01-Hadoop安装教程

# Hadoop 安装教程
单机/伪分布式配置Hadoop2.6.0(2.7.1)/Ubuntu14.04(16.04)

**本教程采用Hadoop 2.7.1作为示例 等版本**[点击这里从百度云盘下载](https://pan.baidu.com/s/1DXEgoMEW8-Ldu0I3LxyW5w)（提取码：a52w）

## 创建用户
增加一个名为 nbu 的用户用于大数据实验，输入如下命令创建新用户 :

```shell
sudo useradd -m nbu -s /bin/bash
#这条命令创建了可以登陆的 nbu 用户，并使用 /bin/bash 作为 shell。
```

```shell
sudo passwd nbu
# 为nbu用户创建密码
```

可为 nbu 用户增加管理员权限，方便部署，避免一些对新手来说比较棘手的权限问题：

```shell
sudo adduser nbu sudo
su nbu
#切换nbu用户
```

## 更新 apt

用 nbu 用户登录后，我们先更新一下 apt，后续我们使用 apt 安装软件，如果没更新可能有一些软件安装不，执行如下命令：

```shell
nbu@ecs:~$ sudo apt-get update
```

## 安装 SSH、配置 SSH 无密码登陆

Ubuntu 默认已安装了 SSH client，此外还需要安装 SSH server：

```shell
nbu@ecs:~$ sudo apt-get install openssh-server
```

安装后，可以使用如下命令登陆本机：

```shell
nbu@ecs:~$ ssh localhost
```

此时会有如下提示(SSH 首次登陆提示)，输入 yes 。然后按提示输入密码 nbu，这样就登陆到本机了。

### SSH 无密码登陆

首先退出刚才的 ssh，就回到了我们原先的终端窗口，然后利用 ssh-keygen 生成密钥，并将密钥加入到授权中：

```shell
exit                           # 退出刚才连接本机的ssh localhost
nbu@ecs:~$cd ~/.ssh/                     # 若没有该目录，请先执行一次ssh localhost
nbu@ecs:~/.ssh$ssh-keygen -t rsa              # 会有提示，都按回车就可以
nbu@ecs:~/.ssh$cat ./id_rsa.pub >> ./authorized_keys  # 加入授权
```

> **~的含义**
>
> 在 Linux 系统中，~ 代表的是用户的主文件夹，即 “/home/用户名” 这个目录，如你的用户名为 nbu，则 ~ 就代表 “/home/nbu/”。 此外，命令中的 # 后面的文字是注释，只需要输入前面命令即可。

此时再用 `ssh localhost` 命令，无需输入密码就可以直接登陆了。

## JDK安装
JDK的安装方法可参考 [JDK安装](/blog/post/bigdata/JDK安装)

## **安装 Hadoop**

我们选择将 Hadoop 安装至 /usr/local/ 中：

```shell
nbu@ecs:~$sudo tar -zxf ~/hadoop-2.7.1.tar.gz -C /usr/local    # 解压到/usr/local中
nbu@ecs:~$cd /usr/local/
nbu@ecs:/usr/local$sudo mv ./hadoop-2.7.1/ ./hadoop            # 将文件夹名改为hadoop
nbu@ecs:/usr/local$sudo chown -R nbu ./hadoop       # 修改文件权限
```

Hadoop 解压后即可使用。输入如下命令来检查 Hadoop 是否可用，成功则会显示 Hadoop 版本信息：

```shell
nbu@ecs:~$ cd /usr/local/hadoop
nbu@ecs:/usr/local/hadoop$ ./bin/hadoop version
```
![](https://hexo-img.obs.cn-east-3.myhuaweicloud.com/img/202210271355971.png)

## Hadoop 单机配置(非分布式)

Hadoop 默认模式为非分布式模式（本地模式），无需进行其他配置即可运行。非分布式即单 Java 进程，方便进行调试。

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行 `./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar` 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

在此我们选择运行 grep 例子，我们将 input 文件夹中的所有文件作为输入，筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数，最后输出结果到 output 文件夹中。

```shell
nbu@ecs:~$ cd /usr/local/hadoop
nbu@ecs:/usr/local/hadoop$ mkdir ./input
nbu@ecs:/usr/local/hadoop$ cp ./etc/hadoop/*.xml ./input  # 将配置文件作为输入文件*/
nbu@ecs:/usr/local/hadoop$ ./sbin/start-all.sh  #开启hadoop
nbu@ecs:/usr/local/hadoop$ ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/*          # 查看运行结果
```

## Hadoop 伪分布式配置

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。

Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中，伪分布式需要修改 2 个配置文件 **core-site.xml** 和 **hdfs-site.xml** 。Hadoop 的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

修改配置文件 **core-site.xml** (通过 gedit 编辑会比较方便: `gedit ./etc/hadoop/core-site.xml`)，将当中的

```xml
<configuration>
</configuration>
```

修改为下面配置

```xml
<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://0.0.0.0:9000</value>
    </property>
</configuration>
```

同样的，修改配置文件 **hdfs-site.xml**：

```xml
<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>
```

配置完成后，执行 NameNode 的格式化:

```shell
nbu@ecs:/usr/local/hadoop$./bin/hdfs namenode -format
```

成功的话，会看到 “successfully formatted” 和 “Exitting with status 0” 的提示，若为 “Exitting with status 1” 则是出错。

如果在这一步时提示 **Error: JAVA_HOME is not set and could not be found.** 的错误，则说明之前设置 JAVA_HOME 环境变量那边就没设置好，请按教程先设置好 JAVA_HOME 变量，否则后面的过程都是进行不下去的。如果已经按照前面教程在.bashrc 文件中设置了 JAVA_HOME，还是出现 **Error: JAVA_HOME is not set and could not be found.** 的错误，那么，请到 hadoop 的安装目录修改配置文件“/usr/local/hadoop/etc/hadoop/hadoop-env.sh”，在里面找到“export JAVA_HOME=${JAVA_HOME}”这行，然后，把它修改成 JAVA 安装路径的具体地址，比如，“export JAVA_HOME=/usr/lib/jvm/default-java”，然后，再次启动 Hadoop。

接着开启 NameNode 和 DataNode 守护进程。

```shell
nbu@ecs:~$cd /usr/local/hadoop
nbu@ecs:/usr/local/hadoop$./sbin/start-dfs.sh  #start-dfs.sh是个完整的可执行文件，中间没有空格
```

> _启动 Hadoop 时提示 Could not resolve hostname_
> 可以在 ~/.bashrc 中，增加如下两行内容（设置过程与 JAVA_HOME 变量一样，其中 HADOOP_HOME 为 Hadoop 的安装目录）：
>
> ```shell
> export HADOOP_HOME=/usr/local/hadoop
> export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
>
> ```
> 保存后，务必执行 source ~/.bashrc 使变量设置生效，然后再次执行 ./sbin/start-dfs.sh 启动 Hadoop。

启动完成后，可以通过命令 `jps` 来判断是否成功启动，若成功启动则会列出如下进程: “NameNode”、”DataNode” 和 “SecondaryNameNode”。

![](https://hexo-img.obs.cn-east-3.myhuaweicloud.com/img/202210271509371.png)

成功启动后，可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件

![](https://hexo-img.obs.cn-east-3.myhuaweicloud.com/img/202210271514594.png)

## 运行 Hadoop 伪分布式实例

上面的单机模式，grep 例子读取的是本地数据，伪分布式读取的则是 HDFS 上的数据。要使用 HDFS，首先需要在 HDFS 中创建用户目录：

```shell
nbu@ecs:/usr/local/hadoop$ ./bin/hdfs dfs -mkdir -p /user/nbu/
```

./etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中，即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 nbu 用户，并且已创建相应的用户目录 /user/nbu ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是 /user/nbu/input:

```shell
nbu@ecs:/usr/local/hadoop$./bin/hdfs dfs -mkdir input
nbu@ecs:/usr/local/hadoop$./bin/hdfs dfs -put ./etc/hadoop/*.xml input
```

复制完成后，可以通过如下命令查看文件列表：

```shell
nbu@ecs:/usr/local/hadoop$./bin/hdfs dfs -ls input
```
![](https://hexo-img.obs.cn-east-3.myhuaweicloud.com/img/202210271544556.png)

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（可以将单机步骤中创建的本地 input 文件夹，输出结果 output 文件夹都删掉来验证这一点）。

```shell
nbu@ecs:/usr/local/hadoop$ ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'
```

![](https://hexo-img.obs.cn-east-3.myhuaweicloud.com/img/202210281832526.png)

查看运行结果的命令（查看的是位于 HDFS 中的输出结果）：

```shell
nbu@ecs:/usr/local/hadoop$ ./bin/hdfs dfs -cat output/*
```

结果如下，注意到刚才我们已经更改了配置文件，所以运行结果不同。

![](https://hexo-img.obs.cn-east-3.myhuaweicloud.com/img/202210281832336.png)

可以将运行结果取回到本地：

```shell
nbu@ecs:/usr/local/hadoop$ rm -r ./output    # 先删除本地的 output 文件夹（如果存在）
nbu@ecs:/usr/local/hadoop$ ./bin/hdfs dfs -get output ./output     # 将 HDFS 上的 output 文件夹拷贝到本机
nbu@ecs:/usr/local/hadoop$ cat ./output/*
```

![](https://hexo-img.obs.cn-east-3.myhuaweicloud.com/img/202210281845201.png)

Hadoop 运行程序时，输出目录不能存在，否则会提示错误 “org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists” ，因此若要再次执行，需要执行如下命令删除 output 文件夹:

```shell
nbu@ecs:/usr/local/hadoop$./bin/hdfs dfs -rm -r output    # 删除 output 文件夹
```

> _运行程序时，输出目录不能存在_
>
> 运行 Hadoop 程序时，为了防止覆盖结果，程序指定的输出目录（如 output）不能存在，否则会提示错误，因此运行前需要先删除输出目录。在实际开发应用程序时，可考虑在程序中加上如下代码，能在每次运行时自动删除输出目录，避免繁琐的命令行操作：
>
> ```java
> Configuration conf = new Configuration();
> Job job = new Job(conf);
> /* 删除输出目录 */
> Path outputPath = new Path(args[1]);
> outputPath.getFileSystem(conf).delete(outputPath, true);
> ```

若要关闭 Hadoop，则运行

```shell
nbu@ecs:/usr/local/hadoop$./sbin/stop-dfs.sh
```

## 参考资料

- https://dblab.xmu.edu.cn/blog/247

大数据学习

导航

最近发表

友情链接