Java环境配置

1.1 JDK安装

1
2
sudo apt-get install openjdk-8-jdk

1.2 环境变量配置

命令行执行

1
2
sudo vim /etc/profile

输入

1
2
3
4
5
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/
export JRE_HOME=$JAVA_HOME/jre
export CLASSPATH=$JAVA_HOME/lib:$JRE_HOME/lib:$CLASSPATH
export PATH=$JAVA_HOME/lib:$JRE_HOME/lib:$PATH

保存退出到命令行，使配置文件生效

1
2
source /etc/profile

检查是否配置正确

1
2
java -version

2 新建Hadoop用户

新建用户
以下hadoop是你的用户名

1
2
sudo useradd -m hadoop -s /bin/bash

设置密码
一下***是你的密码

1
2
sudo passwd ***

安装SSH、配置SSH无密码登陆
Hadoop 中的集群，单点模式是需要使用到SSH登录,Ubuntu默认参数了SSH client, 此外我们还需要安装SSH Server, 执行如下的命令：

1
2
3
sudo apt-get install openssh-server
ssh localhost

用证书登陆记得编辑sudo vi /etc/ssh/sshd_config中把密钥登陆打开

1
2
sudo vi /etc/ssh/sshd_config

修改PubkeyAuthentication

1
2
PubkeyAuthentication yes

3 Hadoop的安装配置

下载Hadoop
推荐使用国内的镜像下载Hadoop

1
2
sudo wget https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-2.9.2/hadoop-2.9.2.tar.gz

Hadoop会更新，如果报错404，可以到以下网站查看有哪些版本，并修改网站。

1
2
http://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common

下载完成后移动压缩包至/opt/下

1
2
sudo mv hadoop-2.9.2.tar.gz /usr/local

解压缩

1
2
3
4
5
6
7
cd /usr/local
sudo tar -zxvf hadoop-2.9.2.tar.gz
sudo mv ./hadoop-2.7.4/ ./hadoop
# 将文件夹名改为hadoop
sudo chown -R hadoop ./hadoop
# 修改文件权限

查询是否下载成功

1
2
3
./bin/hadoop version
# 在该目录下执行该命令

4 Hadoop单机配置

Hadoop 默认模式为非分布式模式，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
Hadoop 默认模式为非分布式模式，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

1
2
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.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。

1
2
3
4
5
6
7
8
cd /usr/local/hadoop
mkdir ./input
cp ./etc/hadoop/*.xml ./input
# 将配置文件作为输入文件
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/*
# 查看运行结果

注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。

1
2
rm -r ./output

非分布模式和伪分布模式的过度

Hadoop 的运行方式是由配置文件决定的（运行 Hadoop 时会读取配置文件），因此如果需要从伪分布式模式切换回非分布式模式，需要删除 core-site.xml 中的配置项.()

5 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。

1
2
cd /usr/local/hadoop/etc/hadoop

修改点（3个）

1. hadoop-env.sh,修改其中JAVA_HOME使得与之前配置的JDK一致

1
2
sudo vim hadoop-env.sh

修改

1
2
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64/

2. core-site.xml

1
2
sudo vim core-site.xml

修改

1
2
3
4
5
6
7
8
9
10
11
12
<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://localhost:9000</value>
</property>
</configuration>

3. hdfs-site.xml

1
2
sudo vim hdfs-site.xml

修改

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
<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:

1
2
./bin/hdfs namenode -format

接着开启 NameNode 和 DataNode 守护进程。

1
2
./sbin/start-dfs.sh

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（如果 SecondaryNameNode 没有启动，请运行

1
2
sbin/stop-dfs.sh

关闭进程，然后再次尝试启动尝试）。如果没有NameNode 或 DataNode ，那就是配置不成功，请仔细检查之前步骤，或通过查看启动日志排查原因。
重启后尝试成功
成功启动后，可以访问 Web 界面 http://localhost:50070 （本地或者Linux系统都可以）查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。

6 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：

1
2
./bin/hdfs dfs -mkdir -p /user/hadoop

在HDFS创建/user/hadoop目录，-p 表示递归创建目录

接着将 ./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 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，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/hadoop/input:

1
2
3
./bin/hdfs dfs -mkdir input
./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

1
2
./bin/hdfs dfs -ls input

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）。

1
2
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'

查看结果

1
2
./bin/hdfs dfs -cat output/*

我们也可以将运行结果取回到本地：

1
2
3
4
5
6
rm -r ./output
# 先删除本地的 output 文件夹（如果存在）
./bin/hdfs dfs -get output ./output
# 将 HDFS 上的 output 文件夹拷贝到本机
cat ./output/*

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:

1
2
3
./bin/hdfs dfs -rm -r output
# 删除 output 文件夹

运行程序时，输出目录不能存在解决方法：
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：

1
2
3
4
5
6
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

1
2
./sbin/stop-dfs.sh

注意
下次启动 hadoop 时，无需进行 NameNode 的初始化，只需要运行 ./sbin/start-dfs.sh 就可以！

7 启动YARN

（伪分布式不启动 YARN 也可以，一般不会影响程序执行）
有的读者可能会疑惑，怎么启动 Hadoop 后，见不到书上所说的 JobTracker 和 TaskTracker，这是因为新版的 Hadoop 使用了新的 MapReduce 框架（MapReduce V2，也称为 YARN，Yet Another Resource Negotiator）。
YARN 是从 MapReduce 中分离出来的，负责资源管理与任务调度。YARN 运行于 MapReduce 之上，提供了高可用性、高扩展性，YARN 的更多介绍在此不展开，有兴趣的可查阅相关资料。
上述通过 ./sbin/start-dfs.sh 启动 Hadoop，仅仅是启动了 MapReduce 环境，我们可以启动 YARN ，让 YARN 来负责资源管理与任务调度。

首先修改配置文件 mapred-site.xml，这边需要先进行重命名：

1
2
mv ./etc/hadoop/mapred-site.xml.template ./etc/hadoop/mapred-site.xml

1
2
vim ./etc/hadoop/mapred-site.xml

1
2
3
4
5
6
7
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>

接着修改配置文件 yarn-site.xml

1
2
vim ./etc/hadoop/yarn-site.xml

1
2
3
4
5
6
7
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>

然后就可以启动 YARN 了（需要先执行过./sbin/start-dfs.sh）：

1
2
3
4
./sbin/start-yarn.sh
# 启动YARN
./sbin/mr-jobhistory-daemon.sh start

historyserver #开启历史服务器，才能在Web中查看任务运行情况

启动 YARN 之后，运行实例的方法还是一样的，仅仅是资源管理方式、任务调度不同。观察日志信息可以发现，不启用 YARN 时，是 “mapred.LocalJobRunner” 在跑任务，启用 YARN 之后，是 “mapred.YARNRunner” 在跑任务。启动 YARN 有个好处是可以通过 Web 界面查看任务的运行情况：http://localhost:8088/cluster，

不采用yarn需要的操作

不启动 YARN 需重命名 mapred-site.xml
如果不想启动 YARN，务必把配置文件 mapred-site.xml 重命名，改成 mapred-site.xml.template，需要用时改回来就行。否则在该配置文件存在，而未开启 YARN 的情况下，运行程序会提示 “Retrying connect to server: 0.0.0.0/0.0.0.0:8032” 的错误，这也是为何该配置文件初始文件名为 mapred-site.xml.template。

同样的，关闭 YARN 的脚本如下：

1
2
3
./sbin/stop-yarn.sh
./sbin/mr-jobhistory-daemon.sh stop historyserver

最后

以上就是玩命野狼最近收集整理的关于Windows下Linux子系统 - Hadoop配置Java环境配置2 新建Hadoop用户3 Hadoop的安装配置4 Hadoop单机配置非分布模式和伪分布模式的过度5 Hadoop伪分布式配置6 运行Hadoop伪分布式实例7 启动YARN不采用yarn需要的操作的全部内容，更多相关Windows下Linux子系统内容请搜索靠谱客的其他文章。