HADOOP1.0.3的start-dfs.sh系列脚本分析

2023年9月30日 346次阅读来源: DFS

熟悉脚本的启动过程，也就熟悉了hadoop的执行过程。所以研究并学习hadoop的脚本启动过程是非常有意义的。

对shell命令不是太熟悉，学的比较辛苦，里面还有些地方不明白，或者有错误的地方，希望如果有错误，能有人帮我指出来，谢谢。

（1）start-dfs.sh脚本

1）说明

start-dfs.sh可以单独运行，也可以启动start-all.sh时启动dfs进程。

start-dfs.sh的作用在于启动主节点的namenode，启动secondnamenode，以及各从节点的datanode进程。

脚本注释中有以下三句话：

start-dfs支持upgrage和rollback两个参数，来更改系统的状态。其中upgrage用于升级hdfs文件系统；如果升级失败，可以用rollback对系统进行回滚。具体情况还不太明了。

最后，Run this on master node说明了必须在namenode进程运行的节点上运行该脚本。如果不在core-size.xml文件定义的fs.default.name变量的机器名运行start-dfs.sh或者start-daemon.sh或者hadoop namenode，是无法成功启动namenode守护进程的。已经经过验证。stop-dfs也是一样的。原因：在hadoop脚本中可以看出namenode进程是在本地启动的，所以如果不在core-site.xml定义的节点上运行start-dfs脚本，不会ssh到该节点上去启动namenode。这部分在后续会进行介绍。

2）脚本执行过程

由于脚本不长，而且其它脚本前面的处理也一致，所以对这个脚本作详细说明。后面的几个脚本就挑主要部分进行解释。

#说明：定义usage变量，即start-dfs.sh的使用说明，在后面的内容可以看到，当参数输入错误时，会打印该消息。

usage=”Usage: start-dfs.sh[-upgrade|-rollback]”

#说明：定义bin变量，即hadoop home目录中bin所在目录，也即运行start-dfs所在的目录。写这段脚本的作用在于，当不是在bin目录下运行该脚本时，采用绝对路径的方式，获取hadoop home目录，并在后面的脚本中，使用该路径来读取配置文件、运行其它脚本等。

bin=`dirname”$0″`

bin=`cd”$bin”; pwd`

#说明：运行配置脚本配置脚本主要定义了一些环境变量；并且得到HADOOP根目录，变量名为：HADOOP_PREFIX。（HADOOP_HOME环境变量已经过时）

if [ -e”$bin/../libexec/hadoop-config.sh” ]; then

.”$bin”/../libexec/hadoop-config.sh

else

. “$bin/hadoop-config.sh”

#说明：处理脚本命令的参数。如果参数个数>=1，将第一个参数赋值给nameStartOpt变量。如果该变量不为-upgrage和-rollback中的任何一个，就打印usage变量消息（前面第一行就是usage的变量定义），并且退出，不再继续执行。

# get arguments

if [ $# -ge 1 ]; then

nameStartOpt=$1

shift

case $nameStartOpt in

(-upgrade)

;;

(-rollback)

dataStartOpt=$nameStartOpt

;;

(*)

echo $usage

exit 1

;;

esac

#说明：启动dfs的所有后台进程。

# start dfs daemons

# start namenode afterdatanodes, to minimize time namenode is up w/o data

# note: datanodes willlog connection errors until namenode starts

#说明：首先运行hadoop-daemon.sh脚本，通过参数’start namenode’启动namenode，后面将介绍hadoop-daemons.sh脚本介绍namenode的启动脚本的执行过程。

“$bin”/hadoop-daemon.sh–config $HADOOP_CONF_DIR start namenode $nameStartOpt

#说明：然后运行hadoop-daemons.sh脚本，通过参数’start datanode启动所有的datanode，后面将介绍hadoop-daemons.sh脚本介绍datanode的启动脚本的执行过程。

“$bin”/hadoop-daemons.sh–config $HADOOP_CONF_DIR start datanode $dataStartOpt

#说明：最后运行hadoop-daemons.sh脚本，通过参数’—hosts masters start secondarynamenode启动secondarynamenode，后面将介绍hadoop-daemons.sh脚本介绍secondarynamenode的启动脚本的执行过程。

“$bin”/hadoop-daemons.sh–config $HADOOP_CONF_DIR –hosts masters start secondarynamenode

（2）hadoop-daemon.sh脚本

前面三个步骤同上：定义用法说明和脚本的绝对路径、运行配置脚本、处理参数。由于脚本的参数较为重要，首先说明脚本的使用方法。

1）传入参数说明

#说明：定义startStop变量为第一个参数的值。在start-dfs.sh脚本中，调用该脚本时，传入的为’start’。该脚本仅支持start和stop两种。

# get arguments

startStop=$1

#说明：在不了解参数个数和当前要使用的参数个数为第几个的情况，采用shift操作，将使用的参数出栈一位，原来的第二位参数变为第一个，后面仍然用$1来获取本来的第二个参数。

在这里，将start-dfs.sh脚本中，调用该脚本时，传的’namenode’作为command变量的值。

shift

command=$1

shift

2）该脚本使用说明

Usage: hadoop-daemon.sh[–config <conf-dir>] [–hosts hostlistfile] (start|stop)<hadoop-command> <args…>

说明：

–config <conf-dir>指定conf目录的路径；

–hosts hostlistfile：指定hosts，在slaves.sh脚本中，会ssh到该文件中配置的节点上去执行操作。如果没有定义该参数，则默认ssh到slaves文件中定义的节点上去启动后台进程；如果定义该参数，则到定义的机器上去启动后台进程。在start-dfs.sh中，secondarynamenode的启动，就是通过参数—hosts masters来制定获取目的机器的配置文件。

2）确认是否运行secure datanode

作用暂不清楚。

#说明：if中的条件用于判断是否为secure datanode设置，如果是，则后面的三个变量均定义为安全的变量。

if [“$command” == “datanode” ] && [ “$EUID”-eq 0 ] && [ -n “$HADOOP_SECURE_DN_USER” ]; then

exportHADOOP_PID_DIR=$HADOOP_SECURE_DN_PID_DIR

exportHADOOP_LOG_DIR=$HADOOP_SECURE_DN_LOG_DIR

export HADOOP_IDENT_STRING=$HADOOP_SECURE_DN_USER

3）日志目录的创建和处理

#说明：获取日志路径

# get log directory

if [“$HADOOP_LOG_DIR” = “” ]; then

exportHADOOP_LOG_DIR=”$HADOOP_HOME/logs”

#说明：mkdir –p创建上层遗失目录。即如果该目录的上层目录也没有，就创建该上层目录。

mkdir -p”$HADOOP_LOG_DIR”

#说明$? —-上一个代码或者shell程序在shell中退出的情况，如果正常退出则返回0，反之为非0值。这里的作用，在于判断log目录中是否可以创建文件并进行文件写操作。

touch$HADOOP_LOG_DIR/.hadoop_test > /dev/null 2>&1

TEST_LOG_DIR=$?

#说明：目的在于测试log dir是否创建成功？即用户是否有权限？如果有，就删除该测试文件。

if [“${TEST_LOG_DIR}” = “0” ]; then

rm -f $HADOOP_LOG_DIR/.hadoop_test

#说明：如果没有，就修改该目录的属性

else

chown $HADOOP_IDENT_STRING $HADOOP_LOG_DIR

#说明：设置log变量为.out文件名

log=$HADOOP_LOG_DIR/hadoop-$HADOOP_IDENT_STRING-$command-$HOSTNAME.out

4）设置pid变量用于存放进程的进程id号

pid的作用在于，判断namenode或者datanode等守护进程是否已经运行。如果已经运行，则打印消息说明已运行；如果没有，则启动守护进程，并将进程id存放在pid文件中，用于下次启动的判断。该过程在start命令的处理流程中。

#说明：获取系统用户名，并存放在HADOOP_IDENT_STRING变量中

if [“$HADOOP_IDENT_STRING” = “” ]; then

export HADOOP_IDENT_STRING=”$USER”

#说明：如果没有定义pid文件存放的目录，就设置为/tmp目录

if [“$HADOOP_PID_DIR” = “” ]; then

HADOOP_PID_DIR=/tmp

#说明：设置pid文件名。根据当前启动的守护进程名称不同而不同。在start-dfs.sh中调用该进程，则pid文件名为/tmp/hadoop-gtl-namenode.pid

pid=$HADOOP_PID_DIR/hadoop-$HADOOP_IDENT_STRING-$command.pid

#说明：设置pid文件名。根据当前启动的守护进程名称不同而不同。在start-dfs.sh中调用该进程，则pid文件名为/tmp/hadoop-gtl-namenode.pid

pid=$HADOOP_PID_DIR/hadoop-$HADOOP_IDENT_STRING-$command.pid

5）启动或停止服务处理（这里只介绍启动）

#说明：在传入参数说明中，已经介绍了startStop参数的定义。在这里，为start，即启动。

case $startStop in

(start)

#说明：创建HADOOP_PID_DIR所定义的pid文件存放的目录

mkdir -p “$HADOOP_PID_DIR”

#说明：如果前面定义的pid变量为文件，则判断当前进程是否存在。如果已经存在，则打印消息，说明服务以及启动，如果要重新启动，需要先停止服务。

if [ -f $pid ]; then

if kill -0 `cat $pid` > /dev/null2>&1; then

echo $command running as process `cat$pid`. Stop it first.

exit 1

#说明：如果定义了HADOOP_MASTER变量，则将日志作镜像备份。其中hadoop_rotate_log是这个脚本中定义的函数，具体可参考hadoop-daemon.sh全文。

if [ “$HADOOP_MASTER” !=”” ]; then

echo rsync from $HADOOP_MASTER

rsync -a -e ssh –delete –exclude=.svn–exclude=’logs/*’ –exclude=’contrib/hod/logs/*’ $HADOOP_MASTER/”$HADOOP_HOME”

hadoop_rotate_log $log

echo starting $command, logging to $log

#说明：进入hadoop根目录，并在系统后台运行hadoop脚本，传入参数为namenode及其参数。并将消息输出到.out日志文件中。真正调用namenode执行实例的内容在hadoop脚本中。

cd “$HADOOP_PREFIX”

nohup nice -n$HADOOP_NICENESS “$HADOOP_PREFIX”/bin/hadoop –config$HADOOP_CONF_DIR $command “$@” > “$log” 2>&1 </dev/null &

#说明：记录该进程的pid，并写入pid变量定义的文件中。

echo $! > $pid

#说明：打印log文件的前10行消息，如果没有错误，则没有消息；如果有错误，则会输出错误信息。

sleep 1; head”$log”

;;

（3）hadoop-daemons.sh脚本

前面三个步骤同上：定义用法说明和脚本的绝对路径、运行配置脚本、处理参数。

最后执行以下操作：

#说明：运行slaves.sh，为ssh到各datanode节点和secondarynamenode节点上；

如果是start-dfs调用该脚本传入start datanode来启动datanode服务，会在datanode节点上运行hadoop-daemon.sh start datanode命令

如果是start-dfs调用该脚本传入start secondarynamenode来启动secondarynamenode服务，会在masters定义的节点上运行hadoop-daemon.sh –host masters startsecondarynamenode命令

exec”$bin/slaves.sh” –config $HADOOP_CONF_DIR cd”$HADOOP_HOME” \; “$bin/hadoop-daemon.sh” –config$HADOOP_CONF_DIR “$@”

（4）slaves.sh脚本

前面的步骤同上，不予解释。

1）HADOOP_SLAVES的定义

#说明：如果该变量没有定义，则默认为slaves文件。在hadoop-config文件中，关于HADOOP_SLAVES变量，有专门的处理：如果有—host参数，则HADOOP_SLAVES= ${HADOOP_CONF_DIR}目录下的—host参数后面的参数值。所以在secondarynamenode中，定义的master文件，即为启动secondarynamenode的节点定义文件，而不是通常理解的namenode的启动节点。

if [“$HOSTLIST” = “” ]; then

if [ “$HADOOP_SLAVES” =”” ]; then

export HOSTLIST=”${HADOOP_CONF_DIR}/slaves”

else

exportHOSTLIST=”${HADOOP_SLAVES}”

2）ssh到各slaves节点上

#说明：读取HADOOP_SLAVES变量的文件的每个slave节点，并用ssh登录到slave节点。

#说明:不匹配注释行和空行。

for slave in `cat”$HOSTLIST”|sed “s/#.*$//;/^$/d”`; do

#说明：这一段脚本的作用在于ssh到目标host后，将在目标节点上的消息打印，并以{hostname: }开头来打印消息。

ssh $HADOOP_SSH_OPTS$slave $”${@// /\\ }” \

2>&1 | sed “s/^/$slave: /”&

if [“$HADOOP_SLAVE_SLEEP” != “” ]; then

sleep $HADOOP_SLAVE_SLEEP

done

（5）hadoop脚本

这是hadoop所有脚本执行的核心。

前面的步骤同上，不予解释。

在这里有一部分的cygwin的环境变量的说明。这部分是用于兼容windows的cygwin环境而设的。不进行单独说明。

除了设置hadoop通用的变量外，在这个脚本中，还设置了java运行环境的参数。

本脚本主要的核心在于执行类的定义。

1）执行命令参数对应的执行类说明

#说明：根据命令参数，指定运行的类

# figure out which classto run

#说明：’hadoop classpath’，打印classpath环境变量，并退出程序。

if [“$COMMAND” = “classpath” ] ; then

if $cygwin; then

CLASSPATH=`cygpath -p -w”$CLASSPATH”`

echo $CLASSPATH

exit

#说明：org.apache.hadoop.hdfs.server包，提供hdfs后台服务运行的类。

#说明：’hadoop namenode’，设置运行类为NameNode类，会首先进入该类的main()函数。

elif [“$COMMAND” = “namenode” ] ; then

CLASS=’org.apache.hadoop.hdfs.server.namenode.NameNode’

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_NAMENODE_OPTS”

#说明：’hadoop secondarynamenode’，设置运行类为SecondaryNameNode类。

elif [“$COMMAND” = “secondarynamenode” ] ; then

CLASS=’org.apache.hadoop.hdfs.server.namenode.SecondaryNameNode’

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_SECONDARYNAMENODE_OPTS”

#说明：’hadoop datanode’，设置运行类为DataNode类。

elif [“$COMMAND” = “datanode” ] ; then

CLASS=’org.apache.hadoop.hdfs.server.datanode.DataNode’

#说明：是否启动安全运行Datanode服务的配置。

if [ “$starting_secure_dn” =”true” ]; then

HADOOP_OPTS=”$HADOOP_OPTS -jvm server$HADOOP_DATANODE_OPTS”

else

HADOOP_OPTS=”$HADOOP_OPTS -server$HADOOP_DATANODE_OPTS”

#说明：org.apache.hadoop.fs包，提供文件系统上的文件访问操作类。

#说明：’hadoop fs’，设置运行类为FSShell类，用于文件系统上的操作。

elif [ “$COMMAND”= “fs” ] ; then

CLASS=org.apache.hadoop.fs.FsShell

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop dfs’，设置运行类也为FSShell类，用于在分布式文件系统上的操作。

#说明：网上查询’hadoop fs’和’hadoop dfs’这两个命令的区别在于一个为抽象文件系统，一个为分布是文件系统。但是从这里可以判断，其实就这两个命令而言，没有任何区别。

elif [ “$COMMAND”= “dfs” ] ; then

CLASS=org.apache.hadoop.fs.FsShell

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：org.apache.hadoop.hdfs/mapred. tools包，提供工具类。

#说明：’hadoop dfsadmin’，设置运行类为DFSAdmin类，用于管理dfs。

elif [“$COMMAND” = “dfsadmin” ] ; then

CLASS=org.apache.hadoop.hdfs.tools.DFSAdmin

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop mradmin’，设置运行类为MRAdmin类，用于管理mapred。

elif [“$COMMAND” = “mradmin” ] ; then

CLASS=org.apache.hadoop.mapred.tools.MRAdmin

HADOOP_OPTS=”$HADOOP_OPTS $HADOOP_CLIENT_OPTS”

#说明：’hadoop fsck’，设置运行类为DFSck类，用于检查fs文件系统？

elif [“$COMMAND” = “fsck” ] ; then

CLASS=org.apache.hadoop.hdfs.tools.DFSck

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop balancer’，设置运行类为Balancer类，集群负载均衡服务？

elif [“$COMMAND” = “balancer” ] ; then

CLASS=org.apache.hadoop.hdfs.server.balancer.Balancer

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_BALANCER_OPTS”

#说明：’hadoop fetchdt’，设置运行类为DelegationTokenFetcher类？

elif [“$COMMAND” = “fetchdt” ] ; then

CLASS=org.apache.hadoop.hdfs.tools.DelegationTokenFetcher

#说明：org.apache.hadoop.mapred包，提供mapreduce实现的类。

#说明：’hadoop jobtracker’，设置运行类为JpbTracker类，用于启动jobtracker服务。

elif [“$COMMAND” = “jobtracker” ] ; then

CLASS=org.apache.hadoop.mapred.JobTracker

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_JOBTRACKER_OPTS”

#说明：’hadoop historyserver’，设置运行类为JobHistoryServer类?

elif [“$COMMAND” = “historyserver” ] ; then

CLASS=org.apache.hadoop.mapred.JobHistoryServer

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_JOB_HISTORYSERVER_OPTS”

#说明：’hadoop tasktracker’，设置运行类为TaskTracker类，用于启动tasktracker服务。

elif [“$COMMAND” = “tasktracker” ] ; then

CLASS=org.apache.hadoop.mapred.TaskTracker

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_TASKTRACKER_OPTS”

#说明：’hadoop job’，设置运行类为JobClient类？

elif [“$COMMAND” = “job” ] ; then

CLASS=org.apache.hadoop.mapred.JobClient

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop queue’，设置运行类为JobQueueClient类？

elif [“$COMMAND” = “queue” ] ; then

CLASS=org.apache.hadoop.mapred.JobQueueClient

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop pipes’，设置运行类为Submitter类？

elif [“$COMMAND” = “pipes” ] ; then

CLASS=org.apache.hadoop.mapred.pipes.Submitter

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：org.apache.hadoop.util包，提供了通用的工具类。

#说明：’hadoop version’，设置运行类为VersionInfo类，用于打印hadoop版本信息。

elif [“$COMMAND” = “version” ] ; then

CLASS=org.apache.hadoop.util.VersionInfo

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop jar’，设置运行类为RunJar类，用于运行外部jar包。

elif [“$COMMAND” = “jar” ] ; then

CLASS=org.apache.hadoop.util.RunJar

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop distcp’，设置运行类为DistCp类?

elif [“$COMMAND” = “distcp” ] ; then

CLASS=org.apache.hadoop.tools.DistCp

CLASSPATH=${CLASSPATH}:${TOOL_PATH}

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop daemonlog，设置运行类为LogLevel类?

elif [“$COMMAND” = “daemonlog” ] ; then

CLASS=org.apache.hadoop.log.LogLevel

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop archive，设置运行类为HadoopArchives类?

elif [“$COMMAND” = “archive” ] ; then

CLASS=org.apache.hadoop.tools.HadoopArchives

CLASSPATH=${CLASSPATH}:${TOOL_PATH}

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

#说明：’hadoop sampler，设置运行类为InputSampler类?

elif [“$COMMAND” = “sampler” ] ; then

CLASS=org.apache.hadoop.mapred.lib.InputSampler

HADOOP_OPTS=”$HADOOP_OPTS$HADOOP_CLIENT_OPTS”

else

CLASS=$COMMAND

2）运行执行类

#说明：通过java 类名类参数的的方式，来运行执行类。

exec “$JAVA”-Dproc_$COMMAND $JAVA_HEAP_MAX $HADOOP_OPTS -classpath “$CLASSPATH”$CLASS “$@”

    原文作者：DFS
    原文地址: https://blog.csdn.net/aperson111/article/details/7942967
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。