CentOS Linux中搭建Hadoop和Spark集群详解

前言

1.Linux操作系统为CentOS7

2.所有操作都是使用root用户去操作。也可以使用其他用户，非root的话要注意操作的权限问题。

3.安装的Hadoop版本是2.6.5，Spark版本是2.2.0，Scala的版本是2.11.8。

  如果安装的Spark要同Hadoop搭配工作，则需注意他们之间的版本依赖关系。可以从spark官网上查询到Spark运行需要的环境，如下：

4.需要的安装包：

安装包下载地址：

JDK: http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

Hadoop2.6.5：http://archive.apache.org/dist/hadoop/common/hadoop-2.6.5/

Scala2.11.8：https://www.scala-lang.org/download/all.html

Spark2.2.0：http://archive.apache.org/dist/spark/spark-2.2.0/

1．基础环境配置

1.1集群规划：

1.2所有节点都增加ip和机器名称的映射关系，且3个节点可以相互ping通。 

/etc/hosts文件配置如下

1.3所有节点关闭防火墙

查看防火墙状态：

systemctl status firewalld

关闭防火墙：

systemctl stop firewalld
systemctl disable firewalld

1.4 SSH免密登录设置

通过配置，使得hadoop1、hadoop2、和hadoop3之间都可以相互免密登录（至少要使得hadoop1可以免密登录hadoop2和hadoop3）。

1.5配置NTP

这一步在测试环境中可有可无。生产环境的话，毕竟集群之间需要协同工作，几个节点之间的时间同步还是比较重要的。

1.6配置JDK（所有节点）

如下：

注：到这一步，基础环境算是配置好了，可以给各个节点做个快照，后面步骤出错了也可以快速恢复。

2.安装Hadoop

下面的2.1~2.2的步骤在所有节点上都要如此操作。我们先在hadoop1上做这些操作，然后在2.3步用scp命令将配置好的hadoop文件发送到hadoop2、hadoop3节点。

2.1解压安装包到/usr/local/目录下（hadoop1上操作）

命令：

cd /data/soft

tar -xvf hadoop-2.6.5.tar.gz -C /usr/local/

如下：

2.2进入到/usr/local/hadoop-2.6.5/etc/hadoop目录下，修改配置文件。（hadoop1上操作）

2.2.1配置hadoop-env.sh

命令：

vim hadoop-env.sh

在hadoop-env.sh中修改JAVA_HOME

export JAVA_HOME=/usr/local/jdk

如下：

注：需根据实际java路径进行修改

2.2.2配置core-site.xml

命令：

vim core-site.xml

在文件中加入如下内容

<property>

    <name>fs.defaultFS</name>

    <value>hdfs://hadoop1:9000</value>

</property>

如下：

2.2.3配置hdfs-site.xml

命令：

vim hdfs-site.xml

在文件中加入如下内容

<property>
        <name>dfs.replication</name>
        <value>2</value>
</property>

如下：

注：该文件其实也可以保持默认，其他个性化操作比如有：

<property>
        <name>dfs.namenode.name.dir</name>
        <value> /bigdata/dfs/name</value>
        <description>需要创建相应的/bigdata/dfs/name目录</description>
</property>
<property>
        <name>dfs.datanode.data.dir</name>
        <value> /bigdata/dfs/data</value>
        <description>需要创建相应的/bigdata/data/name目录</description>
</property>
<property>
        <name>dfs.webhdfs.enabled</name>
        <value>true</value>
</property>

2.2.4配置yarn-site.xml

命令：

vim yarn-site.xml

 在文件中添加如下内容

<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
</property>
<property>
    <name>yarn.resourcemanager.address</name>
    <value>hadoop1:8032</value>
</property>
<property>
    <name>yarn.resourcemanager.scheduler.address</name>
    <value>hadoop1:8030</value>
</property>
<property>
    <name>yarn.resourcemanager.resource-tracker.address</name>
    <value>hadoop1:8031</value>
</property>
<property>
    <name>yarn.resourcemanager.admin.address</name>
    <value>hadoop1:8033</value>
</property>
<property>
    <name>yarn.resourcemanager.webapp.address</name>
    <value>hadoop1:8088</value>
</property>
<property>
    <name>yarn.nodemanager.pmem-check-enabled</name>
    <value>false</value>
</property>
<property>
    <name>yarn.nodemanager.vmem-check-enabled</name>
    <value>false</value>
</property>

如下：

注：

可以看到上面有许多端口的配置，网上很多文章的教程中是没有的，这是因为这些端口默认就是8032、8031这样，感觉没有必要显式地再次配置。

最开始我也没配，结果出错了，出错的情形表现为：通过主节点可以启动yarn集群，子节点上有NodeManager进程，但是，在http://192.168.137.22:8088/cluster/nodes页面却没有显示子节点的信息，同时在主节点上通过yarn node -list -all命令查看也没有子节点的信息。然后在nodemanager节点的相关日志日志文件里（/usr/local/hadoop-2.6.5/logs/yarn-root-nodemanager-hadoop2.log）有org.apache.hadoop.ipc.Client: Retrying connect to server: 0.0.0.0/0.0.0.0:8031异常，如下图一所示。我的理解是，因为在yarn-site.xml文件中没有显式地将这些端口配置出来的原因，导致子节点无法向主节点注册（Registered）——然后，从报错的信息看貌似是只要把8031端口配置上了就可以了，其实也不是so easy的……如果不配置其他端口，则提交yarn任务的时候会无限地卡在ACCEPTED状态上，卡在该状态上的日志我看不出问题来，但是确实把上面的端口都配置了之后就好了。

因此，最好是将这些端口都显式配置好！！！

图一：

 注：判定上图信息是异常的原因，是因为子节点要去连接主节点，它需要连接到正确的主节点IP才行，而上图中连接的却是0.0.0.0——在子节点上，0.0.0.0的IP代表的是子节点自己，它连接错了，自然无法向主节点注册。

关于最后两项配置

yarn.nodemanager.pmem-check-enabled：是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true；

yarn.nodemanager.vmem-check-enabled：是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true。

因为我实验时给3台机器分配的资源都很少，所以必须得设置它们都为false，否则运行yarn程序的时候会报如下错误。

报错是因为，执行程序时，yarn对于机器能分配的资源进行了检查，结果发现运行程序需要的资源超出了机器所能分配资源的上限，然后就粗错了。如果把上面两项设置为false，则运行程序时就不会去进行对应的资源检查了，此时虽然机器能分配的资源依然不足，但是yarn不会像之前那样立马把container干掉了，而是会花较长的时间才能把程序跑完。

2.2.5配置slaves

命令：

vim slaves

 在文件中加入如下内容

hadoop2
hadoop3

如下：

注：本次配置中hadoop1是管理节点，hadoop2和hadoop3是数据节点。如果如果想使得hadoop1既是管理节点又是数据节点，可以把hadoop1也写到slaves文件中来。

2.3将hadoop1上配置好的hadoop文件分发到hadoop2和hadoop3节点上（hadoop1上操作）

命令：

scp -r /usr/local/hadoop-2.6.5 root@hadoop2:/usr/local/

scp -r /usr/local/hadoop-2.6.5 root@hadoop3:/usr/local/

2.4修改环境变量，在hadoop1上执行以下命令

命令：

vim /etc/profile

在文件中添加如下内容：

export HADOOP_HOME=/usr/local/hadoop-2.6.5
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

用source /etc/profile命令使修改的环境变量生效，接着用which hdfs命令查看是否修改成功。

2.5配置完成，接着格式化hdfs

在主节点hadoop1上执行以下命令

hdfs namenode -format

如下：

注：命令执行完之后从结果上很难看出是否格式化成功了，这时可以紧接着通过echo $? 命令查看hdfs namenode -format命令是否执行成功。如下，如果输出0，则说明上一条执行成功。

2.6启动hdfs，在hadoop1上执行以下命令

cd /usr/local/hadoop-2.6.5/sbin
./start-dfs.sh

如下：

2.7验证hdfs是否安装成功

方法一：

在主节点hadoop1上用jps命令可以看到SecondaryNameNode和NameNode进程：

在任一子节点上用jps命令可以查看到DataNode进程

如此，可以认为，从主节点上可以成功启动hdfs集群了。

但是是否一定没有问题了呢？不一定。

我们知道，hadoop集群启动成功之后，子节点会定时向主节点发送心跳信息，主节点以此判断子节点的状态。所以，有时即使我们通过主节点启动hadoop集群成功了，使用jps命令也能查询到相应的SecondaryNameNode、NameNode和DataNode进程——但如果由于某些原因，比如某个子节点的某个配置配错了，如我搭建时的情况是子节点的core-site.xml文件中fs.defaultFS项配置错了，或者是由于防火墙的原因，又或者是由于前面格式化次数太多了出问题导致子节点的cluster_id跟主节点的cluster_id不一致——导致子节点无法向主节点发送心跳信息，那么对主节点来说，该子节点就是dead的了。

于是，作为进一步验证的方法，是在主节点上使用hdfs dfsadmin -report来观察集群配置情况。如下：

方法二：

通过本地浏览器查看192.168.137.21:50070，验证否部署成功

注：一定要在页面看到所有子节点信息才算hdfs集群没有问题。

2.8启动yarn，在hadoop1上执行以下命令

cd  /usr/local/hadoop-2.6.5/sbin

./start-yarn.sh

如下：

2.9验证yarn是否启动成功

方法一：

用jps命令可以看到主节点上有ResourceManager进程

在子节点上有NodeManager进程

但是，同样还不能认为yarn集群就没有问题了，原因如2.2.4中所说的那样（即：可能由于某些原因，导致子节点在启动之后却无法向主节点注册）。

因此，保险起见，应在主节点上再通过yarn node -list -all命令查看一下。如下：

如上图说明yarn启动成功。

如果像下图一那样，说明yarn集群是有问题的——这种时候如果提交了以yarn作为资源调度器的任务，则任务会永远卡在ACCEPTED状态（如下图二），这是因为此时yarn集群只剩下ResourceManager这个光杆司令了，没有资源可以给它调度，所以它会一直卡在分配资源的状态下，要命的是它会一直很顽强地不断地努力尝试分配资源，还不报错......

图一：

图二：

方法二：

通过本地浏览器访问192.168.137.21:8088，查看yarn是否正常工作

如上图，在页面上能看到子节点的信息，说明yarn集群没有问题。如果像下图这样，说明你的yarn集群是有问题的。

3.安装Spark

Spark的安装跟hadoop（包括yarn）是相对独立的，即使是需要以spark-on-yarn模式运行Spark程序。Spark和hadoop的关系，不像hadoop和jdk之间的关系那样——安装hadoop之前必须配置好jdk，但安装Spark之前并不必须得先安装hadoop。

Spark和hadoop的关系，更像是你和楼下饭店的关系，当你自己做饭吃的时候，楼下饭店存不存在是与你无关的；只有当你不自己做饭了，你才需要楼下有家饭店。拿Spark来说，就是：如果只是需要以local或者standalone模式运行Spark程序，那么集群中有没有安装hadoop都无关紧要；只有当Spark程序需要以spark-on-yarn模式运行或者需要读取hdfs中的文件时，它才需要hadoop的存在。所以如果没有以spark-on-yarn模式运行spark程序的需求的话，可以不安装第2步中的hadoop环境，不过第1步的基础环境还是需要配置的。——这是我初学Spark时一直迷糊的一个点，希望这里说明清楚了。

3.1安装Scala

关于安装Spark之前要不要安装scala？其实我也不确定。有教程说不用安装，因为Spark安装包中自带scala了。也有的教程说需要先安装scala。

对于我来说，首先因为安装scala也没多难，其次后期我还要用scala来开发Spark程序，所以也就安装了。

不管怎样，安装步骤如下。

3.1.1用root用户解压scala安装包到/usr/local目录下（hadoop1上操作）

命令：

cd /data/soft
tar -xvf scala-2.11.8.tgz  -C  /usr/local/

3.1.2将解压后的scala目录拷贝到hadoop2和hadoop3（hadoop1上操作）

命令：

scp -r /usr/local/scala-2.11.8 root@hadoop2:/usr/local/
scp -r /usr/local/scala-2.11.8 root@hadoop3:/usr/local/

3.1.3分别在三台虚拟机上修改环境变量：

命令：

vi /etc/profile

加入如下内容

export SCALA_HOME=/usr/local/scala-2.11.8
export PATH=$PATH:$SCALA_HOME/bin

如下：

3.1.4使修改的环境变量生效

命令：

source  /etc/profile

接着用which scala命令查看scala的安装目录是不是我们想要的

3.1.5测试是否安装成功

命令：

scala

或者

scala -version

3.2安装Spark（hadoop1上操作）

3.2.1解压spark安装包到/usr/local/目录下

命令：

cd /data/soft

tar -xvf spark-2.2.0-bin-hadoop2.6.tgz -C /usr/local/

3.2.2参数配置

3.2.2.1配置slaves

命令：

cd  /usr/local/spark-2.2.0-bin-hadoop2.6/conf
cp slaves.template slaves

vim slaves

写入如下内容

hadoop2
hadoop3

如下：

3.2.2.2配置spark-env.sh

命令：

cp spark-env.sh.template spark-env.sh
vi spark-env.sh

在文件中加入以下内容：

export JAVA_HOME=/usr/local/jdk
export HADOOP_HOME=/usr/local/hadoop-2.6.5
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SPARK_MASTER_HOST=hadoop1
export SPARK_MASTER_PORT=7077

如下：

注：

1） JAVA_HOME是一定要配置的

2） 配置HADOOP_HOME和HADOOP_CONF_DIR是因为，之后我需要以spark-on-yarn模式运行spark程序，配置HADOOP_CONF_DIR才能使得spark可以找到正确的hadoop环境，否则每次以spark-on-yarn模式运行spark程序时都需要手动export HADOOP_CONF_DIR=xxxxx才行。如果只想以local或standalone模式运行spark程序，则这两项可以不配置。

3） 至于SPARK_MASTER_HOST和SPARK_MASTER_PORT，感觉没有必要显式地配置，因为人家使用默认值也是没有问题的，但是我还是配上了，不配置的话会不会有问题我就不知道了。

3.2.3将配置好的spark文件拷贝到hadoop2和hadoop3节点上

命令：

scp -r /usr/local/spark-2.2.0-bin-hadoop2.6 root@hadoop2:/usr/local/
scp -r /usr/local/spark-2.2.0-bin-hadoop2.6 root@hadoop3:/usr/local/

3.2.4在hadoop1节点上配置环境变量

命令：

vim /etc/profile

在文件中加入以下内容：

export SPARK_HOME=/usr/local/spark-2.2.0-bin-hadoop2.6
export PATH=$PATH: ${SPARK_HOME}/bin

如下：

注：这里之所以没有在PATH中加入${SPARK_HOME}/sbin，是因为该目录和$HADOOP_HOME/sbin目录下都存在start-all.sh和stop-all.sh脚本，如果在PATH中加入${SPARK_HOME}/sbin，当然也是没有问题的，但是有可能会产生误操作（有时候你想关闭spark集群，于是在任意位置执行stop-all.sh命令，极有可能就把hadoop集群给关咯），所以为了避免这种情况，干脆不配置了，当要执行start-all.sh和stop-all.sh时再手动切换到${SPARK_HOME}/sbin目录下去执行即可。

使修改的环境变量生效：

source  /etc/profile
3.2.5启动spark集群

命令：
cd /usr/local/spark-2.2.0-bin-hadoop2.6/sbin
./start-all.sh

如下：

3.2.6 通过网页192.168.137.21:8080查看是否成功

注意，同样也是要在页面上看到所有的Woker子节点的信息才算是成功了。

3.3运行spark程序测试

安装完Spark之后，应该测试一下安装的spark在local模式、standalone模式和spark-on-yarn模式下是否等能成功运行程序。

对于安装的Spark集群，测试一下standalone模式是否可以成功运行是有必要的。

若是需要以spark-on-yarn模式运行程序，则spark-on-yarn模式的测试也非常有必要，因为有的时候虽然yarn集群启动成功了，但是由于yarn默认参数配置不一定适合你当时的集群硬件配置，极有可能是有问题的，只有跑一个程序测试一下才能试出问题来。

至此，配置完成。