基于Linux的Hadoop平臺搭建及測驗(yàn)研究

李小立

（長沙民政職業(yè)技術(shù)學(xué)院 軟件學(xué)院，湖南 長沙 410000）

一、Hadoop 簡介

Hadoop 是一個(gè)由Apache 基金會所開發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)，它允許用戶使用簡單的編程模型跨計(jì)算機(jī)集群分布式處理大型數(shù)據(jù)集[1]。其核心組件包括HDFS、Yarn 和MapReduce，其中HDFS 是分布式存儲系統(tǒng)，用于提供高可靠性、高擴(kuò)展性和高吞吐率的數(shù)據(jù)存儲服務(wù)；Yarn 是資源管理系統(tǒng)，負(fù)責(zé)集群資源的統(tǒng)一管理和調(diào)度；MapReduce 是分布式計(jì)算框架，具有易于編程、高容錯(cuò)性和高擴(kuò)展性的優(yōu)點(diǎn)。由于Hadoop 帶有用Java 語言編寫的框架，因此使用Linux 系統(tǒng)搭建Hadoop平臺更具有優(yōu)勢，該文將使用Linux 系統(tǒng)進(jìn)行平臺搭建。

二、Hadoop平臺部署

Hadoop 支持在GNU/Linux 系統(tǒng)以及Windows 系統(tǒng)上進(jìn)行安裝使用，在實(shí)際開發(fā)中，由于Linux 系統(tǒng)的便捷性和穩(wěn)定性，Hadoop 集群一般是在Linux 系統(tǒng)上運(yùn)行的。Hadoop 集群的搭建方式分為3 種，包括獨(dú)立模式、偽分布式模式和完全分布式模式。該文將使用三臺虛擬機(jī)搭建一個(gè)偽分布式模式Hadoop 集群。Hadoop 集群的搭建一般需要多臺機(jī)器，從而保證集群的穩(wěn)定性和可靠性，但一般實(shí)驗(yàn)情況下，由于條件限制，通常借助虛擬機(jī)軟件在一臺物理機(jī)上創(chuàng)建多個(gè)Linux 虛擬機(jī)環(huán)境。

（一）準(zhǔn)備工作

使用的軟件包括Vmware Workstation14.0，JDK 1.8，Hadoop2.8.3，Redhat Linux7.0，集群規(guī)劃如表1 所示。

表1 集群規(guī)劃

（二）軟件安裝及集群配置

使用Vmware Workstation 虛擬機(jī)軟件構(gòu)建三臺虛擬機(jī)，并安裝RedHat Linux 系統(tǒng)，安裝過程該文不進(jìn)行詳細(xì)描述[1]。

1.Linux 系統(tǒng)網(wǎng)絡(luò)配置

設(shè)置每臺虛擬機(jī)的網(wǎng)絡(luò)連接，使用僅主機(jī)的連接模式，并測試網(wǎng)絡(luò)連通性。修改主機(jī)名與IP 地址映射配置，測試三臺主機(jī)之間的連通性，分別在每臺主機(jī)上使用ping 命令去ping 另外兩臺主機(jī)的IP 地址或主機(jī)名。

2.設(shè)置節(jié)點(diǎn)互信

在集群開發(fā)與使用中，主節(jié)點(diǎn)通常會與集群中的其他節(jié)點(diǎn)進(jìn)行通信，由于Linux 系統(tǒng)的安全設(shè)置，在節(jié)點(diǎn)與節(jié)點(diǎn)進(jìn)行訪問時(shí)需要輸入目標(biāo)節(jié)點(diǎn)的用戶名和密碼，因此為了保障集群服務(wù)的連續(xù)運(yùn)行，通過配置SSH 服務(wù)來實(shí)現(xiàn)免密登錄。使用ssh-keygen-t rsa 命令生成秘鑰，并使用sshcopy-id 命令將公鑰拷貝至其他節(jié)點(diǎn)。在每個(gè)節(jié)點(diǎn)都進(jìn)行SSH 服務(wù)配置，配置完成后使用ssh 進(jìn)行訪問測試，此時(shí)可在任意一個(gè)節(jié)點(diǎn)自由切換至其他節(jié)點(diǎn)且不需要輸入用戶名與密碼。

3.為所有節(jié)點(diǎn)配置JDK 和Hadoop

第一步，安裝JDK 與Hadoop。

第二步，配置系統(tǒng)環(huán)境變量，修改/etc/profile 文件，在文件末尾添加JAVA_HOME 與HADOOP_HOME 環(huán)境變量，并修改PATH 環(huán)境變量。修改完配置文件后，使用source/etc/profile 命令使配置生效，并使用 java-version 命令查看JDK 版本信息。

第三步：修改Hadoop 環(huán)境變量

三、配置Zookeeper 集群

（一）Zookeeper 安裝

下載并解壓zookeeper-3.3.5.tar 到/hadoop 目錄，將zookeeper-3.3.5.tar 復(fù)制到另外兩臺機(jī)器，每個(gè)節(jié)點(diǎn)創(chuàng)建存放數(shù)據(jù)的目錄/hadoop/data。

（二）Zookeeper 相關(guān)配置

1.設(shè)置Zookeeper 相關(guān)配置文件。其中需要注意的是hdfs-site.xml文件，該文件用于設(shè)置HDFS的NameNode 和DataNode 兩大進(jìn)程?？稍谠撐募性O(shè)置節(jié)點(diǎn)個(gè)數(shù)及第二個(gè)NameNode 網(wǎng)絡(luò)端口配置。文件中與中的設(shè)置的節(jié)點(diǎn)名稱必須一致。

2.啟動Zookeeper 服務(wù)

修改完所有配置文件后，將配置文件復(fù)制到其他機(jī)器，并為每個(gè)節(jié)點(diǎn)添加id，啟動zk 服務(wù)并查看狀態(tài)，然后啟動journalnode，在hdp1 上格式化namenode 節(jié)點(diǎn)及zk，格式化成功后在hdp1 節(jié)點(diǎn)上啟動NameNode 服務(wù)并在備節(jié)點(diǎn)同步主節(jié)點(diǎn)數(shù)據(jù)，最后在主節(jié)點(diǎn)上啟動所有服務(wù)，啟動成功后在各個(gè)節(jié)點(diǎn)查看服務(wù)啟動狀態(tài)。各節(jié)點(diǎn)服務(wù)啟動狀態(tài)如表2 所示。

表2 節(jié)點(diǎn)服務(wù)器啟動狀態(tài)

四、集群測試

為了保證整個(gè)平臺的穩(wěn)定工作，在Zookeeper 引入Watch 機(jī)制，對集群的各個(gè)節(jié)點(diǎn)進(jìn)行監(jiān)聽，當(dāng)集群中的主節(jié)點(diǎn)無法正常工作時(shí)，則集群立即啟用備用節(jié)點(diǎn)。該測試將模擬hdp1 節(jié)點(diǎn)故障，查看hdp2 上的NameNode 服務(wù)是否能成功激活。

（一）查看節(jié)點(diǎn)狀態(tài)

1.查看hdp1 節(jié)點(diǎn)狀態(tài)，如圖1 所示。

2.查看hdp1 及hdp2 上的NameNode 狀態(tài)，其中hdp1 為active 狀態(tài)，hdp2為standby狀態(tài)。表明當(dāng)前hdp1節(jié)點(diǎn)上的NameNode服務(wù)處于激活狀態(tài)。

3.模擬hdp1 節(jié)點(diǎn)故障，即殺死hdp1 節(jié)點(diǎn)上的NameNode 服務(wù)對應(yīng)的進(jìn)程。查看hdp1 與hdp2 節(jié)點(diǎn)的NameNode 服務(wù)狀態(tài)，如圖2 所示。

重新啟動hdp1 節(jié)點(diǎn)的NameNode 服務(wù)，查看服務(wù)狀態(tài)。此時(shí)，hdp1 節(jié)點(diǎn)的NameNode 服務(wù)已變?yōu)閟tandby。至此，Hadoop平臺及Zookeeper 集群均已準(zhǔn)備就緒。

五、詞頻統(tǒng)計(jì)測試

在hdfs-site.xml 文件中，可設(shè)置進(jìn)行MapReduce 計(jì)算時(shí)數(shù)據(jù)切分的數(shù)據(jù)塊大小，默認(rèn)為128M。在個(gè)人學(xué)習(xí)或測試中，該值設(shè)置過大，一般個(gè)人的測試數(shù)據(jù)大小為KB 或者M(jìn)B 級別。因此，為了進(jìn)行試驗(yàn)對比，該文中將數(shù)據(jù)塊大小修改為1MB，分別使用大小為2.5MB的文件和2KB的文件進(jìn)行詞頻統(tǒng)計(jì)[2]，試驗(yàn)結(jié)果對比如表3 所示。

表3 詞頻統(tǒng)計(jì)結(jié)果對比

六、總結(jié)與展望

該文詳細(xì)介紹了Hadoop平臺部署與Zookeeper 集群部署，成功搭建了一個(gè)Hadoop 分布式架構(gòu)平臺，并進(jìn)行了集群測試及詞頻統(tǒng)計(jì)對比實(shí)驗(yàn)，為以后大數(shù)據(jù)研究工作提供了一個(gè)實(shí)踐平臺。