Ubuntu搭建Hadoop环境

本文是在一个全新的Ubuntu 22.04 虚拟机上安装Hadoop 3.3.4。

环境

• Ubuntu 22.04
• JDK 11
• Hadoop 3.3.4

安装Hadoop

首先安装JDK：

# apt install openjdk-11-jdk-headless
1

安装好以后查看：

# java -version
openjdk version "11.0.17" 2022-10-18
OpenJDK Runtime Environment (build 11.0.17+8-post-Ubuntu-1ubuntu222.04)
OpenJDK 64-Bit Server VM (build 11.0.17+8-post-Ubuntu-1ubuntu222.04, mixed mode, sharing)
1
2
3
4

注意：Hadoop 3.3.4貌似不支持JDK 17，会报一个类似 java.lang.IllegalStateException: Unable to load cache item 的错误，换成JDK 11就好了。参见 https://blog.csdn.net/duke_ding2/article/details/123932532 。

然后要求在localhost上ssh免密登录，效果如下：

# ssh localhost
Ubuntu 22.04.1 LTS
Last login: Wed Nov 30 18:29:00 2022 from 9.200.47.148
1
2
3

如果需要配置ssh免密登录，只需在客户端机器生成一对public/private key，把public key复制到服务器端机器（本例就是本机）的 ~/.ssh/authorized_keys 里面即可，具体做法不再赘述，可以网上搜一下。

访问 https://hadoop.apache.org/ ，下载Hadoop的压缩文件。我下载的文件是 hadoop-3.3.4.tar.gz 。

# wget https://dlcdn.apache.org/hadoop/common/hadoop-3.3.4/hadoop-3.3.4.tar.gz
1

解压缩：

# tar -zxvf hadoop-3.3.4.tar.gz
1

编辑 etc/hadoop/hadoop-env.sh 文件，添加：

export JAVA_HOME=/usr/lib/jvm/java-11-openjdk-amd64
1

注：我是用 which java 和 ll 命令来查看java所在目录的。

验证Hadoop

有3种模式：

• Local (Standalone) Mode
• Pseudo-Distributed Mode
• Fully-Distributed Mode

Local (Standalone) Mode

Hadoop的默认配置就支持非分布式模式。所以现在就可以试一下。比如，复制一些文件到 input 目录，然后统计里面的一些特定文本信息。

# mkdir input
# cp etc/hadoop/*.xml input
# bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar grep input output 'dfs[a-z.]+'
# cat output/*
1	dfsadmin
1
2
3
4
5

查看 output 目录：

# ll output/
total 16
drwxr-xr-x  2 root root   88 Nov 30 18:39 ./
drwxr-xr-x 13 1024 1024 4096 Nov 30 18:42 ../
-rw-r--r--  1 root root    8 Nov 30 18:39 ._SUCCESS.crc
-rw-r--r--  1 root root   12 Nov 30 18:39 .part-r-00000.crc
-rw-r--r--  1 root root    0 Nov 30 18:39 _SUCCESS
-rw-r--r--  1 root root   11 Nov 30 18:39 part-r-00000
# cat output/part-r-00000
1	dfsadmin
1
2
3
4
5
6
7
8
9
10

Pseudo-Distributed Mode

修改 etc/hadoop/core-site.xml 文件，添加如下配置：

<configuration>
    <property>
        <name>fs.defaultFSname>
        <value>hdfs://localhost:9000value>
    property>
configuration>
1
2
3
4
5
6

修改 etc/hadoop/hdfs-site.xml 文件，添加如下配置：

<configuration>
    <property>
        <name>dfs.replicationname>
        <value>1value>
    property>
configuration>
1
2
3
4
5
6

注意确认一下 ssh localhost 可以免密登录。

格式化HDFS：

# bin/hdfs namenode -format
1

启动HDFS，报错如下：

# sbin/start-dfs.sh
Starting namenodes on [localhost]
ERROR: Attempting to operate on hdfs namenode as root
ERROR: but there is no HDFS_NAMENODE_USER defined. Aborting operation.
Starting datanodes
ERROR: Attempting to operate on hdfs datanode as root
ERROR: but there is no HDFS_DATANODE_USER defined. Aborting operation.
Starting secondary namenodes [schlepps1.fyre.ibm.com]
ERROR: Attempting to operate on hdfs secondarynamenode as root
ERROR: but there is no HDFS_SECONDARYNAMENODE_USER defined. Aborting operation.
1
2
3
4
5
6
7
8
9
10

在网上搜了一下，解决方法是，在 etc/hadoop/hadoop-env.sh 里添加以下几行内容：

export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root
1
2
3
4
5

参考： https://stackoverflow.com/questions/48129029/hdfs-namenode-user-hdfs-datanode-user-hdfs-secondarynamenode-user-not-defined

现在，就可以用 sbin/start-dfs.sh 命令启动HDFS了。

同理，也可以用 sbin/stop-dfs.sh 命令停止HDFS。

启动HDFS后，通过 jps 命令查看：

# jps
14386 DataNode
14611 SecondaryNameNode
14266 NameNode
14750 Jps
1
2
3
4
5

类似的，还可以通过 sbin/start-all.sh 和 sbin/stop-all.sh 命令来启动所有服务。对应的 jps 查看结果如下：

# jps
15473 DataNode
15938 ResourceManager
16050 NodeManager
15700 SecondaryNameNode
16420 Jps
15353 NameNode
1
2
3
4
5
6
7

可见，二者区别在于，后者比前者多了 ResourceManager 和 NodeManager 。

启动HDFS后，可以通过浏览器访问 http://:9870/ ：

在HDFS里初始化root的根目录：

# bin/hdfs dfs -mkdir /user
# bin/hdfs dfs -mkdir /user/root
1
2

此时，目录是空的：

# bin/hdfs dfs -ls
1

注： ls 后面可以加上一个参数，指定协议和路径。比如：

# bin/hadoop fs -ls hdfs://localhost:9000/
Found 1 items
drwxr-xr-x   - root supergroup          0 2022-12-06 22:40 hdfs://localhost:9000/user
1
2
3

该命令等同于 bin/hadoop fs -ls / 。这是因为我们在 core-site.xml 文件里配置了默认的文件系统为 hdfs://localhost:9000 ，所以 / 就等同于 hdfs://localhost:9000/ 。注意最后面的 / 。

如果要查看本地路径，则用 file:// 协议，例如： bin/hadoop fs -ls file:/// （注意最后面的 / ）就等同于 ls / 命令。

另外，如果 ls 后面不指定参数，则查看的是 hdfs://localhost:9000/user/root 。

在管理控制台页面上，通过 Utilities -> Browse the file system ，可以打开图形化的文件管理系统，就像Windows系统的“我的电脑”，可以通过图形界面来添加删除文件。

本文还是主要介绍命令行的方式。我们来创建一个 input 目录：

# bin/hdfs dfs -mkdir input
1

再来查看一下：

# bin/hdfs dfs -ls
Found 1 items
drwxr-xr-x   - root supergroup          0 2022-11-30 19:51 input
1
2
3

接下来，复制一些文件到HDFS。例如， input2 是一个本地目录，里面有 aaa.txt 和 bbb.txt 两个文本文件。把这两个文件复制到HDFS：

# bin/hdfs dfs -put /root/Downloads/hadoop-3.3.4/input2/* input
1

查看文件内容：

# bin/hdfs dfs -cat input/aaa.txt
abcdef
hi
haha
hello
world
hhii
# bin/hdfs dfs -cat input/bbb.txt
hhh
hihihi
aaabbb
cccddd
high
12345
1
2
3
4
5
6
7
8
9
10
11
12
13
14

统计 hi 出现的次数：

# bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar grep input output 'hi'
1

运行完之后，会自动生成 output 目录。把 output 目录复制出来：

# bin/hdfs dfs -get output output
1

注：我先把已存在的本地 output 目录删掉了。

# ll output
total 8
drwxr-xr-x  2 root root   42 Nov 30 19:55 ./
drwxr-xr-x 14 1024 1024 4096 Nov 30 19:55 ../
-rw-r--r--  1 root root    5 Nov 30 19:55 part-r-00000
-rw-r--r--  1 root root    0 Nov 30 19:55 _SUCCESS
1
2
3
4
5
6

# cat output/part-r-00000
6	hi
1
2

Fully-Distributed Mode

略

参考

• https://hadoop.apache.org
• https://yanglinwei.blog.csdn.net/article/details/125170230
• https://stackoverflow.com/questions/48129029/hdfs-namenode-user-hdfs-datanode-user-hdfs-secondarynamenode-user-not-defined