Hadoop完整搭建过程（二）：伪分布模式

1 伪分布模式

伪分布模式是运行在单个节点以及多个Java进程上的模式。相比起本地模式，需要进行更多配置文件的设置以及ssh、YARN相关设置。

2 Hadoop配置文件

修改Hadoop安装目录下的三个配置文件：

• etc/hadoop/core-site.xml
• etc/hadoop/hdfs-site.xml
• etc/hadoop/hadoop-env.sh

2.1 core-site.xml

首先修改core-site.xml：

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/usr/local/hadoop/tmp</value>
    </property>
</configuration>

• fs.defaultFS设置的是HDFS的地址，设置运行在本地的9000端口上
• hadoop.tmp.dir设置的是临时目录，如果没有设置的话默认在/tmp/hadoop-${user.name}中，系统重启后会导致数据丢失，因此修改这个临时目录的路径

接着创建该临时目录：

mkdir -p /usr/local/hadoop/tmp

2.2 hdfs-site.xml

接着修改hdfs-site.xml：

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
</configuration>

dfs.replication设置的是HDFS存储的临时备份数量，因为伪分布模式中只有一个节点，所以设置为1。

2.3 hadoop-env.sh

修改该文件添加JAVA_HOME环境变量，就算JAVA_HOME在

• ~/.bashrc
• ~/.bash_profile
• /etc/profile

等中设置了，运行时也是会提示找不到JAVA_HOME，因此需要手动在hadoop-env.sh中设置JAVA_HOME：

3 本地无密码ssh连接

下一步需要设置本地无密码ssh连接，首先先检查确保开启sshd服务：

systemctl status sshd

开启后可以直接localhost连接：

ssh localhost

输入自己的用户密码后就可以访问了，但是这里需要的是无密码连接，因此配置密钥认证连接的方式：

ssh-keygen -t ed25519 -a 100 
cat ~/.ssh/id_25519.pub >> ~/.ssh/authorized_keys
chmod 0600 ~/.ssh/authorized_keys

这里生成公私钥后把公钥添加到authorized_keys中，并且修改权限，需要注意600权限，只能本用户有写权限。

然后直接ssh localhost就可以连接本地主机了。

4 运行

4.1 格式化HDFS

这里以单一节点的模式运行，首先格式化HDFS：

# HADOOP为Hadoop安装目录
HADOOP/bin/hdfs namenode -format

格式化是对HDFS中的DataNode进行分块，统计所有分块后的初始元数据，存储在NameNode中。

格式化成功后会在上面配置文件中设置的临时目录中生成dfs目录，如下所示：

里面只有一个目录：dfs/name/current，其中tmp/dfs/name/current的文件如下：

文件说明如下：

• fsimage：NameNode元数据在内存满后，持久化保存到的文件
• fsimage*.md5：校验文件，用于校验fsimage的完整性
• seen_txid：存放transactionID文件，format之后为0,表示NameNode里面的edits_*文件的尾数
• VERSION：保存创建时间，namespaceID、blockpoolID、storageType、cTime、clusterID、layoutVersion

关于VERSION的说明：

• namespaceID：HDFS唯一标识符，在HDFS首次格式化后生成
• blockpoolID：标识一个block pool，跨集群全局唯一
• storageType：存储什么进程的数据结构信息
• cTime：创建时间
• clusterID：系统生成或指定的集群ID，可以使用-clusterid指定
• layoutVersion：表示HDFS永久性数据结构版本的信息

4.2 启动NameNode

HADOOP/sbin/start-dfs.sh

然后可以通过

localhost:9870

访问NameNode：

4.3 测试

生成输入目录，并使用配置文件作为输入：

bin/hdfs dfs -mkdir /user
bin/hdfs dfs -mkdir /user/USER_NAME # USER_NAME为您的用户名
bin/hdfs dfs -mkdir input
bin/hdfs dfs -put etc/hadoop/*.xml input

测试：

bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.0.jar grep input output 'dfs[a-z.]+'

获取输出：

bin/hdfs dfs -get output output # 复制输出到output目录
cat output/*

停止：

sbin/stop-hdfs.sh

5 使用YARN配置

除了可以将单个节点以伪分布模式启动，还可以通过YARN统一调度，只需要适当修改配置文件。

5.1 配置文件

修改以下文件：

• HADOOP/etc/hadoop/mapred-site.xml
• HADOOP/etc/hadoop/yarn-site.xml

5.1.1 mapred-site.xml

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>mapreduce.application.classpath</name>
        <value>$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/*:$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/lib/*</value>
    </property>
</configuration>

• mapreduce.framework.name指定了MapReduce运行在YARN上
• mapreduce.application.classpath指定了类路径

5.1.2 yarn-site.xml

<configuration>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.nodemanager.env-whitelist</name>
        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>
    </property>
</configuration>

• yarn.nodemanager.aux-services：运行在NodeManager上运行的附属服务
• yarn.nodemanager.env-whitelist：环境变量通过从NodeManagers的容器继承的环境属性

5.2 运行

sbin/start-yarn.sh

运行后就可以通过

localhost:8088

访问：

停止：

sbin/stop-yarn.sh

6 参考

• Hadoop 3.3.0官方文档
• CSDN-GitChat·大数据 | 史上最详细的Hadoop环境搭建
• CSDN-Hadoop Namenode元数据文件 Fsimage、editlog、seen_txid说明