址在etc/hadoop/slaves 文件, 一行一个。 Helper 脚本 (described below) 使用etc/hadoop/slaves 文件在许多客户端运行命令。 它不需要任何基于Java的hadoop配置，为了使用此功能，Hadoop节点之间应使用ssh建立互信连接。