hadoop集群部署(yarn)

伴随着各大互联网公司开源自己的大数据框架，大数据处理领域的框架已经比较完善。到现在所谓大数据的框架已经用过habase（后来换成了elasticsearch）、zookeeper、kafka、storm，根据项目计划，接下来还要使用spark。虽然在众多框架中仅仅几个，但是也是已经涉及多个方面：数据存储、分布式协调、消息、实时计算等。没有找到任何一个框架能够完美解决所有问题，也就应了那句话，开发领域根本就没有银色子弹。所以即使是比较年长的hadoop（2004年到现在已经12年了，年纪也比较大了），也有能够体现其价值的地方。

最近用了storm，部署topology的时候总是感觉资源使用不平衡，于是想到了yarn能够对hadoop实现资源的协调，那是不是可以扩展一下，对storm也提供资源协调呢。google一下，果然yahho!已经开源了一个storm-yarn组件，于是学习一下，同时也把hadoop的部署复习了一遍。（关于hadoop的单机部署、伪分布式部署可以查看Hadoop环境部署）

1. 基础操作

这里说的基础操作是指对hadoop环境最基本的修改，比如提供java环境、指定JAVA_HOME、格式化namenode数据、免密码登录等，这些在Hadoop环境部署中都有提到。不得不说的是，Hadoop部署虽然简单，但是如果配置不正确，可能出现这种那种奇奇怪怪的错误。（这样一想，hadoop真的比较娇气。）

2. 文件配置

接下来就该对hadoop的文件进行修改，这是重头戏，修改好之后系统就能够顺利启动了。

注意：这里修改了几个默认端口，如果没有特殊需要，可以不做修改。

2.1 服务器

建议修改hostname，设置成比较容易记忆的，比如：hadoop01.xxx.com或者resourcemanager.xxx.com等，我这里偷懒，直接使用之前设置的。

这里使用了公司的4台服务器：

- s107：yarn的ResourceManager

- s108：hdfs的NameNode；yarn的NodeManager；历史服务器JobHistoryServer

- s109：hdfs的SecondaryNameNode；yarn的NodeManager

- s110：hdfs的DataNode；yarn的NodeManager

- s111：hdfs的DataNode；yarn的NodeManager

因为Secondary NameNode做日志合并的时候需要占用大量CPU和内存，所以这里将Secondary NameNode与NameNode分布在两台机器上。

另外，这里的NameNode和ResourceManager都没有做HA，在生产环境部署也是不完整的，后期会在这里补充。

2.2 core-site.xml

这个没有什么特别注意的，配置一下NameNode的host和端口、文件队列中io缓冲区大小、临时文件的路径就行：

<configuration>

<property>

<name>fs.defaultFS</name>

<value>hdfs://s108:9000</value>

<description>NameNode的URI</description>

</property>

<property>

<name>io.file.buffer.size</name>

<value>131072</value>

<description>文件队列中io缓冲区大小</description>

</property>

<property>

<name>hadoop.tmp.dir</name>

<value>file:/data/hadoop/data</value>

</property>

</configuration>

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

2.3 hdfs-site.xml

这个文件是NameNode的相关配置：

<configuration>

<property>

<name>dfs.namenode.http-address</name>

<value>s108:50070</value>

</property>

<property>

<name>dfs.namenode.rpc-address</name>

<value>s108:9000</value>

</property>

<property>

<name>dfs.namenode.secondary.http-address</name>

<value>s109:50090</value>

</property>

<property>

<name>dfs.namenode.name.dir</name>

<value>file:///data/hadoop/data/dfs/name</value>

<description>NameNode在本地文件系统中存储命名空间和持久化日志的位置</description>

</property>

<property>

<name>dfs.blocksize</name>

<value>268435456</value>

<description>HDFS文件块大小：256MB</description>

</property>

<property>

<name>dfs.namenode.handler.count</name>

<value>100</value>

<description>NameNode服务中处理DataNode的RPC调用的线程数</description>

</property>

<property>

<name>dfs.datanode.data.dir</name>

<value>file:///data/hadoop/data/dfs/data</value>

<description>DataNode存储数据的位置，如果是用逗号隔开的多个路径，每个路径都存一份</description>

</property>

<property>

<name>dfs.replication</name>

<value>3</value>

<description>复制因子，数据复制数</description>

</property>

<property>

<name>dfs.webhdfs.enabled</name>

<value>true</value>

</property>

</configuration>

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

2.4 mapred-site.xml

这个文件是配置MapReduce任务的配置：

<configuration>

<property>

<name>mapreduce.framework.name</name>

<value>yarn</value>

<description>设置执行job的是Yarn框架</description>

</property>

<property>

<name>mapreduce.map.memory.mb</name>

<value>1024</value>

<description>map的最大可使用资源</description>

</property>

<property>

<name>mapreduce.map.java.opts</name>

<value>-Xmx1024M</value>

<description>map的堆内存</description>

</property>

<property>

<name>mapreduce.reduce.memory.mb</name>

<value>3072</value>

<description>reduce的最大可使用资源</description>

</property>

<property>

<name>mapreduce.reduce.java.opts</name>

<value>-Xmx2560M</value>

<description>reduce堆内存</description>

</property>

<property>

<name>mapreduce.task.io.sort.mb</name>

<value>512</value>

<description>数据排序时的内存大小</description>

</property>

<property>

<name>mapreduce.task.io.sort.factor</name>

<value>100</value>

<description>数据排序时合并多个数据流</description>

</property>

<property>

<name>mapreduce.reduce.shuffle.parallelcopies</name>

<value>50</value>

<description>当map数量多于reduce数量时，增加reduce并行副本数量。</description>

</property>

<property>

<name>mapreduce.jobhistory.address</name>

<value>s108:10020</value>

<description>JobHistoryServer的URI</description>

</property>

<property>

<name>mapreduce.jobhistory.webapp.address</name>

<value>s108:19888</value>

<description>JobHistoryServer web服务的URI</description>

</property>

<property>

<name>yarn.app.mapreduce.am.staging-dir</name>

<value>/data/hadoop/yarn/staging</value>

<description>job数据存储位置</description>

</property>

<property>

<name>mapreduce.jobhistory.intermediate-done-dir</name>

<value>${yarn.app.mapreduce.am.staging-dir}/history/done_intermediate</value>

<description>job的历史数据的临时位置</description>

</property>

<property>

<name>mapreduce.jobhistory.done-dir</name>

<value>${yarn.app.mapreduce.am.staging-dir}/history/done</value>

<description>job的历史数据的归档位置</description>

</property>

</configuration>

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

2.5 yarn-site.xml

这个是配置ResourceManager和NodeManager的：

<!--Configurations for ResourceManager and NodeManager-->

<configuration>

<!-- Site specific YARN configuration properties -->

<!--Configurations for ResourceManager and NodeManager-->

<property>

<name>yarn.acl.enable</name>

<value>false</value>

<description>使用使用ACL，默认是false</description>

</property>

<property>

<name>yarn.admin.acl</name>

<value>*</value>

<description>集群中的管理员，用逗号隔开，默认是*，表示谁都可以</description>

</property>

<property>

<name>yarn.log-aggregation-enable</name>

<value>false</value>

<description>是否开启日志聚类运算</description>

</property>

<!--Configurations for ResourceManager-->

<property>

<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>

<value>org.apache.hadoop.mapred.ShuffleHandler</value>

</property>

<property>

<name>yarn.resourcemanager.address</name>

<value>s107:8032</value>

<description>客户端提交任务的ResourceManager的URI/description>

</property>

<property>

<name>yarn.resourcemanager.scheduler.address</name>

<value>s107:8030</value>

<description>向调度器协调资源的URI</description>

</property>

<property>

<name>yarn.resourcemanager.resource-tracker.address</name>

<value>s107:8031</value>

<description>为NodeManager提供的URI</description>

</property>

<property>

<name>yarn.resourcemanager.admin.address</name>

<value>s107:8033</value>

<description>给管理命令的URI</description>

</property>

<property>

<name>yarn.resourcemanager.webapp.address</name>

<value>s107:8088</value>

<description>ResourceManager的web服务URI</description>

</property>

<!--Configurations for NodeManager-->

<property>

<name>yarn.nodemanager.aux-services</name>

<value>mapreduce_shuffle</value>

<description>排序服务</description>

</property>

</configuration>

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

2.6 master文件

该文件需要自己创建，用于将NameNode与Secondary NameNode分别部署：

s109

1

2.7 salves文件

该文件用于指定DataNode的节点，默认是localhost，可以自己填写hostname或ip，每行一个：

s110

s111

1

2

至此，可以算是配置结束，还有一些调优的参数，可以根据实际情况进行调整。

3. 测试

先在每个服务器上执行hdfs namenode -format，然后在s107上执行start-yarn.sh启动YARN，在s108上执行start-dfs.sh启动HDFS，在s108上通过mr-jobhistory-daemon.sh start historyserver启动历史服务器。使用jps查看进程，可以得到文章开头所列出的进程列表。然后就使用举世闻名的wordcount进行测试。

mkdir input

echo "this is test" >> input/file

echo "this is a test" >> input/file

hadoop dfs -copyFromLocal input /input

hadoop jar ../default/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.3.jar wordcount /input /output

1

2

3

4

5

注意：

1. hadoop.tmp.dir、dfs.namenode.name.dir、dfs.datanode.data.dir三个参数指定的文件夹需要提前创建

2. 可以在${PATH}中添加hadoop的sbin目录，将hadoop的脚本或程序添加到PATH中

3. 需要保证hdfs的根目录中没有output文件夹，否则可以改个名字：output2…

4. 因为使用使用Yarn管理任务，可以在浏览器访问http://s107:8088/查看执行状态