Hadoop先导
大数据时代的核心是计算和数据处理，在计算方面，主要是通过分布式计算完成海量数据的计算，在海量数据的计算方面，目前集中于３个场景，离线计算：Hadoop，内存计算：Spark，实时计算（流式计算）：Storm,Flink等。Hadoop的搭建对于入门是必不可少的，以前曾经搭建过，但是很久没弄了，现在重新拾起Hadoop，Spark等，搭建其运行环境是第一步，这里详细记录我的步骤，个人负责的认为，按照我的步骤，一定能成功搭建出完全分布式的Hadoop集群！
Hadoop三种运行模式
- 单机模式
单击模式是指：Hadoop被配置成以非分布式模式运行的一个独立Java进程，在一个JVM中运行。这对调试非常有帮助。
- 伪分布式模式
伪分布式是指：一个机器上，即当namenode，又当datanode,是jobtracker也是tasktracker。没有所谓的在多台机器上进行真正的分布式计算，故称为伪分布式模式
- 完全分布式模式
namenode，datanode，jobtracker，tasktracker各司其职。可以部署几十上千个节点中。
在这里，介绍完全分布式模式的搭建过程。
第一步：集群规划
按照Hadoop集群的基本要求，其中一个是Master节点，用于运行Hadoop程序中的namenode，sencondorynamenode和jobtracker任务。另外一个用于冗余目的。Slaver节点用于运行hadoop程序中的datanode和tasktracker任务。所以模拟hadoop集群至少三个节点。在实际生产环境中，部署的肯定是几十上千台，这个时候，至少有2+个Master和2+Slaver，所以，其实部署4台是比较适合，但是由于4台对机器要求，因为我是在VM里面进行安装集群，所以能安装的数量有限，同时部署更多机器，主要是Hadoop文件的配置上，不是搭建上的意义，所以3台已经足够能理解Hadoop分布式集群了。在这里我先安装一台机器Master，两台Slaver通过虚拟机复制即可。废话不多说，直接实践最重要。
第二步：搭建说明
在VM中搭建Hadoop完全分布式集群是十分容易的，因为可以通过克隆操作系统，克隆多个虚拟系统，克隆的虚拟操作系统的IP地址是连续的。纵观搭建Hadoop的整个流程，第一，每天机器都必须有JDK，ssh，vim（可选），然后每台机器能免ssh登录。第二就是每台机器安装Hadoop，配置Hadoop文件。在这里搭建的流程，其中就是上述两个步骤。
第三步：在VM安装Linux虚拟机
因为CentOS需要下载，我现成有Ubuntu14.04-64位的镜像文件，所以直接安装这个，但是为了体验真实的生产环境，我建议从CentOS入手，因为CentOS更适合实际生产。
- 安装Linux虚拟机十分简单，在此处略过。
- 安装好后安装VM tools。
3.安装搜狗输入法，毕竟容易中英文切换，如果习惯中文，安装中文包。
4.初始化root用户的密码，新建一个用户，在这里我是bigger用户，完成这些可以进入第二步。
第四步：安装JDK，ssh，vim
JDK
- 搜索，JDK，进入官网，下载JDK。
网址：
http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
- 我的是64位的系统，所以下载Linux x64的版本。
下载后，移到Ubuntu桌面，解压，出现文件夹如下：
直接将解压后的jdk移到lib文件夹下面
- 配置环境变量
gedit /etc/profile - 配置如下：
export JAVA_HOME=/lib/jvm/jdk1.7.0_76
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH
- 更新配置文件
source /etc/profile 验证
java -version
安装ssh和vim
sudo apt-get install vim
sudo apt-get install openssh-server
查看ssh状态
sudo ps -e | grep ssh
如果有sshd，说明ssh服务已经启动
如果ssh关闭了，可以使用开启服务
service ssh start
第五步：开始准备克隆
这时候，虚拟机，安装了JDK，vim，ssh，里面保存了Hadoop安装文件，这个时候，我们就可以进行虚拟机的克隆。
克隆两台，分别为Slave1和Slave2.
这时候显示如下：
这时候，三台机器的ip分别为：（Master） 192.168.175.128，（Slaver1）192.168.175.131，（Slaver2）192.168.175.132
Master：
Slaver1:
Slaver2:
这时候配置host文件，这样每台机器就能根据名字做IP地址的映射
第六步：配置免SSH
配置的SSH的原因是，比如Hadoop需要访问另一台机器，这时候如果不需要密码能直接连接该多好，这就是配置SSH免密码登录的原因。
ssh-keygen -t rsa
Master：
Master秘钥存放：
Slaver1和秘钥存放：
Slaver2 和秘钥存放：
这时候在目录：~/.ssh下生成了公钥和私钥，谁有了这个公钥，就能访问这台机器不需要密码了，所以三台机器的公钥是共享的。在这里我们发现没有authorized_keys 文件夹，所以直接用命令追加。
cat id_rsa.pub >> authorized_keys
重启
登录
ssh localhost
这时候如果需要这台机器配置互相免密码登录：
原理如下：A若想无密码访问B，就需要把公钥发送给B，B把A发来的公钥添加到自己的授权文件里。所以步骤如下：
1.将Slaver1和Slaver2的公钥都发给Master，Master在自己的授权追加。
命令如下：
scp ~/.ssh/id_rsa.pub bigger@192.168.175.128:~/Desktop
复制桌面，比较感性
传输完成后
此时，进行追加：
cat ~/Desktop/id_rsa.pub /home/bigger/.ssh/authorized_keys
这时候，配置的Slaver1：192.168.175.131的公钥，所以，检验是否能免密码：
IP变化了，所以登录成功！
同理。增加Slaver2的机器到Master：
传输：
追加：
检验：
这时候，Master的文件有三个机器的公钥，后续直接复制到每台机器并追加即可。
- 首先将授权文件复制到桌面
- 传给每台机器
- 追加公钥
cat /home/bigger/Desktop/authorized_keys /home/bigger/.ssh/authorized_keys
验证：
登录Master：
登录Slaver2：
对于Slaver2重复上述，至此，免ssh配置完成！
最后是权限修改：
chmod 700 ~/.ssh
chmod 600 ~/.ssh/authorized_keys
第七步：开始Hadoop安装的配置！
复制解压后的Hadoop文件到/lib文件夹下面
配置Hadoop的配置文件，Hadoop2.6的配置文件在
/hadoop-2.6.0/etc/hadoop下面
- 配置涉及7个文件
~/hadoop/etc/hadoop/hadoop-env.sh
~/hadoop/etc/hadoop/yarn-env.sh
~/hadoop/etc/hadoop/slaves
~/hadoop/etc/hadoop/core-site.xml
~/hadoop/etc/hadoop/hdfs-site.xml
~/hadoop/etc/hadoop/mapred-site.xml
~/hadoop/etc/hadoop/yarn-site.xml 配置文件
1.hadoop-env.sh
该文件是hadoop运行基本环境的配置，需要修改的为java虚拟机的位置。
故在该文件中修改JAVA_HOME值为本机安装位置
export JAVA_HOME=/lib/jdk
2.yarn-env.sh
该文件是yarn框架运行环境的配置，同样需要修改java虚拟机的位置。
在该文件中修改JAVA_HOME值为本机安装位置
export JAVA_HOME=/lib/jdk
3.修改slaves文件
添加
slaver1
slaver2
4：core-site.xml
这个是hadoop的核心配置文件，这里需要配置的就这两个属性，fs.default.name配置了hadoop的HDFS系统的命名，位置为主机的9000端口；hadoop.tmp.dir配置了hadoop的tmp目录的根位置。这里使用了一个文件系统中没有的位置，所以要先用mkdir命令新建一下。
<configuration>
<property>
<name>hadoop.tmp.dir</name>
<value>/data/hadoop-${user.name}</value>
</property>
<property>
<name>fs.default.name</name>
<value>hdfs://master:9000</value>
</property></configuration>
5：hdfs-site.xml
这个是hdfs的配置文件，dfs.http.address配置了hdfs的http的访问位置；dfs.replication配置了文件块的副本数，一般不大于从机的个数。
<configuration>
<property>
<name>dfs.http.address</name>
<value>master:50070</value>
</property>
<property>
<name>dfs.namenode.secondary.http-address</name><value>master:50090</value>
</property>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
6：mapred-site.xml
这个是mapreduce任务的配置，由于hadoop2.x使用了yarn框架，所以要实现分布式部署，必须在mapreduce.framework.name属性下配置为yarn。mapred.map.tasks和mapred.reduce.tasks分别为map和reduce的任务数，至于什么是map和reduce，可参考其它资料进行了解。
其它属性为一些进程的端口配置，均配在主机下。
<configuration>
<property>
<name>mapred.job.tracker</name>
<value>master:9001</value>
</property>
<property>
<name>mapred.map.tasks</name>
<value>20</value>
</property><property>
<name>mapred.reduce.tasks</name>
<value>4</value>
</property><property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<property>
<name>mapreduce.jobhistory.address</name><value>master:10020</value>
</property>
<property><name>mapreduce.jobhistory.webapp.address</name><value>master:19888</value>
</property>
</configuration>
配置文件7：yarn-site.xml
该文件为yarn框架的配置,主要是一些任务的启动位置
<configuration>
<property>
<name>yarn.resourcemanager.address</name>
<value>master:8032</value>
</property>
<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value>master:8030</value>
</property>
<property>
<name>yarn.resourcemanager.webapp.address</name>
<value>master:8088</value>
</property>
<property>
<name>yarn.resourcemanager.resource-tracker.address</name><value>master:8031</value>
</property>
<property>
<name>yarn.resourcemanager.admin.address</name><value>master:8033</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value>
</property>
<property>
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name><value>org.apache.hadoop.mapred.ShuffleHandler</value></property>
</configuration>
将这些文件都复制到所有节点中
第八步：启动和验证
进行格式化：
sudo ./bin/hdfs namenode -format
- 启动hdfs:
./sbin/start-dfs.sh
此时在Master上面运行的进程有：namenode secondarynamenode
Slave1和Slave2上面运行的进程有：datanode
启动yarn: ./sbin/start-yarn.sh
此时在Master上面运行的进程有：namenode secondarynamenode resourcemanager
Slave1和Slave2上面运行的进程有：datanode nodemanager
- 检查启动结果
查看集群状态：./bin/hdfs dfsadmin –report
查看文件块组成： ./bin/hdfsfsck / -files -blocks
查看HDFS: http://master:50070（主机IP）
查看RM: http:// master:8088（主机IP）
