Hadoop单机模式部署 - CentOS

写在前面：博主是一只经过实战开发历练后投身培训事业的“小山猪”，昵称取自动画片《狮子王》中的“彭彭”，总是以乐观、积极的心态对待周边的事物。本人的技术路线从Java全栈工程师一路奔向大数据开发、数据挖掘领域，如今终有小成，愿将昔日所获与大家交流一二，希望对学习路上的你有所助益。同时，博主也想通过此次尝试打造一个完善的技术图书馆，任何与文章技术点有关的异常、错误、注意事项均会在末尾列出，欢迎大家通过各种方式提供素材。

• 对于文章中出现的任何错误请大家批评指出，一定及时修改。
• 有任何想要讨论和学习的问题可联系我：zhuyc@vip.163.com。
• 发布文章的风格因专栏而异，均自成体系，不足之处请大家指正。

Hadoop单机模式部署 - CentOS

本文关键字：Hadoop、单机模式、安装部署、CentOS

一、Hadoop介绍

Hadoop软件库是一个计算框架，可以使用简单的编程模型以集群的方式对大型数据集进行分布式处理。

1. Hadoop发展史及生态圈

• Hadoop起源于Apache Nutch项目，始于2002年，是Apache Lucene的子项目之一。
• 2006年2月，成为一套完整而独立的软件，并被命名为Hadoop。
• 2008年1月，Hadoop成为Apache顶级项目。
• 2009年7月，MapReduce和HDFS成为Hadoop的独立子项目。
• 2010年5月，Avro脱离Hadoop项目，成为Apache顶级项目。
• 2010年5月，HBase脱离Hadoop项目，成为Apache顶级项目。
• 2010年9月，Hive脱离Hadoop项目，成为Apache顶级项目。
• 2010年9月，Pig脱离Hadoop项目，成为Apache顶级项目。
• 2011年1月，Zookeeper脱离Hadoop项目，成为Apache顶级项目。
• 2011年12月，Hadoop 1.0.0版本发布。
• 2012年10月，Impala加入Hadoop生态圈。
• 2013年10月，Hadoop 2.0.0版本发布。
• 2014年2月，Spark成为Apache顶级项目。
• 2017年12月，Hadoop 3.0.0版本发布。

2. Hadoop核心功能及优势

• 分布式存储系统：HDFS

HDFS是Hadoop分布式文件系统（Hadoop Distributed File System）的简称，是Hadoop生态系统中的核心项目之一，也是分布式计算中数据存储管理的基础。

• 分布式计算框架：MR

MapReduce是一种计算模型，核心思想就是“分而治之”，可以用于TB级的大规模并行计算。Map阶段处理后形成键值对形式的中间结果；Reduce对中间结果相同的“键”对应的“值”进行处理，得到最终结果。

• 资源管理平台：YARN

YARN（Yet Another Resource Negotiator）是Hadoop的资源管理器，可以为上层应用提供统一的资源管理和调度，为集群的资源利用率、统一管理、数据共享等方面提供了便利。

• 高扩展

Hadoop是一个高度可扩展的存储平台，可以存储和分发超数百个并行操作的廉价的服务器集群。能够打破传统的关系数据库无法处理大量数据的限制，Hadoop能够提供TB级别数据的运算能力。

• 成本低

Hadoop可以将廉价的机器组成服务器集群来分发处理数据，成本较低，学习者及普通用户也能够很方便的在自己的PC上部署Hadoop环境。

• 高效率

Hadoop能够并发的处理数据任务，并且能够在不同的节点之间移动数据，可以保证各个节点的动态平衡。

• 容错性

Hadoop可以自动维护多份数据的副本，如果计算任务失败，Hadoop能够针对失败的节点重新处理。

3. 部署方式介绍

• 单机模式

单机模式是一个最简的安装模式，因为Hadoop本身是基于Java编写的，所以只要配置好Java的环境变量就可以运行了。在这种部署方式中我们不需要修改任何的配置文件，也不需要启动任何的服务，只需要解压缩、配置环境变量。虽然配置很简单，但是能做的事情也是很少的。因为没有各种守护进程，所以分布式数据存储以及资源调度等等服务都是不能使用的，但是我们可以很方便的测试MapReduce程序。

• 伪分布模式

伪分布模式是学习阶段最常用的模式，可以将进程都运行在同一台机器上。在这种模式下，可以模拟全分布模式下的运行状态，基本上可以完成全分布模式下的所有操作，伪分布模式是全分布模式的一个特例。

• 全分布模式

在全分布模式下，会在配置文件中体现出主节点与分节点，可以指定哪些机器上运行哪些服务以达到的成本与效率的平衡。在企业中主要采用的都是全分布式模式，节点从数十个到上百个不等。在学习阶段，如果个人PC的性能足够强劲，也可以使用多台虚拟机代替。

二、Hadoop下载

作为一个软件的学习者和开发者，大家一定要培养自己：去官网、查资料的好习惯，摆脱各种一键安装、软件管家之类的东西，把一切掌控在自己手中，用严谨的态度来要求自己，加油！

1. 下载地址

在百度中搜索Hadoop，前两条就会显示我们需要的网站，目前Hadoop属于Apache基金会，所以我们打开网址时注意一下是apache.org。

进入后来到Hadoop的官网，点击Download就可以打开下载界面：https://hadoop.apache.org/releases.html。

2. 版本选择

现在我们使用的是开源社区版，目前的主流版本为2.x.y和3.x.y。

在选择Hadoop的版本时，我们应该考虑到与其他生态圈软件的兼容问题。通常的组建方式有两种：

• 根据各组件的兼容性要求手动选择版本并搭建
• 使用CDH（Cloudera’s Distribution Including Apache Hadoop）自动选择版本并解决兼容问题

在学习阶段，由于进行的操作比较简单，不需要特别的在意版本的兼容问题，但是建议两种方式大家都能够去进行了解和实践。

3. 安装包下载

本文选择2.9.2版本进行演示，Source为源码，Binary为我们所需要的软件包，点击对应版本的binary进入下载界面。

点击任意一个镜像地址开始下载，直击链接：https://www.apache.org/dyn/closer.cgi/hadoop/common/hadoop-2.9.2/hadoop-2.9.2.tar.gz。

三、安装步骤

文本将在CentOS 7系统环境下演示Hadoop的单机模式部署。

1. 前置环境

在配置Hadoop前，需要先配置好JDK，在安装先需要先卸载历史版本，详细的步骤可以参考我的另一篇文章：JDK的解压安装 - CentOS。

• 查询历史版本（如没有可跳过下一步）

rpm -qa|grep java
rpm -qa|grep jdk

• 卸载历史版本（使用root用户操作）

rpm -e --nodeps 软件包全称（从查询处获得）

• 解压缩

tar -zvxf jdk-8u251-linux-x64.tar.gz

• 配置环境变量（以全局为例-root用户操作）

vi /etc/profile

# 在文件结尾添加以下内容
JAVA_HOME=/opt/jdk1.8.0_251
PATH=$PATH:$JAVA_HOME/bin:$JAVA_HOME/jre/bin

export JAVA_HOME
export PATH

• 刷新环境变量

source /etc/profile

• 使用命令测试

java -version

2. Hadoop安装

对于Hadoop软件，通常会新建一个单独的用户来管理，下面以普通用户hadoop为例来进行操作。

# 新建hadoop用户
useradd hadoop
# 为hadoop用户设置密码
passwd hadoop
# 切换至hadoop用户
su - hadoop

• 解压缩

使用hadoop用户新建一个会话，上传Hadoop软件包。

tar -zxvf hadoop-2.9.2.tar.gz

• 配置环境变量（以用户变量为例）

vi ~/.bash_profile

# 在文件结尾添加以下内容
HADOOP_HOME=/home/hadoop/hadoop-2.9.2
PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

export HADOOP_HOME
export PATH

• 刷新环境变量

source ~/.bash_profile

• 使用命令测试

hadoop version

3. 运行WordCount

测试命令成功之后我们还可以运行一个MapReduce小程序来测试一下，相当于Hadoop的“Hello World”。在Hadoop的安装目录中，存放了一些可以直接运行的jar包，对于不同版本，存放路径可能有所差异。在2.9.2版本中，存放路径为：share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar。

• 进入jar包所在路径

• 准备数据

新建一个纯文本文件，使用空格、换行符来分隔单词，写入一些句子。

touch data.txt
vi data.txt

good good study
day day up
today is a good day

• 开始计算

使用hadoop jar命令来运行一个jar包，在jar包中可能存在多个可执行的类，目前需要运行的是其中的wordcount。运行时需要两个参数：

• 输入路径：数据源文件或目录
• 输出路径：一个还不存在的目录，会自动创建

输入路径就是刚刚创建的data.txt，而输出路径必须是一个不存在路径，每次执行完成后会自动创建该目录，并生成一些结果文件。

hadoop jar hadoop-mapreduce-examples-2.9.2.jar wordcount data.txt output

• 异常解决

如果在运行过程中出现UnknownHostException: bogon: 未知的名称或服务异常，可以通过在/etc/hosts文件中添加本机映射解决。如：本机主机名为hadoop，则修改内容如下（使用root用户操作）：