一、概要

     由于工作需要,最近一段时间开始接触学习hadoop相关的东西,目前公司的实时任务和离线任务都跑在一个hadoop集群,离线任务的特点就是每天定时跑,任务跑完了资源就空闲了,为了合理的利用资源,我们打算在搭一个集群用于跑离线任务,计算节点和储存节点分离,计算节点结合aws的Auto Scaling(自动扩容、缩容服务)以及竞价实例,动态调整,在跑任务的时候拉起一批实例,任务跑完就自动释放掉服务器,本文记录下hadoop集群的搭建过程,方便自己日后查看,也希望能帮到初学者,本文所有软件都是通过yum安装,大家也可以下载相应的二进制文件进行安装,使用哪种方式安装,从属个人习惯。

二、环境

1、角色介绍

10.10.103.246 NameNode zkfc journalNode QuorumaPeerMain DataNode ResourceManager NodeManager WebAppProxyServer JobHistoryServer
10.10.103.144 NameNode zkfc journalNode QuorumaPeerMain DataNode ResourceManager NodeManager WebAppProxyServer
10.10.103.62       zkfc journalNode QuorumaPeerMain DataNode             NodeManager
10.10.20.64   journalNode QuorumaPeerMain NameNode zkfc 
10.10.40.212  journalNode QuorumaPeerMain NameNode zkfc
10.10.102.207 journalNode QuorumaPeerMain
10.10.103.15  ResourceManager WebAppProxyServer JobHistoryServer NodeManager  DataNode
10.10.30.83   ResourceManager WebAppProxyServer JobHistoryServer NodeManager  DataNode

2、基础环境说明

a、系统版本

我们用的是aws的ec2,用的aws自己定制过的系统,不过和redhat基本相同,内核版本:4.9.20-10.30.amzn1.x86_64

b、java版本

java version "1.8.0_121"

c、hadoop版本

hadoop-2.6.0

d、cdh版本

cdh5.11.0

e、关于主机名,因为我这里用的aws的ec2,默认已有主机名,并且内网可以解析,故就不单独做主机名的配置了,如果你的主机名内网不能解析,请一定要配置主机名,集群内部通讯很多组件使用的是主机名

三、配置部署

1、设置yum源

vim /etc/yum.repos.d/cloudera.repo
   
[cloudera-cdh5-11-0]
# Packages for Cloudera's Distribution for Hadoop, Version 5.11.0, on RedHat or CentOS 6 x86_64
name=Cloudera's Distribution for Hadoop, Version 5.11.0
baseurl=http://archive.cloudera.com/cdh5/redhat/6/x86_64/cdh/5.11.0/
gpgkey=http://archive.cloudera.com/cdh5/redhat/6/x86_64/cdh/RPM-GPG-KEY-cloudera   
gpgcheck=1
[cloudera-gplextras5b2]
# Packages for Cloudera's GPLExtras, Version 5.11.0, on RedHat or CentOS 6 x86_64
name=Cloudera's GPLExtras, Version 5.11.0
baseurl=http://archive.cloudera.com/gplextras5/redhat/6/x86_64/gplextras/5.11.0/
gpgkey=http://archive.cloudera.com/gplextras5/redhat/6/x86_64/gplextras/RPM-GPG-KEY-cloudera   
gpgcheck=1

PS:我这里安装的5.11.0,如果想安装低版本或者高版本,根据自己的需求修改版本号即可

2、安装配置zookeeper集群

yum -y  install zookeeper zookeeper-server
vi /etc/zookeeper/conf/zoo.cfg

tickTime=2000
initLimit=10
syncLimit=5
dataDir=/data/zookeeper
clientPort=2181
maxClientCnxns=0
server.1=10.10.103.144:2888:3888
server.2=10.10.103.226:2888:3888
server.3=10.10.103.62:2888:3888
autopurge.snapRetainCount=3
autopurge.purgeInterval=1
mkdir /data/zookeeper           #创建datadir目录
/etc/init.d/zookeeper-server init    #所有节点先初始化
echo 1 > /data/zookeeper/myid      #10.10.103.144上操作
echo 2 > /data/zookeeper/myid      #10.10.103.226上操作
echo 3 > /data/zookeeper/myid      #10.10.103.62上操作
/etc/init.d/zookeeper-server       #启动服务
/usr/lib/zookeeper/bin/zkServer.sh status  #查看所有节点状态,其中只有一个节点是Mode: leader就正常 了

3、安装

a、10.10.103.246和10.10.103.144安装

yum -y install hadoop hadoop-client hadoop-hdfs hadoop-hdfs-namenode hadoop-hdfs-zkfc hadoop-hdfs-journalnode hadoop-hdfs-datanode hadoop-mapreduce-historyserver hadoop-yarn-nodemanager hadoop-yarn-proxyserver  hadoop-yarn hadoop-mapreduce hadoop-yarn-resourcemanager hadoop-lzo* impala-lzo

b、10.10.103.62上安装

yum -y install hadoop hadoop-client hadoop-hdfs hadoop-hdfs-journalnode hadoop-hdfs-datanode  hadoop-lzo* impala-lzo hadoop-yarn hadoop-mapreduce hadoop-yarn-nodemanager

PS:

1、一般小公司,计算节点(ResourceManager)和储存节点(NameNode)的主节点部署在两台服务器上做HA,计算节点(NodeManager)和储存节点(DataNode)部署在多台服务器上,每台服务器上都启动NodeManager和DataNode服务。

2、如果大集群,可能需要计算资源和储存资源分离,集群的各个角色都有服务器单独部署,个人建议划分如下:

a、储存节点

NameNode:

需要安装hadoop hadoop-client hadoop-hdfs hadoop-hdfs-namenode hadoop-hdfs-zkfc hadoop-lzo* impala-lzo

DataNode:

需要安装hadoop hadoop-client hadoop-hdfs hadoop-hdfs-datanode  hadoop-lzo* impala-lzo

QJM集群:

需要安装hadoop hadoop-hdfs  hadoop-hdfs-journalnode zookeeper zookeeper-server

b、计算节点

ResourceManager:

需要安装hadoop hadoop-client hadoop-yarn hadoop-mapreduce hadoop-yarn-resourcemanager

WebAppProxyServer:

需要安装 hadoop hadoop-yarn hadoop-mapreduce hadoop-yarn-proxyserver

JobHistoryServer:

需要安装 hadoop hadoop-yarn hadoop-mapreduce hadoop-mapreduce-historyserver

NodeManager:

需要安装hadoop hadoop-client hadoop-yarn hadoop-mapreduce hadoop-yarn-nodemanager

4、配置

a、创建目录并设置权限

mkdir -p /data/hadoop/dfs/nn             #datanode上操作
chown hdfs:hdfs /data/hadoop/dfs/nn/ -R  #datanode上操作
mkdir -p /data/hadoop/dfs/dn             #namenode上操作
chown hdfs:hdfs /data/hadoop/dfs/dn/ -R  #namenode上操作
mkdir -p /data/hadoop/dfs/jn             #journalnode上操作
chown hdfs:hdfs /data/hadoop/dfs/jn/ -R  #journalnode上操作
mkdir /data/hadoop/yarn -p               #nodemanager上操作
chown yarn:yarn  /data/hadoop/yarn  -R   #nodemanager上操作

b、撰写配置文件

vim /etc/hadoop/conf/capacity-scheduler.xml 

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property><name>yarn.scheduler.capacity.maximum-applications</name><value>10000</value></property>
<property><name>yarn.scheduler.capacity.maximum-am-resource-percent</name><value>0.4</value></property>
<property><name>yarn.scheduler.capacity.resource-calculator</name><value>org.apache.hadoop.yarn.util.resource.DefaultResourceCalculator</value></property>
<property><name>yarn.scheduler.capacity.node-locality-delay</name><value>30</value></property>
<property><name>yarn.scheduler.capacity.root.queues</name><value>default,server,offline</value></property>
<property><name>yarn.scheduler.capacity.root.default.capacity</name><value>95</value></property>
<property><name>yarn.scheduler.capacity.root.default.maximum-capacity</name><value>100</value></property>
<property><name>yarn.scheduler.capacity.root.default.user-limit-factor</name><value>100</value></property>
<property><name>yarn.scheduler.capacity.root.default.state</name><value>running</value></property>
<property><name>yarn.scheduler.capacity.root.default.acl_submit_applications</name><value>*</value></property>
<property><name>yarn.scheduler.capacity.root.default.acl_administer_queue</name><value>*</value></property>
<property><name>yarn.scheduler.capacity.root.server.capacity</name><value>0</value></property>
<property><name>yarn.scheduler.capacity.root.server.maximum-capacity</name><value>5</value></property>
<property><name>yarn.scheduler.capacity.root.server.user-limit-factor</name><value>100</value></property>
<property><name>yarn.scheduler.capacity.root.server.acl_submit_applications</name><value>haijun.zhao</value></property>
<property><name>yarn.scheduler.capacity.root.server.acl_administer_queue</name><value>haijun.zhao</value></property>
<property><name>yarn.scheduler.capacity.root.server.maximum-am-resource-percent</name><value>0.05</value></property>
<property><name>yarn.scheduler.capacity.root.server.state</name><value>running</value></property>
<property><name>yarn.scheduler.capacity.root.offline.capacity</name><value>5</value></property>
<property><name>yarn.scheduler.capacity.root.offline.maximum-capacity</name><value>100</value></property>
<property><name>yarn.scheduler.capacity.root.offline.user-limit-factor</name><value>100</value></property>
<property><name>yarn.scheduler.capacity.root.offline.acl_submit_applications</name><value>hadoop,haifeng.huang,hongan.pan,rujing.zhang,lingjing.li</value></property>
<property><name>yarn.scheduler.capacity.root.offline.acl_administer_queue</name><value>hadoop,haifeng.huang,hongan.pan,rujing.zhang,linjing.li</value></property>
<property><name>yarn.scheduler.capacity.root.offline.maximum-am-resource-percent</name><value>0.8</value></property>
<property><name>yarn.scheduler.capacity.root.offline.state</name><value>running</value></property>
</configuration>

~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~
vim /etc/hadoop/conf/core-site.xml 

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
  <!-- 定义默认的文件系统-->
  <property><name>fs.defaultFS</name><value>hdfs://mycluster/</value></property>
  <!-- 开启垃圾回收,默认不开启,单位分钟 -->
  <property><name>fs.trash.interval</name><value>1440</value></property>

  <!--  可用于压缩/解压缩的压缩编解码器类,逗号分隔列表 -->
  <property><name>io.compression.codecs</name><value>org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.BZip2Codec,com.hadoop.compression.lzo.LzoCodec,com.hadoop.compression.lzo.LzopCodec,org.apache.hadoop.io.compress.SnappyCodec</value></property>
  <!-- 开启lzo支持-->
  <property><name>io.compression.codec.lzo.class</name><value>com.hadoop.compression.lzo.LzoCodec</value></property>

  <!-- oozie user setting -->
  <property><name>hadoop.proxyuser.oozie.hosts</name><value>*</value></property>
  <property><name>hadoop.proxyuser.oozie.groups</name><value>*</value></property>

  <!-- HTTPFS proxy user setting -->
  <property><name>hadoop.proxyuser.httpfs.hosts</name><value>*</value></property>
  <property><name>hadoop.proxyuser.httpfs.groups</name><value>*</value></property>
  <!-- aws key id -->
  <property><name>fs.s3n.awsAccessKeyId</name><value>AKIAIXxxx</value></property>
  <property><name>fs.s3.awsAccessKeyId</name><value>AKIAIXxxx</value></property>
  <property><name>fs.s3bfs.awsAccessKeyId</name><value>AKIAIXxxx</value></property>
  <property><name>fs.s3bfs.awsSecretAccessKey</name><value>Hdne1k/2c90Ixxxxxx</value></property>
  <property><name>fs.s3.awsSecretAccessKey</name><value>Hdne1k/2c90Ixxxxxx</value></property>
  <property><name>fs.s3n.awsSecretAccessKey</name><value>Hdne1k/2c90Ixxxxxx</value></property>
  <property><name>fs.s3n.endpoint</name><value>s3.amazonaws.com</value></property>
  <property><name>fs.s3bfs.impl</name><value>org.apache.hadoop.fs.s3.S3FileSystem</value></property>
  <property><name>fs.s3.impl</name><value>org.apache.hadoop.fs.s3native.NativeS3FileSystem</value></property>
</configuration>
         
~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~
vim /etc/hadoop/conf/hdfs-site.xml

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
  <!-- 定义nameservice列表 -->
  <property><name>dfs.nameservices</name><value>mycluster</value></property>

  <!-- 定义副本数,默认3 -->
  <property><name>dfs.replication</name><value>2</value></property>

  <!-- 定义namenode的数据存储路径 --> 
  <property><name>dfs.namenode.name.dir</name><value>/data/hadoop/dfs/nn</value></property>

  <!-- 定义datanode的数据存储路径 -->
  <property><name>dfs.datanode.data.dir</name><value>/data/hadoop/dfs/dn</value></property>

  <!-- 设置集群的超级用户 -->
  <property><name>dfs.permissions.superusergroup</name><value>hdfs</value></property>

  <!-- 在hdfs上启用权限检查 -->
  <property><name>dfs.permissions.enabled</name><value>false</value></property>
  
  <!-- 定义namenode的地址列表 --> 
  <property><name>dfs.ha.namenodes.mycluster</name><value>10.10.20.64,10.10.40.212</value></property>

  <!-- 定义namenode的rpc通讯地址和端口 -->
   <property><name>dfs.namenode.rpc-address.mycluster.10.10.20.64</name><value>10.10.20.64:8020</value></property>
   <property><name>dfs.namenode.rpc-address.mycluster.10.10.40.212</name><value>10.10.40.212:8020</value></property>
  
<!-- 定义namenode web管理地址和端口 -->
   <property><name>dfs.namenode.http-address.mycluster.10.10.20.64</name><value>10.10.20.64:50070</value></property>
   <property><name>dfs.namenode.http-address.mycluster.10.10.40.212</name><value>10.10.40.212:50070</value></property>
   
  <!-- 定义namenode的edits文件存储的journal集群地址--> 
  <property><name>dfs.namenode.shared.edits.dir</name><value>qjournal://10.10.20.64:8485;10.10.40.212:8485;10.10.102.207:8485/mycluster</value></property>

  <!-- 定义journalnode的文件存储路径 -->
  <property><name>dfs.journalnode.edits.dir</name><value>/data/hadoop/dfs/jn</value></property> 
 
  <!-- 启用客户端自动切换到Active的NameNode --> 
  <property><name>dfs.client.failover.proxy.provider.mycluster</name><value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value></property>

  <!-- run an arbitrary shell command to fence the Active NameNode -->
  <property><name>dfs.ha.fencing.methods</name><value>shell(/bin/true)</value></property>

  <!-- 开启namenode自动切换 --> 
  <property><name>dfs.ha.automatic-failover.enabled</name><value>true</value></property>
  <!-- 存储namenode的ha相关信息的zk地址 -->
  <property><name>ha.zookeeper.quorum</name><value>10.10.20.64:2181,10.10.40.212:2181,10.10.102.207:2181</value></property>

  <!--默认文件的块大小,以字节为单位,默认是134217728  --> 
  <property><name>dfs.blocksize</name><value>134217728</value></property>

  <!-- namenode中用于处理RPC的线程数,默认是10 -->
  <property><name>dfs.namenode.handler.count</name><value>128</value></property>

  <!-- datanode上用于处理RPC的线程数。默认为3 -->
  <property><name>dfs.datanode.handler.count</name><value>64</value></property> 

  <!--datanode预留空间,默认是0,单位是字节,比如该节点有1T空间,想让hdfs预留100G给系统使用,可以设置为107374182400 -->
  <property><name>dfs.datanode.du.reserved</name><value>107374182400</value></property>

  <!-- 定义了每个datanode直接平衡操作所容许的最大带宽,单位byte -->
  <property><name>dfs.balance.bandwidthPerSec</name><value>1048576</value></property>

  <!-- 定义不允许连接到NameNode的主机列表的文件。该文件的完整路径必须指定。如果该值是空的,没有主机被排除在外 -->
  <property><name>dfs.hosts.exclude</name><value>/etc/hadoop/conf.mycluster/datanodes.exclude</value></property>

  <!--  指定要用于进出DN的数据传输线程的最大数量,默认4096  -->
  <property><name>dfs.datanode.max.transfer.threads</name><value>4096</value></property>

  <!-- datanode数据副本存放磁盘选择策略有两种方式:第一种是沿用hadoop1.0的磁盘目录轮询方式,实现类:RoundRobinVolumeChoosingPolicy.Java;第二种是选择可用空间足够多的磁盘方式存储,实现类:AvailableSpaceVolumeChoosingPolicy.java-->
  <property><name>dfs.datanode.fsdataset.volume.choosing.policy</name><value>org.apache.hadoop.hdfs.server.datanode.fsdataset.AvailableSpaceVolumeChoosingPolicy</value></property>
  <property><name>dfs.datanode.available-space-volume-choosing-policy.balanced-space-threshold</name><value>10737418240</value></property>
  <property><name>dfs.datanode.available-space-volume-choosing-policy.balanced-space-preference-fraction</name><value>0.75</value></property>

  <!-- A Hadoop HDFS DataNode has an upper bound on the number of files that it can serve at any one time -->
  <property><name>dfs.datanode.max.xcievers</name><value>4096</value></property>

  <!-- enable webhdfs -->
  <property><name>dfs.webhdfs.enabled</name><value>true</value></property>
  <property><name>dfs.checksum.type</name><value>CRC32</value></property>

  <property><name>dfs.client.file-block-storage-locations.timeout</name><value>3000</value></property>
  <property><name>dfs.datanode.hdfs-blocks-metadata.enabled</name><value>true</value></property>
  <property><name>dfs.namenode.safemode.threshold-pct</name><value>0.85</value></property>

  <property><name>fs.s3.awsAccessKeyId</name><value>AKIAIXxxx</value></property>
  <property><name>fs.s3.awsSecretAccessKey</name><value>Hdne1k/2c90Ixxxxxx</value></property>

  <property><name>fs.s3n.awsAccessKeyId</name><value>AKIAIXxxx</value></property>
  <property><name>fs.s3n.awsSecretAccessKey</name><value>Hdne1k/2c90Ixxxxxx</value></property>
</configuration>
~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~
vim /etc/hadoop/conf/mapred-site.xml 

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>

  <!-- 用于执行MapReduce作业的运行时框架,可以是local, classic or yarn,默认是local -->
  <property><name>mapreduce.framework.name</name><value>yarn</value></property>

  <!-- MapReduce JobHistory服务器地址-->
  <property><name>mapreduce.jobhistory.address</name><value>10.10.103.15:10020</value></property>
  <!--MapReduce JobHistory服务器Web地址 -->
  <property><name>mapreduce.jobhistory.webapp.address</name><value>10.10.103.15:19888</value></property>

  <!-- 提交作业时使用的目录 -->
  <property><name>yarn.app.mapreduce.am.staging-dir</name><value>/user</value></property>

  <!-- 每个map任务的调度程序请求的内存量。如果没有指定,则从mapreduce.map.java.opts和mapreduce.job.heap.memory-mb.ratio推断出来。如果还没有指定java-opts,我们将其设置为1024 -->
  <property><name>mapreduce.map.memory.mb</name><value>1536</value></property>
  <!--每个reduce任务的调度程序请求的内存量 -->
  <property><name>mapreduce.reduce.memory.mb</name><value>2880</value></property>
  <!--MR AppMaster需要的内存量 -->
  <property><name>yarn.app.mapreduce.am.resource.mb</name><value>3072</value></property>
  <!--map的java最大内存配置 -->
  <property><name>mapreduce.map.java.opts</name><value>-Xmx1228m</value></property>
  <!--reducejava最大内存配置 -->
  <property><name>mapreduce.reduce.java.opts</name><value>-Xmx2456m</value></property>
  <!-- -->
  <property><name>yarn.app.mapreduce.am.command-opts</name><value>-Xmx2457m</value></property>
  <!--JobTracker的服务器线程数 -->
  <property><name>mapreduce.jobtracker.handler.count</name><value>128</value></property>
  <!--namenode用于处理RPC的线程数,默认64 -->
  <property><name>dfs.namenode.handler.count</name><value>128</value></property>
  <!--每个map任务需要的虚拟cpu核数 -->
  <property><name>mapreduce.map.cpu.vcores</name><value>1</value></property>
  <!--个reduce任务需要的虚拟cpu核数 -->
  <property><name>mapreduce.reduce.cpu.vcores</name><value>1</value></property>
  <!--MR AppMaster需要的虚拟CPU核数量 -->
  <property><name>yarn.app.mapreduce.am.resource.cpu-vcores</name><value>1</value></property>
  <!-- -->
  <property><name>mapred.output.direct.EmrFileSystem</name><value>true</value></property>
  <!--在排序文件时一次合并的数量。这决定了打开文件句柄的数量,默认10 -->
  <property><name>mapreduce.task.io.sort.factor</name><value>48</value></property>
  <!--作业完成后,用户日志将被保留的最长时间(以小时为单位 -->
  <property><name>mapreduce.job.userlog.retain.hours</name><value>48</value></property>
  <!--reuduce shuffle阶段并行传输数据的数量,默认5 -->
  <property><name>mapreduce.reduce.shuffle.parallelcopies</name><value>20</value></property>
  <!-- -->
  <property><name>hadoop.job.history.user.location</name><value>none</value></property>
  <!--是否对Map Task启用推测执行机制 -->
  <property><name>mapreduce.map.speculative</name><value>true</value></property>
  <!--是否对Reduce Task启用推测执行机制 -->
  <property><name>mapreduce.reduce.speculative</name><value>true</value></property>
  <!--启用Map 输出到aws s3的支持 -->
  <property><name>mapred.output.direct.NativeS3FileSystem</name><value>true</value></property>
  <!--在通过网络发送之前,应该对映射的输出进行压缩。使用SequenceFile压缩 -->
  <property><name>mapreduce.map.output.compress</name><value>true</value></property>
  <!--用于从远程任务处理MR AppMaster中的RPC调用的线程数,默认30 -->
  <property><name>yarn.app.mapreduce.am.job.task.listener.thread-count</name><value>60</value></property>
  <!--每个jvm运行多少个任务。如果设置为-1,则没有限制,默认1 -->
  <property><name>mapreduce.job.jvm.numtasks</name><value>20</value></property>
  <!--定义map任务输出压缩的方式,可以使用lzo或者Snappy -->
  <property><name>mapreduce.map.output.compress.codec</name><value>org.apache.hadoop.io.compress.SnappyCodec</value></property>

</configuration>
~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~
vim /etc/hadoop/conf/yarn-env.sh 

#!/bin/bash
export HADOOP_YARN_USER=${HADOOP_YARN_USER:-yarn}
export YARN_CONF_DIR="${YARN_CONF_DIR:-$HADOOP_YARN_HOME/conf}"
if [ "$JAVA_HOME" != "" ]; then
  #echo "run java in $JAVA_HOME"
  JAVA_HOME=$JAVA_HOME
fi
if [ "$JAVA_HOME" = "" ]; then
  echo "Error: JAVA_HOME is not set."
  exit 1
fi
JAVA=$JAVA_HOME/bin/java
JAVA_HEAP_MAX=-Xmx1000m 
if [ "$YARN_HEAPSIZE" != "" ]; then
  JAVA_HEAP_MAX="-Xmx""$YARN_HEAPSIZE""m"
fi
IFS=
if [ "$YARN_LOG_DIR" = "" ]; then
  YARN_LOG_DIR="$HADOOP_YARN_HOME/logs"
fi
if [ "$YARN_LOGFILE" = "" ]; then
  YARN_LOGFILE='yarn.log'
fi
if [ "$YARN_POLICYFILE" = "" ]; then
  YARN_POLICYFILE="hadoop-policy.xml"
fi
unset IFS
YARN_OPTS="$YARN_OPTS -Dhadoop.log.dir=$YARN_LOG_DIR"
YARN_OPTS="$YARN_OPTS -Dyarn.log.dir=$YARN_LOG_DIR"
YARN_OPTS="$YARN_OPTS -Dhadoop.log.file=$YARN_LOGFILE"
YARN_OPTS="$YARN_OPTS -Dyarn.log.file=$YARN_LOGFILE"
YARN_OPTS="$YARN_OPTS -Dyarn.home.dir=$YARN_COMMON_HOME"
YARN_OPTS="$YARN_OPTS -Dyarn.id.str=$YARN_IDENT_STRING"
YARN_OPTS="$YARN_OPTS -Dhadoop.root.logger=${YARN_ROOT_LOGGER:-INFO,console}"
YARN_OPTS="$YARN_OPTS -Dyarn.root.logger=${YARN_ROOT_LOGGER:-INFO,console}"
if [ "x$JAVA_LIBRARY_PATH" != "x" ]; then
  YARN_OPTS="$YARN_OPTS -Djava.library.path=$JAVA_LIBRARY_PATH"
fi  
YARN_OPTS="$YARN_OPTS -Dyarn.policy.file=$YARN_POLICYFILE"
~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~
vim  /etc/hadoop/conf/yarn-site.xml 

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>

 <!-- the most important properties -->
 <property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property>
<property><name>yarn.nodemanager.aux-services.spark_shuffle.class</name><value>org.apache.spark.network.yarn.YarnShuffleService</value></property>
 <property><name>yarn.nodemanager.aux-services.mapreduce_shuffle.class</name><value>org.apache.hadoop.mapred.ShuffleHandler</value></property>
<!--用作资源调度程序的类,我们使用capacity做资源管理 -->
 <property><name>yarn.resourcemanager.scheduler.class</name><value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value></property>
<!--用于YARN应用程序的CLASSPATH,以逗号分隔的CLASSPATH条目列表 -->
 <property><name>yarn.application.classpath</name><value>$HADOOP_CONF_DIR,$HADOOP_COMMON_HOME/*,$HADOOP_COMMON_HOME/lib/*,$HADOOP_HDFS_HOME/*,$HADOOP_HDFS_HOME/lib/*,$HADOOP_MAPRED_HOME/*,$HADOOP_MAPRED_HOME/lib/*,$HADOOP_YARN_HOME/*,$HADOOP_YARN_HOME/lib/*</value></property>

 <!-- specify the directories -->
<!--用于存储本地化文件的目录列表,包括任务临时生产的文件以及缓存等等 -- >
 <property><name>yarn.nodemanager.local-dirs</name><value>/data/hadoop/yarn/local</value></property>
 <property><name>yarn.nodemanager.log-dirs</name><value>/data/hadoop/yarn/logs</value></property>
<!--是否启用日志聚合。日志聚合收集每个任务的日志,并在应用程序完成后将这些日志移动到hhdfs上,通过yarn.nodemanager.remote-app-log-dir参数 指定hdfs的存放路径 -->
 <property><name>yarn.log-aggregation-enable</name><value>true</value></property>
 <property><name>yarn.nodemanager.remote-app-log-dir</name><value>hdfs://mycluster/var/log/hadoop-yarn/apps</value></property>

 <!--设置任务内存限制时,虚拟内存与物理内存的比例。任务分配以物理内存表示,并且通过此比例允许虚拟内存使用超过此分配。任务每使用1MB物理内存,最多可使用虚拟内存量,默认是2.1  -->
 <property><name>yarn.nodemanager.vmem-pmem-ratio</name><value>10</value></property>
<!--该节点的物理内存大小,默认是8192,具体设置该参数时,建议给系统预留1-2G  -->
 <property><name>yarn.nodemanager.resource.memory-mb</name><value>10360</value></property>
<!--可以为任务分配的cpu虚拟核数。RM分配资源用于任务时使用。这个参数不是用来限制YARN任务使用的物理内核的数量.-->
 <property><name>yarn.nodemanager.resource.cpu-vcores</name><value>4</value></property>
<!--否检查任务正在使用的虚拟内存量-->
 <property><name>yarn.nodemanager.pmem-check-enabled</name><value>true</value></property>
<!--是否检查任务正在使用的虚拟内存量 -->
 <property><name>yarn.nodemanager.vmem-check-enabled</name><value>true</value></property>
<!--RM处理调度器接口的线程数,默认50个-->
 <property><name>yarn.resourcemanager.scheduler.client.thread-count</name><value>64</value></property>
<!--NM用于container管理的线程数,默认20个-->
 <property><name>yarn.nodemanager.container-manager.thread-count</name><value>64</value></property>
<!--处理资源跟踪器调用的线程数,默认50个-->
 <property><name>yarn.resourcemanager.resource-tracker.client.thread-count</name><value>64</value></property>
<!--用于处理应用程序管理器请求的线程数,默认50个-->
 <property><name>yarn.resourcemanager.client.thread-count</name><value>64</value></property>
<!--处理本地请求的线程数,默认5个-->
 <property><name>yarn.nodemanager.localizer.client.thread-count</name><value>20</value></property>
<!--用于本地化获取的线程数,默认4个-->
 <property><name>yarn.nodemanager.localizer.fetch.thread-count</name><value>20</value></property>
<!-- 单个任务可申请的最少物理内存量,默认是1024(MB),如果一个任务申请的物理内存量少于该值,则该对应的值改为这个数-->
 <property><name>yarn.scheduler.minimum-allocation-mb</name><value>1536</value></property>
<!--单个任务可申请的最多物理内存量,默认是8192(MB)。 默认情况下,YARN采用了线程监控的方法判断任务是否超量使用内存,一旦发现超量,则直接将其杀死。由于Cgroups对内存的控制缺乏灵活性(即任务任何时刻不能超过内存上限,如果超过,则直接将其杀死或者报OOM),而Java进程在创建瞬间内存将翻倍,之后骤降到正常值,这种情况下,采用线程监控的方式更加灵活(当发现进程树内存瞬间翻倍超过设定值时,可认为是正常现象,不会将任务杀死),因此YARN未提供Cgroups内存隔离机制 -->
 <property><name>yarn.scheduler.maximum-allocation-mb</name><value>9192</value></property>
<!--是否开启日志聚合功能 -->
 <property><name>yarn.log-aggregation-enable</name><value>true</value></property>
<!-- 是否开启label功能 -->
 <property><name>yarn.label.enabled</name><value>true</value></property>

<!-- enable resource  manager HA -->
 <!--重试的时间间隔,默认是30000 -->
 <property><name>yarn.resourcemanager.connect.retry-interval.ms</name><value>2000</value></property>
 <!--是否启用RM高可用 -- >
 <property><name>yarn.resourcemanager.ha.enabled</name><value>true</value></property>
 <!--启用自动故障切换 -- >
 <property><name>yarn.resourcemanager.ha.automatic-failover.enabled</name><value>true</value></property>
 <!--启用RM后恢复状态。如果为true,则必须指定yarn.resourcemanager.store.class-- >
 <property><name>yarn.resourcemanager.recovery.enabled</name><value>true</value></property>
 <!--集群名称。在HA设置中,这用于确保RM参与此群集的首选,并确保其不影响其他群集 -- >
 <property><name>yarn.resourcemanager.cluster-id</name><value>my-cluster</value></property>
 <!--启用HA时,群集中的RM节点列表 -- >
 <property><name>yarn.resourcemanager.ha.rm-ids</name><value>10.10.103.15,10.10.30.83</value></property>
 <!--当前RM的id,我们经常部署集群会把一台服务器的配置问题同步到所有服务器上,另一台RM记得修改这个ID为自己的IP地址 -- >
 <property><name>yarn.resourcemanager.ha.id</name><value>10.10.103.15</value></property>
 <!--配合yarn.resourcemanager.recovery.enabled参数一起使用 -- >
 <property><name>yarn.resourcemanager.store.class</name><value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value></property>

  <!-- yarn proxyserver 的地址 -->
 <property><name>yarn.web-proxy.address</name><value>10.10.103.15:8100</value></property>
 <!--jobhistor的地址 -->
 <property><name>yarn.log.server.url</name><value>http://10.10.103.15:19888/jobhistory/logs/</value></property>
 <!--RM的地址-->
 <property><name>yarn.resourcemanager.hostname.10.10.103.15</name><value>10.10.103.15</value></property>
 <property><name>yarn.resourcemanager.hostname.10.10.30.83</name><value>10.10.30.83</value></property>
 <!--由RM使用的ZooKeeper服务器的端口。当在HA设置中使用基于ZooKeeper的RM状态存储和自动故障切换时,必须提供此功能 -->
 <property><name>yarn.resourcemanager.zk-address</name><value>10.10.20.64:2181,10.10.40.212:2181,10.10.102.207:2181</value></property>
 <!--RM中应用程序管理器界面的地址 -->
 <property><name>yarn.resourcemanager.address.10.10.103.15</name><value>10.10.103.15:23140</value></property>
 <!--调度器接口的地址 -->
 <property><name>yarn.resourcemanager.scheduler.address.10.10.103.15</name><value>10.10.103.15:23130</value></property>
 <!--RM Web应用程序的https adddress -->
 <property><name>yarn.resourcemanager.webapp.https.address.10.10.103.15</name><value>10.10.103.15:23189</value></property>
 <!--RM Web应用程序的http地址 -->
 <property><name>yarn.resourcemanager.webapp.address.10.10.103.15</name><value>10.10.103.15:8088</value></property>
 <!-- -->                        
 <property><name>yarn.resourcemanager.resource-tracker.address.10.10.103.15</name><value>10.10.103.15:23125</value></property>
 <!--M管理界面的地址-->
 <property><name>yarn.resourcemanager.admin.address.10.10.103.15</name><value>10.10.103.15:23141</value></property>

 <property><name>yarn.resourcemanager.address.10.10.30.83</name><value>10.10.30.83:23140</value></property>

 <property><name>yarn.resourcemanager.scheduler.address.10.10.30.83</name><value>10.10.30.83:23130</value></property>

 <property><name>yarn.resourcemanager.webapp.https.address.10.10.30.83</name><value>10.10.30.83:23189</value></property>

 <property><name>yarn.resourcemanager.webapp.address.10.10.30.83</name><value>10.10.30.83:8088</value></property>

 <property><name>yarn.resourcemanager.resource-tracker.address.10.10.30.83</name><value>10.10.30.83:23125</value></property>

 <property><name>yarn.resourcemanager.admin.address.10.10.30.83</name><value>10.10.30.83:23141</value></property>

 <property><name>yarn.nodemanager.localizer.address</name><value>0.0.0.0:23344</value></property>
 <!--NM Webapp地址-->
 <property><name>yarn.nodemanager.webapp.address</name><value>0.0.0.0:23999</value></property>
 <property><name>mapreduce.shuffle.port</name><value>23080</value></property>
 <!--启用RM工作保留恢复。此配置对YARN是私有的-->
 <property><name>yarn.resourcemanager.work-preserving-recovery.enabled</name><value>true</value></property>

</configuration>
~~~~~~~~~~~~~~~~~分界线~~~~~~~~~~~~~~~~~~~

PS:配置参数解释参考下面链接

https://archive.cloudera.com/cdh5/cdh/5/hadoop/hadoop-yarn/hadoop-yarn-common/yarn-default.xml

https://archive.cloudera.com/cdh5/cdh/5/hadoop/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml

https://archive.cloudera.com/cdh5/cdh/5/hadoop/hadoop-project-dist/hadoop-common/core-default.xml

https://archive.cloudera.com/cdh5/cdh/5/hadoop/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml

http://dongxicheng.org/mapreduce-nextgen/hadoop-yarn-configurations-capacity-scheduler/


5、服务启动

a、启动journalnode(三台服务器上都启动)

/etc/init.d/hadoop-hdfs-journalnode start

b、格式化namenode(在其中一台namenode10.10.103.246上操作)

sudo -u hdfs hadoop namenode -format

c、初始化zk中HA的状态(在其中一台namenode10.10.103.246上操作)

sudo -u hdfs hdfs zkfc -formatZK

d、初始化共享Edits文件(在其中一台namenode10.10.103.246上操作)

sudo -u hdfs hdfs namenode -initializeSharedEdits

e、启动10.10.103.246上namenode

/etc/init.d/hadoop-hdfs-namenode start

f、同步源数据并启动10.10.103.144上namenode

sudo -u hdfs hdfs namenode -bootstrapStandby
/etc/init.d/hadoop-hdfs-namenode start

g、在两台namenode上启动zkfc

/etc/init.d/hadoop-hdfs-zkfc start

h、启动datanode(所有机器上操作)

/etc/init.d/hadoop-hdfs-journalnode start

i、在10.10.103.246上启动WebAppProxyServer、JobHistoryServer、httpfs

/etc/init.d/hadoop-yarn-proxyserver start
/etc/init.d/hadoop-mapreduce-historyserver start
/etc/init.d/hadoop-httpfs start

j、在所有机器上启动nodemanager

/etc/init.d/hadoop-yarn-nodemanager restart

四、功能验证

1、hadoop功能

a、查看hdfs根目录

[root@ip-10-10-103-246 ~]# hadoop fs -ls /
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=128m; support was removed in 8.0
Found 3 items
drwxr-xr-x   - hdfs   hdfs          0 2017-05-11 11:40 /tmp
drwxrwx---   - mapred hdfs          0 2017-05-11 11:28 /user
drwxr-xr-x   - yarn   hdfs          0 2017-05-11 11:28 /var

b、上传一个文件到根目录

[root@ip-10-10-103-246 ~]# hadoop fs -put /tmp/test.txt  /
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=128m; support was removed in 8.0
[root@ip-10-10-103-246 ~]# hadoop fs -ls /               
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=128m; support was removed in 8.0
Found 4 items
-rw-r--r--   2 root   hdfs         22 2017-05-11 15:47 /test.txt
drwxr-xr-x   - hdfs   hdfs          0 2017-05-11 11:40 /tmp
drwxrwx---   - mapred hdfs          0 2017-05-11 11:28 /user
drwxr-xr-x   - yarn   hdfs          0 2017-05-11 11:28 /var

c、直接删除文件不放回收站

[root@ip-10-10-103-246 ~]# hadoop fs -rm -skipTrash /test.txt
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=128m; support was removed in 8.0
Deleted /test.txt

d、跑一个wordcount用例

[root@ip-10-10-103-246 ~]# hadoop fs -put /tmp/test.txt /user/hdfs/rand/
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=128m; support was removed in 8.0
[root@ip-10-10-103-246 conf]# sudo -u hdfs  hadoop  jar /usr/lib/hadoop-mapreduce/hadoop-mapreduce-examples-2.6.0-cdh5.11.0.jar wordcount /user/hdfs/rand/ /tmp
OpenJDK 64-Bit Server VM warning: ignoring option MaxPermSize=128m; support was removed in 8.0
17/05/11 11:40:08 INFO client.ConfiguredRMFailoverProxyProvider: Failing over to 10.10.103.246
17/05/11 11:40:09 INFO input.FileInputFormat: Total input paths to process : 1
17/05/11 11:40:09 INFO lzo.GPLNativeCodeLoader: Loaded native gpl library
17/05/11 11:40:09 INFO lzo.LzoCodec: Successfully loaded & initialized native-lzo library [hadoop-lzo rev 674c65bbf0f779edc3e00a00c953b121f1988fe1]
17/05/11 11:40:09 INFO mapreduce.JobSubmitter: number of splits:1
17/05/11 11:40:09 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1494472050574_0003
17/05/11 11:40:09 INFO impl.YarnClientImpl: Submitted application application_1494472050574_0003
17/05/11 11:40:09 INFO mapreduce.Job: The url to track the job: http://10.10.103.246:8100/proxy/application_1494472050574_0003/
17/05/11 11:40:09 INFO mapreduce.Job: Running job: job_1494472050574_0003
17/05/11 11:40:15 INFO mapreduce.Job: Job job_1494472050574_0003 running in uber mode : false
17/05/11 11:40:15 INFO mapreduce.Job:  map 0% reduce 0%
17/05/11 11:40:20 INFO mapreduce.Job:  map 100% reduce 0%
17/05/11 11:40:25 INFO mapreduce.Job:  map 100% reduce 100%
17/05/11 11:40:25 INFO mapreduce.Job: Job job_1494472050574_0003 completed successfully
17/05/11 11:40:25 INFO mapreduce.Job: Counters: 53
        File System Counters
                FILE: Number of bytes read=1897
                FILE: Number of bytes written=262703
                FILE: Number of read operations=0
                FILE: Number of large read operations=0
                FILE: Number of write operations=0
                HDFS: Number of bytes read=6431
                HDFS: Number of bytes written=6219
                HDFS: Number of read operations=6
                HDFS: Number of large read operations=0
                HDFS: Number of write operations=2
        Job Counters
                Launched map tasks=1
                Launched reduce tasks=1
                Data-local map tasks=1
                Total time spent by all maps in occupied slots (ms)=2592
                Total time spent by all reduces in occupied slots (ms)=5360
                Total time spent by all map tasks (ms)=2592
                Total time spent by all reduce tasks (ms)=2680
                Total vcore-milliseconds taken by all map tasks=2592
                Total vcore-milliseconds taken by all reduce tasks=2680
                Total megabyte-milliseconds taken by all map tasks=3981312
                Total megabyte-milliseconds taken by all reduce tasks=8232960
        Map-Reduce Framework
                Map input records=102
                Map output records=96
                Map output bytes=6586
                Map output materialized bytes=1893
                Input split bytes=110
                Combine input records=96
                Combine output records=82
                Reduce input groups=82
                Reduce shuffle bytes=1893
                Reduce input records=82
                Reduce output records=82
                Spilled Records=164
                Shuffled Maps =1
                Failed Shuffles=0
                Merged Map outputs=1
                GC time elapsed (ms)=120
                CPU time spent (ms)=1570
                Physical memory (bytes) snapshot=501379072
                Virtual memory (bytes) snapshot=7842639872
                Total committed heap usage (bytes)=525860864
                Peak Map Physical memory (bytes)=300183552
                Peak Map Virtual memory (bytes)=3244224512
                Peak Reduce Physical memory (bytes)=201195520
                Peak Reduce Virtual memory (bytes)=4598415360
        Shuffle Errors
                BAD_ID=0
                CONNECTION=0
                IO_ERROR=0
                WRONG_LENGTH=0
                WRONG_MAP=0
                WRONG_REDUCE=0
        File Input Format Counters
                Bytes Read=6321
        File Output Format Counters
                Bytes Written=6219
[root@ip-10-10-103-246 conf]#

2、namenode高可用验证

查看http://10.10.103.246:50070

spacer.gifwKiom1kUNybCxADqAADXFLWSFD8006.png

查看http://10.10.103.144:50070

spacer.gifwKioL1kUNzjxq5ykAADUKREIfaI940.png

停掉10.10.103.246节点的namenode进程,查看10.10.103.144节点是否会提升为active节点

spacer.gifwKiom1kUN0vAPKpDAADRxxRDCbY346.png

3、resourcemanager高可用验证

查看http://10.10.103.246:8088

spacer.gifwKiom1kUN1qwQdu-AAF4UBd57hE056.png

查看http://10.10.103.144:8088

spacer.gifwKioL1kUN2nwXAtLAAF4UBd57hE336.png

在浏览器输入http://10.10.103.144:8088,会跳转到http://ip-10-10-103-246.ec2.internal:8088/,ip-10-10-103-246.ec2.internal是10.10.103.246的主机名,说明resourcemanager高可用配置ok,停掉10.10.103.144的

resourcemanager进程,在浏览器输入http://10.10.103.144:8088,就不会在跳转了,说明10.10.103.144已经切成了master。

五、总结

1、hadoop集群能成本部署完成,这才是开始,后期的维护,业务方问题的解决这些经验需要一点一点积累,多出差多折腾总是好的。

2、对应上面部署的集群后期需要扩容,直接把10.10.103.62这台机器做个镜像,用镜像启动服务器即可,服务会自动启动并且加入到集群

3、云上hadoop集群的成本优化,这里只针对aws而言

a、冷数据存在在s3上,hdfs可以直接支持s3,在hdfs-site.xml里面添加s3的key参数(fs.s3n.awsAccessKeyId和fs.s3n.awsSecretAccessKey)即可,需要注意的是程序上传、下载的逻辑需要多加几个重试机制,s3有时候不稳定会导致上传或者下载不成功

b、使用Auto Scaling服务结合竞价实例,配置扩展策略,比如当cpu大于50%的时候就扩容5台服务器,当cpu小于10%的时候就缩容5台服务器,当然你可以配置更多阶梯级的扩容、缩容策略,Auto Scaling还有一个计划任务的功能,你可以向设置crontab一样设置,让Auto Scaling帮你扩容、缩容服务器