前言

距离唯一一次搭建Hadoop集群，已是六年有余。那时候大数据的学习资料还是我从某宝25买来的，如今大数据已遍地开花。最近想写一些关于大数据的东西，例如Spark、flink等，想放在Yarn上跑，所以就从Hadoop的搭建开始写起。

关于Hadoop

刚接触Hadoop的时候，还是Hadoop1，如今已经是Hadoop3，在搭建的过程中也多了一些配置。本次使用的是Apache Hadoop，在生产中一般用国内大厂的Hadoop，或者CDH、HDP（2019年合并成CDP）版本的Hadoop。

我们生产中有两个Hadoop集群，规模在1200台主机左右，是基于Hadoop3的HDP版本。为什么不选择Apache版本的，我个人认为有几个原因：

1. 安装

HDP有一个后台管理平台，叫Ambari 。首先具有安装导向的作用，在页面安装时直接将所有IP/Hosts填入，然后选择每个节点安装哪些组件。不用像Apache Hadoop一样，手动分发安装包到每个节点安装。

2. 集成

HDP将所有软件都放在了一个包里，例如Kafka、Spark、Flume、Hadoop等，都做了版本的适配，不用自己去各个网站下载了。

3. 运维

Apache Hadoop只有一个HDFS和Yarn的web页面，来查看节点的信息。当某个节点发生故障的时候，只能登录到主机上查看日志，然后手动启停服务。

而Ambari提供了节点服务启停、Hadoop的dashboard、以及节点状态的监控等功能。

既然这么好，为什么这里我不使用HDP？

原因就是：HDP的软件包太大了。我之前用docker搭建过HDP版本的Hadoop，需要下载四个软件包，大概12G左右，而Apache只有几百MB。而且在安装过程中，Ambari会启动很多进程，进行Ambari Server与Agent的通信，就会导致电脑很卡。如果只是测试，那就使用HDP

环境配置

环境配置主要是对节点的配置，包括网络、防火墙等。

1. 安装虚拟机

下载Centos镜像，我选择的版本是7，在VMware中进行虚拟机的安装配置。

2. 配置虚拟机网络

在VMware中，通过虚拟机网络编辑器可以看到NAT网络分配的子网，我这里分配的是192.168.227网段，所以我将这个主机的节点的IP配置为192.168.227.100。

同时在修改网络配置时，要将BOOTPROTO从DHCP修改为static。

  vi /etc/sysconfig/network-scripts/ifcfg-ens33 

然后重启网络：

   systemctl restart network

3. 分配节点IP，设置host

我这里分配了三个节点，一个master主节点，两个slave从节点。我这里的master为192.168.227.100，slave1为192.168.227.101，slave2为192.168.227.102，在/etc/hosts中添加host映射：

   192.168.227.100 master
   192.168.227.101 slave1
   192.168.227.102 slave2

4. 关闭并禁用防火墙

一定要关闭并禁用防火墙，否则集群之间就会出现通信问题。

  systemctl stop firewalld
  systemctl disable firewalld

搭建Hadoop

我的搭建思路就是先配置一台master主节点，各种配置完成之后，再克隆主节点，生成两个slave。在HDFS中，master是NameNode，slave是DataNode。在Yarn中，master是ResourceManager，slave是NodeManager。

接下来就是对master节点进行配置。

1. Hadoop配置

下载Aapche Hadoop 3.3.6版本的安装包，然后进行配置然后分别对core-site.xml、hdfs-site.xml、yarn-site.xml以及mapred-site.xml进行核心参数的配置 ，然后把从节点配置在workers（之前叫做slaves)中。

core-site.xml

主要配置fs.defaultFS参数，来确定DataNode和NameNode之间的通信。这样我们在客户端使用hdfs等命令的时候，就不用指定IP和端口了。

hdfs-site.xml

指定HDFS文件系统的配置，例如副本数、数据块大小、NameNode元数据目录、DataNode数据目录以及webui路径等。

yarn-site.xml

主要指定Resourcemanager的地址，后面大部分都是默认配置。

这里最值得提的就是yarn.nodemanager.aux-services，默认值是mapreduce_shuffle，只支持运行MapReduce程序，如果想要支持spark，修改成mapreduce_shuffle,spark2_shuffle即可。

mapred-site.xml

通过配置mapreduce.framework.name为yarn，MapReduce任务才能提交到yarn集群上。

除了yarn之外，还可以设置为local（默认）、classic。

workers

之前叫slaves，现在改成workers，将从节点的host填入即可。

hadoop-env.sh

之前Hadoop都没有这个环境脚本的配置，现在需要配置。

export JAVA_HOME=/root/app/jdk1.8.0_201
export HDFS_SECURE_DN_USER=root
export HDFS_NAMENODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
#export HDFS_DATANODE_SECURE_USER=root
export HDFS_DATANODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root

主要是配置HDFS和YARN的启动用户，默认是hdfs和yarn，不配置的话用root启动就会报错。

上面的配置我用#注释了一个，如果使用这个配置DataNode将会启动失败，使用下面不带SECURE的DataNode才能启动成功。

3. 配置JDK

下载Linux版本JDK，解压到app目录下，在/etc/profile中进行配置。

  export JAVA_HOME=/root/app/jdk1.8.0_201
  export HADOOP_HOME=/root/app/hadoop-3.3.6
  export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin 

4. 拷贝从节点

将master关机，用master克隆出两个从节点slave1和slave2。

修改slave1和slave2的网络为101和102.

  vi /etc/sysconfig/network-scripts/ifcfg-ens33 

修改保存之后重启网络。

5. 配置互信免密

我们在各个节点之间互相登录时，都需要输入密码。但DataNode之间同步副本的时候，他也不会输入密码。所以需要各个节点进行免密登录。

在三台机器上使用下面命令，在 ~/.ssh 目录下生成公钥和私钥。

  ssh-keygen

就一路按回车，直到创建成功。

最终的操作就是将三个节点的公钥 id_rsa.pub内容，拷贝到authorized_keys中，然后分发到三个节点的/root/.ssh目录中。

使用ssh-copy-id就能将本机公钥，拷贝到目标主机authorized_keys（没有会自动生成）中，就完成了本机到目标主机的单向免密登录。

我将master和slave2公钥通过ssh-copy-id放到slave1中，然后在slave1上将slave1的公钥在粘贴到authorized_keys，然后将authorized_keys分发到master和slave2，这样三个节点互信就完成了。

然后登录测试，已经不需要密码。

启动Hadoop集群

然后就是启动Hadoop集群，Hadoop集群的功能主要是存储和计算。存储对应的是HDFS，计算是Yarn，启动Hadoop集群就是启动这两个组件。

1. 格式化

第一次启动集群时必须对其进行格式化，将新的分布式文件系统格式化为HDFS。

  hdfs  namenode -format

等待格式化完成。在NameNode的dfs.namenode.name.dir目录下，会生成集群信息和元数据信息。

2. 启动集群

使用start-dfs.sh启动HDFS。

使用start-yarn.sh启动YARN。

查看各个节点的启动情况。

master上启动了HDFS和YARN的主节点，slave上启动了集群的从节点。

3. webui

通过master的50070，可以访问HDFS的webui。

master的8088端口，可以看到yarn的集群资源、程序运行状态的webui。

4. 测试HDFS

这里就通过客户端命令上传文件到HDFS。

通过hdfs命令的mkdir、put、ls命令，完成了数据上传。至于yarn，后续会提交Spark任务来进行使用。

结语

这就是我在虚拟机上搭建Hadoop3的步骤，有兴趣的同学不妨试试！