通过虚拟化技术在Linux系统下搭建Hadoop集群的研究与实现
2016-11-16 14:45黄楠
电脑知识与技术 2016年25期
关键词：虚拟化
黄楠
摘要：本文从节约成本和简化搭建过程出发，介绍了通过VMware Workstation和CentOS 6.5在单机环境下，搭建分布式Hadoop集群的方法，并给出了详细的搭建步骤，最后对搭建好的平台进行了测试，测试结果表明建立在虚拟机上的Hadoop集群已经可以正常运行，可在上面进行实验和应用开发。
关键词：Hadoop；VMware；虚拟化
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）25-0175-06
1 概述
目前，大数据已经成为研究的热点，大数据的解决方案种类繁多，其中Hadoop作为 Apache基金会的一个开源项目，已经积累了大量用户，在业界也得到了广泛的认可，一些知名企业如百度、阿里巴巴、 谷歌、腾讯和facebook等，纷纷将 Hadoop应用于商业领域。传统的Hadoop集群是基于物理节点搭建的，虽然理论上组建一个 Hadoop集群不需要昂贵的高性能计算机，仅需一些廉价的计算机即可[1，2]，但如采用传统技术搭建Hadoop集群，就不得不面对一些问题：①构建集群需要大量的物理设备以及足够的实验场地②物理机的性能得不到充分利用；③基于物理机的Hadoop集群组建后，如需增加节点，就要增加新的物理机，需要更大的场地，而且集线器、交换机等物理设备也要相应增加，布置起来比较错综复杂。面对这些问题，如何在？本文对这个问题进行探讨，介绍一下在单机环境中，使用VMware Workstation 10和CentOS 6.5搭建Hadoop分布式集群并进行简单的测试。
2 Hadoop简介
Hadoop是一种分析和处理大数据的软件平台，是Apache的一个用Java语言所实现的开源软件框架，在大量计算机组成的集群当中实现了对海量数据进行分布式计算。Hadoop的框架最核心的设计就是：HDFS和MapReduce，HDFS为海量的数据提供了存储，而MapReduce为海量的数据提供了计算。大数据在Hadoop处理的流程可以参照图1来进行理解：数据是通过Hadoop的集群处理后得到的结果。[3]
Hadoop的集群主要由 NameNode，DataNode，Secondary NameNode，JobTracker，TaskTracker组成，如图2所示：
NameNode：记录文件是如何被拆分成block以及这些block都存储到了那些DateNode节点，同时也保存了文件系统运行的状态信息。
DataNode：存储被拆分的blocks。
Secondary NameNode：帮助NameNode收集文件系统运行的状态信息。
JobTracker：当有任务提交到Hadoop集群时，负责Job的运行，负责调度多个TaskTracker。
TaskTracker：负责某一个map或者reduce任务。
3 搭建Hadoop虚拟实验平台
3.1准备与安装环境
服务器准备：安装虚拟机和linux，虚拟机推荐使用vmware；PC可以使用workstation，配置低的话可选择Cygwin，模拟linux环境；服务器可以使用ESXi，在管理上比较方便。ESXi还可以通过拷贝镜像文件复制虚拟机，复制后自动修改网卡号和ip非常快捷。 如果只是实验用途，硬盘大约预留20-30G空间。
操作系统：CentOS 6.5 ，分区可以选择默认，安装选项默认即可，注意选项里应包括ssh ， vi （用于编辑配置文件） ， perl等（有些脚本里包含perl代码需要解析）。
JAVA环境：到Oracle官网下载java jdk安装包，并且进行安装。
3.2实验环境
硬件环境：Vmware 10 ，三台Linux虚拟机：CentOS 6.5， 安装介质：cdh5.4.0。
三台虚拟机配置如表1：
3.3安装与配置三台虚拟机
3.3.1准备三台虚拟机
打开虚拟软件VMware WorkStation。
点击“文件”->“打开”，找到虚拟机所在目录，打开装有CentOS6.5的虚拟机。
通过克隆生成新的虚拟机，如图3。
3.3.2操作系统网络配置
确认三台虚拟机为不同MAC地址，选择“NAT模式”的网络连接方式，如图4。
打开虚拟机，按照表1设置IP地址，然后通过“ifconfig”命令查看网络地址，如图5。
设置完后，root用户用“service network restart”命令重启网络。
根据表1修改三台主机的主机名，修改后系统需重新启动，编辑/etc/sysconfig/network，HOSTNAME=master或slave。
修改/etc/hosts，所有主机添加如下内容：
192.168.xx.101 master
192.168.xx.102 slave1
192.168.xx.103 slave2
3.3.3 ssh无密码登录配置
三台主机确保关闭防火墙，#chkconfig iptables，#services iptables stop。
关闭SElINUX，修改/etc/selinux/config中的SELINUX=””为disable。
在所有主机生成密钥并配置SSH无密码登录主机
#ssh-keygen -t rsa
在master生成认证文件，然后授权并将文件拷贝到slave1
#cat ～/.ssh/id_rsa.pub >>～ /.ssh/authorized_ keys
# chmod 600 authorized_keys
#scp ～/.ssh/authorized_ keys slave 1：～/.ssh/
在slave1上添加公钥信息，然后授权并将文件拷贝到slave2
#cat ～/.ssh/id_rsa.pub >>～ /.ssh/authorized_ keys
# chmod 600 authorized_keys
#scp ～/.ssh/authorized_ keys slave 2：～/.ssh/
在slave2上添加公钥信息，然后授权并将文件拷贝到master和slave1
#cat ～/.ssh/id_rsa.pub >>～ /.ssh/authorized_ keys
# chmod 600 authorized_keys
#scp ～/.ssh/authorized_ keys master：～/.ssh/
#scp ～/.ssh/authorized_ keys slave 1：～/.ssh/
测试是否实现三台主机间的无密码登录
#ssh master
#ssh slave1
3.3.4 配置JAVA环境
三台主机分别上传jdk文件到桌面并执行配置
mkdir /usr/java
mv ～/Desktop/jdk-7u71-linux-x64.gz /usr/java/
cd /usr/java
tar -xvf jdk-7u71-linux-x64.gz
在master配置环境变量，在/root/.bashrc文件添加如下内容
export JAVA_HOME=/usr/java/jdk1.7.0_71
export PATH=$PATH：$JAVA_HOME/bin
生效并发送到另外两台主机
#source .bashrc
#scp .bashrc slave1： ～
#scp .bashrc slave2： ～
验证
#java -version
3.3.5配置集群时间同步
选择master作为时间同步服务器，修改master的/etc/ntp.conf，添加
restrict 192.168.x.O mask 255.255.255.0 notrap nomodify
server 127.127.1.0 #local clock
启动服务
#service ntpd start
#chkconfig ntpd on
在slave1和slave2上添加定时任务，执行#crontab -e命令，添加如下内容
0 1 * * * root /usr/sbin/ntpdate master >> /root/ntpdate.log 2>&1
3.3.6 配置yum源
设置虚拟机master，使用ISO镜像文件，如图6。
在master上挂载光驱
#mkdir /media/cdh5
#mount -o loop -t iso9660 /dev/cdrom /media/cdh5
在master上创建文件/etc/yum.repos.d/cloudera-cdh5.repo，添加
[cloudera-cdh5]
name=Clouderas Distribution for Hadoop， Version 5
baseurl=file：///media/cdh5/cdh/5.4.0/
gpgcheck=O
enabled= 1
在slave1和slave2上创建文件/etc/yum.repos.d/cloudera-cdh5.repo，添加
[cloudera-cdh5]
name=Clouderas Distribution for Hadoop， Version 5
baseurl=http：//master/media_cdh5/cdh/5.4.0/
gpgcheck=O
enabled= 1
在master上启动web服务
#service httpd start
#chkconfig httpd on
在master上创建相应软连接并测试
#ln -s /media/cdh5 /var/www/html/media_cdh5
#yum clean all
#yum list |grep hadoop-hdfs
3.3.7安装HDFS
在master上安装
yum install -y hadoop hadoop-hdfs hadoop-client hadoop-doc ＼
hadoop-debuginfo hadoop-hdfs-namenode ＼
hadoop-hdfs-secondarynamenode
在slave1和slave2节点上安装
yum install -y hadoop hadoop-hdfs hadoop-client hadoop-doc ＼
hadoop-debuginfo hadoop-hdfs-datanode
3.3.8安装YARN
在master上安装
yum install -y hadoop-yarn hadoop-yarn-resourcemanager
在slave1和slave2节点上安装
yum install hadoop-yarn hadoop-yarn-nodemanager hadoop-mapreduce -y
3.3.9配置HAdoop环境变量
在master配置环境变量，在/root/.bashrc文件添加如下内容
#HADOOP
export HADOOP_HOME=/usr/lib/hadoop
export HADOOP_HDFS_HOME=/usr/lib/hadoop-hdfs
export HADOOP_MAPRED_HOME=/usr/lib/hadoop-mapreduce
export HADOOP_COMMON_HOME=${HADOOP_HOME}
export HADOOP_YARN_HOME=/usr/lib/hadoop-yarn
export HADOOP_LIBEXEC_DIR=${HADOOP_HOME}/libexec
export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export HDFS_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export YARN_CONF_DIR=${HADOOP_HOME}/etc/hadoop
执行如下命令使配置生效，并发送到slave1和slave2
#source .bashrc
#scp .bashrc slave1： ～
#scp .bashrc slave2： ～
Hadoop有两类重要的配置文件：
只读默认的配置文件：core-default.xml， hdfs-default.xml， yarn-default.xml，mapred-default.xml。
手工配置文件（$HADOOP_HOME/etc/hadoop/目录下）： core-site.xml，hdfs-site.xml，yarn-site.xml， mapred-site.xml。
另外，还有几个重要的Hadoop环境配置文件：yarn-env.sh，slaves。
在master上修改yarn-env.sh和slave文件，配置yarn的运行环境
#vi $HADOOP_HOME/etc/hadoop/yarn-env.sh
export JAVA_HOME=/usr/java/jdk1.7.0_71/
#vi $HADOOP_HOME/etc/hadoop/slaves
slave1
slave2
修改core-site.xml文件
#vi $HADOOP_HOME/etc/hadoop/core-site.xml
修改hdfs-site.xml文件
#vi $HADOOP_HOME/etc/hadoop/hdfs-site.xml
在master节点手动创建dfs.namenode.name.dir的本地目录
#mkdir -p /data/dfs/nn
在slave1和slave2节点手动配置创建dfs.datanode.data.dir的本地目录
#mkdir -p /data/dfs/dn
在所有主机上修改所有者权限
#chown -R hdfs：hdfs /data/dfs
下面列出一些需要关注的资源分配参数，如表2。
配置yarn-site.xml文件
增加
修改
配置mapred-site.xml
复制配置到其他节点，复制.bashrc和hadoop配置文件到slave1和slave2
#scp .bashrc slave1： ～
#scp .bashrc slave2： ～
#scp -r /etc/hadoop/conf slave1：/etc/hadoop/
#scp -r /etc/hadoop/conf slave2：/etc/hadoop/
在master节点上进行格式化
#sudo -u hdfs hadoop namenode –format
3.3.10启动HDFS集群
在master上启动
#service hadoop-hdfs-namenode start
#service hadoop-hdfs-secondarynamenode start
在slave1和slave2上启动
#service hadoop-hdfs-datanode start
通过jsp命令查看进程，确认HDFS集群是否成功启动
登录web控制台，查看HDFS集群状态，http：//192.168.6.101：50070，如图7
3.3.11创建HDFS目录
创建/temp临时目录，并设置权限为1777
#sudo –u hdfs hadoop fs –mkdir –p /tmp/hadoop-yarn
#sudo –u hdfs hadoop fs –chmod –R 1777 /tmp
创建/user用户目录，并设置权限为777
#sudo –u hdfs hadoop fs –mkdir /user
#sudo –u hdfs hadoop fs –chmod 777 /user
创建yarn.nodemanager.remote-app-log-dir目录
#sudo –u hdfs hadoop fs –mkdir –p /var/log/hadoop-yarn/apps
#sudo –u hdfs hadoop fs –chown yarn：mapred /var/log/hadoop-yarn/apps
#sudo –u hdfs hadoop fs –chmod 1777 /var/log/hadoop-yarn/apps
#sudo –u hdfs hadoop fs –chmod 1777 /tmp/hadoop-yarn
3.3.12启动YARN集群
在master上启动
#service hadoop-yarn-resourcemanager start
在slave1和slave2上启动
#service hadoop-yarn-nodemanager start
通过jsp命令查看进程，确认YARN集群是否成功启动
通过Web控制台，查看ResourceManager状态，http：//192.168.6.101：8088，如图8。
通过Web控制台，查看NodeManager状态，http：//192.168.6.102：8042，如图9。
4 测试Hadoop集群
在master上执行
#sudo –u hdfs hadoop fs –mkdir –p /input/wordcount
#mkdir /tmp/input
#echo “hello hadoop hello word xiaonan” > /tmp/input/test1.txt
#sudo –u hdfs hadoop fs –put /tmp/input/*.txt /input/wordcount
#sudo –u hdfs hadoop jar /usr/lib/hadoop-mapreduce/hadoop-mapreduce-examples.jar wordcount /input/wordcount /output/wc01
执行结果如图10所示。
5 总结
测试结果显示，建立在虚拟机上的Hadoop集群已经可以正常运行，可在上面进行实验和应用开发。本文从简化搭建过程和充分利用机器性能出发，在单机上通过虚拟化软件，虚拟出三台Linux主机，搭建了分布式Hadoop集群。在搭建过程中，有几点需要注意：虚拟机安装时，就要配置好主机的静态IP和主机名，这样可以方便后面的操作；当安装或运行时发生错误，可以查看相应的log文件，这会对找出问题很有帮助。
参考文献：
[1] 付伟，严博，吴晓平.云计算实验平台建设关键技术研究[J].实验室研究与探索，2013（11）：78-81.
[2] 张兴旺，李晨晖，秦晓珠.构建于廉价计算机集群上的云存储的研究与初步实现[J].情报杂志，2011（11）：166-171，182.
[3]（美）Tom White.Hadoop权威指南[M].2版.周敏奇，王晓玲，金澈清，等.译.北京：清华大学出版社，2011：9-12.
猜你喜欢
电子制作(2019年10期)2019-06-17
电子制作(2018年14期)2018-08-21
电子测试(2017年11期)2017-12-15
网络安全和信息化(2015年8期)2015-12-03
