RHadoop实践系列文章

RHadoop实践系列文章，包含了R语言与Hadoop结合进行海量数据分析。Hadoop主要用来存储海量数据，R语言完成MapReduce 算法，用来替代Java的MapReduce实现。有了RHadoop可以让广大的R语言爱好者，有更强大的工具处理大数据1G, 10G, 100G, TB, PB。 由于大数据所带来的单机性能问题，可能会一去不复返了。

RHadoop实践是一套系列文章，主要包括“Hadoop环境搭建”，“RHadoop安装与使用”，“R实现MapReduce的算法案例”，“HBase和rhbase的安装与使用”。对于单独的R语言爱好者，Java爱好者，或者Hadoop爱好者来说，同时具备三种语言知识并不容 易。此文虽为入门文章，但R,Java,Hadoop基础知识还是需要大家提前掌握。

第一篇 Hadoop环境搭建部分

分为3个章节：

• Haddop环境准备
• Hadoop完全分步式集群搭建
• HDFS测试

每一章节，都会分为“文字说明部分”和“代码部分”，保持文字说明与代码的连贯性。

Haddop环境准备

文字说明部分：

首先环境准备，这里我选择了Linux Ubuntu操作系统12.04的64位版本，大家可以根据自己的使用习惯选择顺手的Linux。

但JDK一定要用Oracle SUN官方的版本，请从官网下载，操作系统的自带的OpenJDK会有各种不兼容。JDK请选择1.6.x的版本，JDK1.7版本也会有各种的不兼容情况。

http://www.oracle.com/technetwork/java/javase/downloads/index.html

完全分步式的Hadoop集群，这个选择5台一样配置的虚拟机，通过内网的一个DNS服务器，指定5台虚拟机所对应的域名。

每台虚拟机，1G内存，系统硬盘2G，外接硬盘16G。hadoop会存储在外接硬盘上面。

外接硬盘，需要先进行格式化，然后创建目录，再mount到操作系统，通过修改/etc/fstab配置，系统每次重起都是自动加载外接硬盘。

(如果用户操作系统的硬盘够大，不用外接硬盘，这步可以省略)

接下来，为hadoop集群创建访问账号hadoop，创建访问组hadoop，创建用户目录/home/hadoop，把账号，组和用户目录绑定。

再为hadoop的hdfs创建存储位置/hadoop/conan/data0，给hadoop用户权限。

设置SSH自动登陆，从nn.qa.com虚拟机开始，通过ssh-keygen命令，生成id_rsa.pub，再合并到 authorized_keys的文件。再通过scp把authorized_keys复制到其他的虚拟机。循环生成authorized_keys并合并文件。使得5台虚拟机，都有了相互的SSH自动登陆的配置。

环境准备完成，参考下面代码部分，动手实现。

代码部分：

1. 操作系统Ubuntu 12.04 x64

~ uname -a
Linux domU-00-16-3e-00-00-85 3.2.0-23-generic #36-Ubuntu SMP Tue Apr 10 20:39:51 UTC 2012 x86_64 x86_64 x86_64 GNU/Linux

2. JAVA环境

~ java -version
java version "1.6.0_29"
Java(TM) SE Runtime Environment (build 1.6.0_29-b11)
Java HotSpot(TM) 64-Bit Server VM (build 20.4-b02, mixed mode)

3. Hadoop集群：５台机器,１个NameNode,４个DataNode,通过DNS指定域名

虚拟机名字   域名     内存  硬盘
namenode:  nn.qa.com   1G  2G+16G
datanode1: dn0.qa.com　1G  2G+16G
datanode2: dn1.qa.com  1G  2G+16G
datanode3: dn2.qa.com  1G  2G+16G
datanode4: dn3.qa.com  1G  2G+16G

挂载硬盘16G

mkfs.ext4 -j /dev/xvdb
mkdir /hadoop
mount /dev/xvdb /hadoop
vi /etc/fstab
    
#   /dev/xvdb /hadoop ext4 noatime 0 1

创建hadoop账号和组

groupadd hadoop
useradd hadoop -g hadoop;
passwd hadoop
mkdir /home/hadoop
chown -R hadoop:hadoop /home/hadoop

创建hadoop工作目录

mkdir /hadoop/conan/data0
chown -R hadoop:hadoop /hadoop/conan/data0

配置ssh及密码

nn.qa.com:

su hadoop
ssh-keygen -t rsa
cd /home/hadoop/.ssh/
cat id_rsa.pub >> authorized_keys
scp authorized_keys dn0.qa.com:/home/hadoop/.ssh/

dn0.qa.com:

su hadoop
ssh-keygen -t rsa
cd /home/hadoop/.ssh/
cat id_rsa.pub >> authorized_keys
scp authorized_keys dn1.qa.com:/home/hadoop/.ssh/

dn1.qa.com:

su hadoop
ssh-keygen -t rsa
cd /home/hadoop/.ssh/
cat id_rsa.pub >> authorized_keys
scp authorized_keys dn2.qa.com:/home/hadoop/.ssh/

dn2.qa.com:

su hadoop
ssh-keygen -t rsa
cd /home/hadoop/.ssh/
cat id_rsa.pub >> authorized_keys
scp authorized_keys dn3.qa.com:/home/hadoop/.ssh/

dn3.qa.com:

su hadoop
ssh-keygen -t rsa
cd /home/hadoop/.ssh/
cat id_rsa.pub >> authorized_keys
scp authorized_keys nn.qa.com:/home/hadoop/.ssh/

nn.qa.com:

su hadoop
cd /home/hadoop/.ssh/
scp authorized_keys dn0.qa.com:/home/hadoop/.ssh/
scp authorized_keys dn1.qa.com:/home/hadoop/.ssh/
scp authorized_keys dn2.qa.com:/home/hadoop/.ssh/
scp authorized_keys dn3.qa.com:/home/hadoop/.ssh/

Hadoop完全分步式集群搭建

文字说明部分：

说明：本文以hadoop-0.20.2为例，与系列中其他几篇文章中的hadoop-1.0.3版本，安装和配置上是一样。

首先，我们在namenode(nn.qa.com)节点上面，下载hadoop。

修改hadoop配置文件hadoop-env.sh，hdfs-site.xml，core-site.xml，mapred-site.xml，设置master和slaves节点

把配置好的namenode(nn.qa.com)节点，用scp复制到其他4台虚拟机同样的目位置。

启动namenode(nn.qa.com)节点，

第一次启动时要先进行格式化，bin/hadoop namenode -format

启动hadoop，bin/start-all.sh

输入jps命令，可以看到所有Java的系统进程。 只要下面三个系统进程出现，SecondaryNameNode，JobTracker，NameNode，就恭喜你hadoop启动成功。

通过netstat -nl，可以检查系统打开的端口。其中包括，hdfs的9000，jobtracker的9001,namenode的web监控的50070,Map/Reduce的web监控的50030

其他的节点的测试检查是一样的，在这里就不重复说明了。

代码部分：

下载及配置hadoop

nn.qa.com:

cd /hadoop/conan
wget http://mirror.bjtu.edu.cn/apache/hadoop/common/hadoop-0.20.2/hadoop-0.20.2.tar.gz
tar zxvf hadoop-0.20.2.tar.gz
cd /hadoop/conan/hadoop-0.20.2/conf
vi hadoop-env.sh
export JAVA_HOME=/etc/java-config-2/current-system-vm
vi hdfs-site.xml  
 
    <configuration>
     <property>
      <name>dfs.data.dir</name>
      <value>/hadoop/conan/data0</value>
     </property>
     <property>
      <name>dfs.replication</name>
      <value>2</value>
     </property>
    </configuration>
    
vi core-site.xml 
    
    <configuration>
     <property>
      <name>fs.default.name</name>
      <value>hdfs://nn.qa.com:9000</value>
     </property>
    </configuration>

vi mapred-site.xml
    
    <configuration>
    <property>
      <name>mapred.job.tracker</name>
      <value>nn.qa.com:9001</value>
    </property>
    </configuration>
    
vi masters
    
    nn.qa.com
    
vi slaves
    
    dn0.qa.com
    dn1.qa.com
    dn2.qa.com
    dn3.qa.com

同步hadoop配置到其他虚拟机

cd /hadoop/conan
scp -r ./hadoop-0.20.2 dn0.qa.com:/hadoop/conan
scp -r ./hadoop-0.20.2 dn1.qa.com:/hadoop/conan
scp -r ./hadoop-0.20.2 dn2.qa.com:/hadoop/conan
scp -r ./hadoop-0.20.2 dn3.qa.com:/hadoop/conan

启动namenode节点

cd /hadoop/conan/hadoop-0.29.2
bin/hadoop namenode -format
bin/start-all.sh

检查hadoop启动是否成功

jps 
9362 Jps 
7756 SecondaryNameNode 
7531 JobTracker 
7357 NameNode

netstat -nl 
Active Internet connections (only servers) Proto Recv-Q Send-Q Local Address Foreign Address State
tcp 0 0 0.0.0.0:22 0.0.0.0:* LISTEN
tcp 0 0 0.0.0.0:5666 0.0.0.0:* LISTEN
tcp 0 0 0.0.0.0:8649 0.0.0.0:* LISTEN
tcp6 0 0 :::50070 :::* LISTEN
tcp6 0 0 :::22 :::* LISTEN
tcp6 0 0 :::39418 :::* LISTEN
tcp6 0 0 :::32895 :::* LISTEN
tcp6 0 0 192.168.1.238:9000 :::* LISTEN
tcp6 0 0 192.168.1.238:9001 :::* LISTEN
tcp6 0 0 :::50090 :::* LISTEN
tcp6 0 0 :::51595 :::* LISTEN
tcp6 0 0 :::50030 :::* LISTEN
udp 0 0 239.2.11.71:8649 0.0.0.0:*

HDFS测试

文字说明部分：

hadoop环境启动成功，我们进行一下hdfs的简单测试。

通过命令在hdfs上面，创建一个目录bin/hadoop fs -mkdir /test

通过命令复制一个本地文件到hdfs文件系统中，bin/hadoop fs -copyFormLocal README.txt /test

通过命令查看刚刚上传的文件bin/hadoop fs -ls /test

代码部分：

nn.qa.com:

cd /hadoop/conan/hadoop-0.29.2
bin/hadoop fs -mkdir /test
bin/hadoop fs -copyFormLocal README.txt /test
bin/hadoop fs -ls /test 

Found 1 items 
-rw-r--r--      2 hadoop supergroup     1366 2012-08-30 02:05  /test/README.txt

最后，恭喜你完成了，hadoop的完成分步式安装，环境成功搭建。

继续学习，请看第二篇 RHadoop实践系列文章之RHadoop安装与使用。

注：由于两篇文章并非同一时间所写，hadoop版本及操作系统，分步式环境都略有不同。

两篇文章相互独立，请大家在理解的基础上动手实验，不要完成依赖两篇文章中的运行命令。