Hadoop安装和使用详解

本文主要参考林子雨老师的教程，以下是参考源：

视频慕课：2.3.2 Hadoop的安装与使用详解_哔哩哔哩_bilibili

本文希望通过部署Hadoop为主线，对Hadoop的框架组成、各部分协同工作的原理、技术细节形成一个初步的认知和了解。

Hadoop安装前置知识

现在比较常见的Linux系统安装方式是选择虚拟机安装，在安装前进行方法调研的时候笔者发现：近三年几乎所有方法都是基于虚拟机安装的。而林子雨老师视频中也对两种方法的选择进行了说明：

总的来说，双系统安装并不是使用Linux系统的最优解。主要原因还是使用时较为不方便，一台电脑上最多只能支持同时使用一个系统。其他原因可能是浪费磁盘空间、双系统的配置比较复杂等。但是相比于虚拟机安装，双系统安装的优点是两个系统都能够直接访问硬件。

由于个人原因，笔者采取了双系统安装方式。Linux系统已经早早安装就绪，这里就不做过多演示。

在部署Hadoop之前，需要了解一定的Linux基础知识，如：

• Shell：是指“提供使用者使用界面”的软件（命令解析器），类似于DOS下的command和后来大家比较熟知的cmd.exe。它主要用于接收用户命令然后调用相应的应用程序。
• sudo命令：是Ubuntu中一种权限管理机制。管理员可以授权给一些普通用户去执行一些需要root权限执行的操作。当使用sudo命令时，就需要输入当前用户的密码。
• 密码输入：Linux系统终端输入密码时是不会显示当前输入的内容和输入提示的，不要误以为键盘没有响应。
• 复制粘贴：在Ubuntu终端窗口中，复制粘贴的快捷键需要加上shift。

Hadoop有以下几种运行模式：

• 单机/本地模式：这是Hadoop的默认模式（又称非分布式模式），无需进行其他配置即可运行非分布式即单Java进程，方便进行本地开发调试，适合需要快速安装、体验Hadoop的用户。它访问的是本地磁盘，并不会去访问分布式文件系统HDFS。
• 伪分布式模式：学习Hadoop一般是在伪分布式模式下进行。伪分布式的意思是虽然各个模块是在各个进程上分开运行的，但是最终还是运行在一个操作系统上，并不是真正的分布式。在该模式下，Hadoop可以在单节点上以伪分布式的方式运行，Hadoop进程以分离的JAVA进程来运行，节点既作为Namenode也作为Datanode，同时读取的是HDFS中的文件。简单来说，这个模式就是在一台机器上各个进程上运行Hadoop的各个模块。下文我们也主要采用这个模式来部署Hadoop。
• 分布式模式：使用多台服务器构成集群环境来运行Hadoop，该模式是生产环境采用的模式。

Hadoop安装记录

由于笔者决定采用伪分布式模式运行Hadoop框架，该模式并非生产环境所采用的模式，笔者只是希望通过该模式了解Hadoop集群的一些功能，因此没有非常严格地去查看安装的Hadoop框架以及对应的JDK版本，只是照本宣科地跟着林子雨老师的教程过了一遍。正常的Hadoop框架配置应当预先准备好这一步。

查看环境

参考资料：https://blog.csdn.net/YUE_sasa/article/details/115334502

笔者采用的命令是：

uname -a
1

在装好Ubuntu系统后，在安装Hadoop之前还需要一些工作。

创建Hadoop用户

首先是创建一个名为"$hadoop$"的用户，创建该用户命令如下：

$ sudo useradd -m hadoop -s /bin/bash
1

该命令创建了可以登陆的"$hadoop$"用户，然后可以为其设置密码。

$ sudo passwd ******(个人密码)
1

同时我们还可以为$hadoop$用户增加管理员权限，方便部署，在学习过程中可以解决一些比较复杂棘手的权限问题。

$ sudo adduser hadoop sudo
1

最后注销当前用户，返回登录界面，选择刚才创建的$hadoop$用户进行登录。

更新apt

在这里，apt(Advanced Packaging Tool)是一个Ubuntu中的Shell前端软件包管理器。apt命令提供了查找、安装、省级、删除某一个/一组甚至全部软件包的命令，且命令非常简洁易记忆。

在使用$hadoop$用户登录后，要先更新一下apt，因为后续需要用到apt安装软件。我们可以使用下面这条代码：

$ sudo aptget update
1

如果出现问题，可以参考一下林子雨老师的视频进行配置。

后续我们还需要更改一些配置文件，一般有两种方法：1.使用vim。2.使用gedit。gedit用起来感觉更偏向于windows的txt，对于刚接触Linux系统的同学比较友好。一般来说，linux系统都是默认带有gedit的。gedit的一个坏处是：如果文件更改完不及时关闭gedit程序，会导致终端被占用而无法使用终端。如果需要使用到vim，可以输入下面的代码：

$ sudo apt-get install vim
1

vim的使用可以参考这篇教程：(4条消息) Linux Vim编辑器的基本使用__HsForPyp的博客-CSDN博客

安装SSH、配置SSH无密码登陆

集群、单节点模式都需要用到SSH登陆（类似于远程登陆），Ubuntu默认已经安装了SSH client，此外还需要安装SSH server：

$ sudo apt-get install openssh-server
1

安装后，可以使用如下命令登陆本机：

$ ssh localhost
1

如果你是首次登陆，会出现以下提示，只需要输入yes然后根据题示输入密码，即可登录到本机。

但是这样每次登陆都是需要输入密码，相对来说比较繁琐，将SSH配置成无密码登陆会比较方便。

然后我们可以退出刚才的SSH：

$ exit
1

在回到原先的终端窗口后，我们就可以利用SSH-keygen生成密钥，并且将密钥加入到授权中：

$ cd ~/.ssh/
$ ssh-keygen -t rsa #会有提示，一直摁回车就好
$ cat .id_rsa.pub >> ./authorized_keys #加入授权
1
2
3

此时再使用ssh localhost命令，无需输入密码就可以直接登陆了：

安装Java环境

因为我们需要安装的是Hadoop3.1.3，其需要的JDK版本在1.8以上。我们要先在JDK官网下载JDK1.8的安装包并保存到本地，然后手动安装。

在Linux命令行界面中，我们执行如下命令就可以实现安装包的解压缩：

$ cd /usr/lib
$ sudo mkdir jvm #该位置用于存放JDK文件
$ cd ~ #进入到hadoop用户的主目录
$ sudo tar -zxvf ./jdk-8u162-linux-x64.tar.gz -C /usr/lib/jvm #解压JDK文件到jvm目录下
1
2
3
4

JDK文件解压缩后，我们可以执行如下命令去jvm目录查看一下：

$ cd /usr/lib/jvm
$ ls
1
2

看到上图中的结果之后就说明JDK文件已经解压成功。下面继续执行如下命令，设置环境变量：

$ cd ~
$ vim ~/.bashrc
1
2

在该文件中，输入上图中四条export语句。要注意JAVA_HOME变量的位置一定要是JAVA安装路径的具体地址，否则后面会卡步骤。

保存.bashrc文件后并退出vim编辑器。然后继续执行如下命令使修改的文件立刻生效：

$ source ~/.bashrc #使文件立刻生效
$ java -version #查看是否安装成功
1
2

如果屏幕上返回上图中的信息，则说明JAVA环境安装成功。

Hadoop安装

这个和安装JDK一样，先去Hadoop官网下载相关压缩包即可。

$ sudo tar -zxf ~/hadoop-3.1.3.tar.gz -C /usr/local #解压代码
$ cd /usr/local/
$ sudo mv ./hadoop-3.1.3/ ./hadoop #将文件夹名改为hadoop
$ sudo chown -R hadoop ./haoop #修改文件权限
1
2
3
4

Hadoop解压之后即可使用，可以通过下面的代码检查其是否可用：

$ cd /usr/local/hadoop
$ ./bin/hadoop version
1
2

Hadoop伪分布式配置

如果Hadoop在单节点上以伪分布式的方式运行，Hadoop进程以分离的JAVA进程来运行，节点既可以作为NameNode也可以作为DataNode，同时，该模式下读取的是HDFS中的文件。

伪分布式需要修改两个配置文件$core-site.xml$和$hdfs-site.xml$。Hadoop的配置文件是xml形式，每个配置以声明property的name和value的方式来实现。这里的修改会比较多，建议采用gedit编辑会相对来说比较容易上手，方便初学者学习。

需要在两个配置文件中补充上述两张图中红色方框内的内容即可。

配置完成后，我们可以执行NameNode的格式化：

$ cd /usr/local/hadoop
$ ./bin/hdfs namenode -format
1
2

成功的话，可以看到如下界面：

成功启动后，我们还可以访问Web界面http://localhost:9870查看Namenode和Datanode信息，还可以在线查看HDFS中的文件。

如果启动中遇到问题，可以先看林子雨老师的相关课程，其中有一些问题的解答。

Hadoop运行实例

HDFS文件读写

我们本文采用的是伪分布式运行模式，可以读取HDFS上的数据。而要使用HDFS上的数据，首先要在HDFS中创建用户目录：

$ ./bin/hdfs dfs -mkdir -p /user/hadoop
1

接着我们将本地的xml文件作为输入文件复制到分布式文件系统HDFS中：

$ ./bin/hdfs dfs -mkdir input
$ ./bin/hdfs dfs -put ./etc/hadoop/*.xml input
$ ./bin/hdfs dfs -ls input #复制完成之后，我们可以通过这条命令查看文件列表
1
2
3

伪分布式运行MapReduce作业的方式跟单机模式相同，区别在于伪分布式读取的是HDFS中的文件，我们可以通过单机步骤创建本地input文件夹，输出结果output文件夹都删掉来验证这一点：

可以看到，本地文件的修改并不影响伪分布式读取的结果，伪分布式读取的文件不属于本地，而是HDFS中的文件。

我们也可以将运行结果取回本地：

如果要关闭Hadoop，我们可以运行下面的代码：

$ ./sbin/stop-dfs.sh
1

否则下次启动hadoop会出现这样的情况：

MAPREDUCE任务运行

如果想知道hadoop是否是开启状态，我们可以输入以下命令进行查看：

jps
1

可以看到，目前是有四个Java进程正在运行，根据我们的配置情况来看，hadoop目前是开启状态的。

我们计划使用Hadoop自带的WordeCount进行词频统计，这个过程中我们将会用到Mapreduce来运行任务。

首先我们要准备好输入数据，即需要做统计词频的txt文件（该文件内应存储已经分词的结果，不能存储整篇文章），我们准备了一个hello.txt文件作为输入数据，其内容如下：

（笔者是先在Windows系统中准备好相应的输入数据，再在Linux系统中进行操作）

应该注意的是，该文件在Linux系统中的存储位置应在Hadoop文件下。

然后我们就可以输入以下命令将准备好的词频文件上传到HDFS中做准备：

$ bin/hdfs dfs -mkdir -p /input #在HDFS上创建一个文件夹存放需要计算词频的txt文件
$ bin/hdfs dfs -put hello.txt /input #将本地文件上传到刚刚在HDFS中创建的文件夹中
$ bin/hdfs dfs -ls /input #我们可以通过这个命令查看在HDFS中的这个文件
1
2
3

接下来我们就需要通过hadoop中jar包内自带的wordcount计算词频，首先我们要找到jar包的位置，路径不出以外应该是：…(hadoop安装位置)/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar。

我们可以通过如下命令计算词频：

$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input/hello.txt /out/hellocount
1

然后我们就可以通过下面这条命令查看词频统计后输出的结果了：

$ bin/hdfs dfs -cat /out/hellocount/part-r-00000
1

实验顺利结束！！！

（上述内容仅作记录、学习使用。）