Hadoop集群搭建

原文 ? http://blog.csdn.net/yang_best/article/details/41280553 接下来的几节描述了如何配置Hadoop集群。 配置文件 对Hadoop的配置通过 conf/ 目录下的两个重要配置文件完成： hadoop-default.xml 只读的默认配置。 hadoop-site.xml 集群特有的配置。 要

原文? http://blog.csdn.net/yang_best/article/details/41280553

接下来的几节描述了如何配置Hadoop集群。

配置文件

对Hadoop的配置通过 conf/ 目录下的两个重要配置文件完成：

1. hadoop-default.xml – 只读的默认配置。
2. hadoop-site.xml – 集群特有的配置。

要了解更多关于这些配置文件如何影响Hadoop框架的细节，请看 这里 。

此外，通过设置 conf/hadoop-env.sh 中的变量为集群特有的值，你可以对 bin/ 目录下的Hadoop脚本进行控制。

集群配置

要配置Hadoop集群，你需要设置Hadoop守护进程的 运行环境 和Hadoop守护进程的 运行参数 。

Hadoop守护进程指 NameNode / DataNode 和 JobTracker / TaskTracker 。

配置Hadoop守护进程的运行环境

管理员可在 conf/hadoop-env.sh 脚本内对Hadoop守护进程的运行环境做特别指定。

至少，你得设定 JAVA_HOME 使之在每一远端节点上都被正确设置。

管理员可以通过配置选项 HADOOP_*_OPTS 来分别配置各个守护进程。 下表是可以配置的选项。

守护进程	配置选项
NameNode	HADOOP_NAMENODE_OPTS
DataNode	HADOOP_DATANODE_OPTS
SecondaryNamenode	HADOOP_SECONDARYNAMENODE_OPTS
JobTracker	HADOOP_JOBTRACKER_OPTS
TaskTracker	HADOOP_TASKTRACKER_OPTS

例如，配置Namenode时,为了使其能够并行回收垃圾（parallelGC）， 要把下面的代码加入到 hadoop-env.sh :

export HADOOP_NAMENODE_OPTS=”-XX:+UseParallelGC ${HADOOP_NAMENODE_OPTS}”

其它可定制的常用参数还包括：

• HADOOP_LOG_DIR – 守护进程日志文件的存放目录。如果不存在会被自动创建。
• HADOOP_HEAPSIZE – 最大可用的堆大小，单位为MB。比如， 1000MB 。 这个参数用于设置hadoop守护进程的堆大小。缺省大小是 1000MB 。

配置Hadoop守护进程的运行参数

这部分涉及Hadoop集群的重要参数，这些参数在 conf/hadoop-site.xml 中指定。

参数	取值	备注
fs.default.name	NameNode 的URI。	hdfs://主机名/
mapred.job.tracker	JobTracker 的主机（或者IP）和端口。	主机:端口 。
dfs.name.dir	NameNode 持久存储名字空间及事务日志的本地文件系统路径。	当这个值是一个逗号分割的目录列表时，nametable数据将会被复制到所有目录中做冗余备份。
dfs.data.dir	DataNode 存放块数据的本地文件系统路径，逗号分割的列表。	当这个值是逗号分割的目录列表时，数据将被存储在所有目录下，通常分布在不同设备上。
mapred.system.dir	Map/Reduce框架存储系统文件的HDFS路径。比如/hadoop/mapred/system/。	这个路径是默认文件系统（HDFS）下的路径， 须从服务器和客户端上均可访问。
mapred.local.dir	本地文件系统下逗号分割的路径列表，Map/Reduce临时数据存放的地方。	多路径有助于利用磁盘i/o。
mapred.tasktracker.{map|reduce}.tasks.maximum	某一 TaskTracker 上可运行的最大Map/Reduce任务数，这些任务将同时各自运行。	默认为2（2个map和2个reduce），可依据硬件情况更改。
dfs.hosts/dfs.hosts.exclude	许可/拒绝DataNode列表。	如有必要，用这个文件控制许可的datanode列表。
mapred.hosts/mapred.hosts.exclude	许可/拒绝TaskTracker列表。	如有必要，用这个文件控制许可的TaskTracker列表。

通常，上述参数被标记为 final 以确保它们不被用户应用更改。

现实世界的集群配置

这节罗列在大规模集群上运行 sort 基准测试(benchmark)时使用到的一些非缺省配置。

• 运行sort900的一些非缺省配置值，sort900即在900个节点的集群上对9TB的数据进行排序：
  

  参数	取值	备注
  dfs.block.size	134217728	针对大文件系统，HDFS的块大小取128MB。
  dfs.namenode.handler.count	40	启动更多的NameNode服务线程去处理来自大量DataNode的RPC请求。
  mapred.reduce.parallel.copies	20	reduce启动更多的并行拷贝器以获取大量map的输出。
  mapred.child.java.opts	-Xmx512M	为map/reduce子虚拟机使用更大的堆。
  fs.inmemory.size.mb	200	为reduce阶段合并map输出所需的内存文件系统分配更多的内存。
  io.sort.factor	100	文件排序时更多的流将同时被归并。
  io.sort.mb	200	提高排序时的内存上限。
  io.file.buffer.size	131072	SequenceFile中用到的读/写缓存大小。

• 运行sort1400和sort2000时需要更新的配置，即在1400个节点上对14TB的数据进行排序和在2000个节点上对20TB的数据进行排序：
  

  参数	取值	备注
  mapred.job.tracker.handler.count	60	启用更多的JobTracker服务线程去处理来自大量TaskTracker的RPC请求。
  mapred.reduce.parallel.copies	50
  tasktracker.http.threads	50	为TaskTracker的Http服务启用更多的工作线程。reduce通过Http服务获取map的中间输出。
  mapred.child.java.opts	-Xmx1024M	使用更大的堆用于maps/reduces的子虚拟机

Slaves

通常，你选择集群中的一台机器作为 NameNode ，另外一台不同的机器作为JobTracker 。余下的机器即作为 DataNode 又作为 TaskTracker ，这些被称之为slaves 。

在 conf/slaves 文件中列出所有slave的主机名或者IP地址，一行一个。

日志

Hadoop使用 Apache log4j 来记录日志，它由 Apache Commons Logging 框架来实现。编辑 conf/log4j.properties 文件可以改变Hadoop守护进程的日志配置（日志格式等）。

历史日志

作业的历史文件集中存放在 hadoop.job.history.location ，这个也可以是在分布式文件系统下的路径，其默认值为 ${HADOOP_LOG_DIR}/history 。jobtracker的web UI上有历史日志的web UI链接。

历史文件在用户指定的目录 hadoop.job.history.user.location 也会记录一份，这个配置的缺省值为作业的输出目录。这些文件被存放在指定路径下的“_logs/history/”目录中。因此，默认情况下日志文件会在“mapred.output.dir/_logs/history/”下。如果将hadoop.job.history.user.location 指定为值 none ，系统将不再记录此日志。

用户可使用以下命令在指定路径下查看历史日志汇总

$ bin/hadoop job -history output-dir

这条命令会显示作业的细节信息，失败和终止的任务细节。

关于作业的更多细节，比如成功的任务，以及对每个任务的所做的尝试次数等可以用下面的命令查看

$ bin/hadoop job -history all output-dir

一但全部必要的配置完成，将这些文件分发到所有机器的 HADOOP_CONF_DIR 路径下，通常是 ${HADOOP_HOME}/conf 。

原文地址：Hadoop集群搭建, 感谢原作者分享。