给力星

Web Developer

Hadoop安装教程_单机/伪分布式配置_Hadoop2.6.0/Ubuntu14.04

当开始着手实践 Hadoop 时,安装 Hadoop 往往会成为新手的一道门槛。尽管安装其实很简单,书上有写到,官方网站也有 Hadoop 安装配置教程,但由于对 Linux 环境不熟悉,书上跟官网上简略的安装步骤新手往往 Hold 不住。加上网上不少教程也甚是坑,导致新手折腾老几天愣是没装好,很是打击学习热情。

本教程适合于原生 Hadoop 2,包括 Hadoop 2.6.0, Hadoop 2.7.1 等版本,主要参考了官方安装教程,步骤详细,辅以适当说明,相信按照步骤来,都能顺利安装并运行Hadoop。另外有Hadoop安装配置简略版方便有基础的读者快速完成安装。此外,希望读者们能多去了解一些 Linux 的知识,以后出现问题时才能自行解决。本教程由给力星出品,转载请注明。

环境

本教程使用 Ubuntu 14.04 64位 作为系统环境(Ubuntu 12.04 也行,32位、64位均可),请自行安装系统(可参考使用VirtualBox安装Ubuntu)。

如果用的是 CentOS/RedHat 系统,请查看相应的CentOS安装Hadoop教程_单机伪分布式配置

本教程基于原生 Hadoop 2,在 Hadoop 2.6.0 (stable) 版本下验证通过,可适合任何 Hadoop 2.x.y 版本,例如 Hadoop 2.4.1。

Hadoop版本

Hadoop 有两个主要版本,Hadoop 1.x.y 和 Hadoop 2.x.y 系列,比较老的教材上用的可能是 0.20 这样的版本。Hadoop 2.x 版本在不断更新,本教程均可适用。如果需安装 0.20,1.2.1这样的版本,本教程也可以作为参考,主要差别在于配置项,配置请参考官网教程或其他教程。

新版是兼容旧版的,书上旧版本的代码应该能够正常运行(我自己没验证,欢迎验证反馈)。

装好了 Ubuntu 系统之后,在安装 Hadoop 前还需要做一些必备工作。

创建hadoop用户

如果你安装 Ubuntu 的时候不是用的 “hadoop” 用户,那么需要增加一个名为 hadoop 的用户。

首先按 ctrl+alt+t 打开终端窗口,输入如下命令创建新用户 :

sudo useradd -m hadoop -s /bin/bash

这条命令创建了可以登陆的 hadoop 用户,并使用 /bin/bash 作为 shell。

Ubuntu终端复制粘贴快捷键

在Ubuntu终端窗口中,复制粘贴的快捷键需要加上 shift,即粘贴是 ctrl+shift+v。

接着使用如下命令设置密码,可简单设置为 hadoop,按提示输入两次密码:

sudo passwd hadoop

可为 hadoop 用户增加管理员权限,方便部署,避免一些对新手来说比较棘手的权限问题:

sudo adduser hadoop sudo

最后注销当前用户(点击屏幕右上角的齿轮,选择注销),在登陆界面使用刚创建的 hadoop 用户进行登陆。

更新apt

用 hadoop 用户登录后,我们先更新一下 apt,后续我们使用 apt 安装软件,如果没更新可能有一些软件安装不了。按 ctrl+alt+t 打开终端窗口,执行如下命令:

sudo apt-get update

若出现如下 “Hash校验和不符” 的提示,可通过更改软件源来解决。若没有该问题,则不需要更改。

Ubuntu更新软件源时遇到Hash校验和不符的问题Ubuntu更新软件源时遇到Hash校验和不符的问题

首先点击左侧任务栏的【系统设置】(齿轮图标),选择【软件和更新】

Ubuntu更新软件源Ubuntu更新软件源

点击 “下载自” 右侧的方框,选择【其他节点】

Ubuntu更新软件源-选择服务器Ubuntu更新软件源-选择服务器

在列表中选中【mirrors.aliyun.com】,并点击右下角的【选择服务器】,会要求输入用户密码,输入即可。

Ubuntu更新软件源-选择服务器Ubuntu更新软件源-选择服务器

接着点击关闭。

Ubuntu更新软件源-关闭窗口Ubuntu更新软件源-关闭窗口

此时会提示列表信息过时,点击【重新载入】,

Ubuntu更新软件源-重新载入Ubuntu更新软件源-重新载入

最后耐心等待更新缓存即可。更新完成会自动关闭【软件和更新】这个窗口。如果还是提示错误,请选择其他服务器节点如 mirrors.163.com 再次进行尝试。更新成功后,再次执行 sudo apt-get update 就正常了。

后续需要更改一些配置文件,我比较喜欢用的是 vim(vi增强版,基本用法相同),建议安装一下(如果你实在还不会用 vi/vim 的,请将后面用到 vim 的地方改为 gedit,这样可以使用文本编辑器进行修改,并且每次文件更改完成后请关闭整个 gedit 程序,否则会占用终端):

sudo apt-get install vim

安装软件时若需要确认,在提示处输入 y 即可。

通过命令行安装软件通过命令行安装软件

安装SSH、配置SSH无密码登陆

集群、单节点模式都需要用到 SSH 登陆(类似于远程登陆,你可以登录某台 Linux 主机,并且在上面运行命令),Ubuntu 默认已安装了 SSH client,此外还需要安装 SSH server:

sudo apt-get install openssh-server

安装后,可以使用如下命令登陆本机:

ssh localhost

此时会有如下提示(SSH首次登陆提示),输入 yes 。然后按提示输入密码 hadoop,这样就登陆到本机了。

SSH首次登陆提示SSH首次登陆提示

但这样登陆是需要每次输入密码的,我们需要配置成SSH无密码登陆比较方便。

首先退出刚才的 ssh,就回到了我们原先的终端窗口,然后利用 ssh-keygen 生成密钥,并将密钥加入到授权中:

exit                           # 退出刚才的 ssh localhost
cd ~/.ssh/                     # 若没有该目录,请先执行一次ssh localhost
ssh-keygen -t rsa              # 会有提示,都按回车就可以
cat ./id_rsa.pub >> ./authorized_keys  # 加入授权
~的含义

在 Linux 系统中,~ 代表的是用户的主文件夹,即 “/home/用户名” 这个目录,如你的用户名为 hadoop,则 ~ 就代表 “/home/hadoop/”。 此外,命令中的 # 后面的文字是注释。

此时再用 ssh localhost 命令,无需输入密码就可以直接登陆了,如下图所示。

SSH无密码登录SSH无密码登录

安装Java环境

Java环境可选择 Oracle 的 JDK,或是 OpenJDK,按http://wiki.apache.org/hadoop/HadoopJavaVersions中说的,新版本在 OpenJDK 1.7 下是没问题的。为图方便,这边直接通过命令安装 OpenJDK 7。

sudo apt-get install openjdk-7-jre openjdk-7-jdk
JRE和JDK的区别

JRE(Java Runtime Environment,Java运行环境),是运行 Java 所需的环境。JDK(Java Development Kit,Java软件开发工具包)即包括 JRE,还包括开发 Java 程序所需的工具和类库。

安装好 OpenJDK 后,需要找到相应的安装路径,这个路径是用于配置 JAVA_HOME 环境变量的。执行如下命令:

dpkg -L openjdk-7-jdk | grep '/bin/javac'

该命令会输出一个路径,除去路径末尾的 “/bin/javac”,剩下的就是正确的路径了。如输出路径为 /usr/lib/jvm/java-7-openjdk-amd64/bin/javac,则我们需要的路径为 /usr/lib/jvm/java-7-openjdk-amd64。

接着配置 JAVA_HOME 环境变量,为方便,我们在 ~/.bashrc 中进行设置(扩展阅读: 设置Linux环境变量的方法和区别):

vim ~/.bashrc

在文件最前面添加如下单独一行(注意 = 号前后不能有空格),将“JDK安装路径”改为上述命令得到的路径,并保存:

export JAVA_HOME=JDK安装路径

如下图所示(该文件原本可能不存在,内容为空,这不影响):

配置JAVA_HOME变量配置JAVA_HOME变量

接着还需要让该环境变量生效,执行如下代码:

source ~/.bashrc    # 使变量设置生效

设置好后我们来检验一下是否设置正确:

echo $JAVA_HOME     # 检验变量值
java -version
$JAVA_HOME/bin/java -version  # 与直接执行 java -version 一样

如果设置正确的话,$JAVA_HOME/bin/java -version 会输出 java 的版本信息,且和 java -version 的输出结果一样,如下图所示:

成功配置JAVA_HOME变量成功配置JAVA_HOME变量

这样,Hadoop 所需的 Java 运行环境就安装好了。

安装 Hadoop 2

Hadoop 2 可以通过 http://mirror.bit.edu.cn/apache/hadoop/common/ 或者 http://mirrors.cnnic.cn/apache/hadoop/common/ 下载,一般选择下载最新的稳定版本,即下载 “stable” 下的 hadoop-2.x.y.tar.gz 这个格式的文件,这是编译好的,另一个包含 src 的则是 Hadoop 源代码,需要进行编译才可使用。

下载时强烈建议也下载 hadoop-2.x.y.tar.gz.mds 这个文件,该文件包含了检验值可用于检查 hadoop-2.x.y.tar.gz 的完整性,否则若文件发生了损坏或下载不完整,Hadoop 将无法正常运行。

本文涉及的文件均通过浏览器下载,默认保存在 “下载” 目录中(若不是请自行更改 tar 命令的相应目录)。另外,本教程选择的是 2.6.0 版本,如果你用的不是 2.6.0 版本,则将所有命令中出现的 2.6.0 更改为你所使用的版本。

cat ~/下载/hadoop-2.6.0.tar.gz.mds | grep 'MD5' # 列出md5检验值
# head -n 6 ~/下载/hadoop-2.7.1.tar.gz.mds # 2.7.1版本格式变了,可以用这种方式输出
md5sum ~/下载/hadoop-2.6.0.tar.gz | tr "a-z" "A-Z" # 计算md5值,并转化为大写,方便比较

若文件不完整则这两个值一般差别很大,可以简单对比下前几个字符跟后几个字符是否相等即可,如下图所示,如果两个值不一样,请务必重新下载。

检验文件完整性检验文件完整性

我们选择将 Hadoop 安装至 /usr/local/ 中:

sudo tar -zxf ~/下载/hadoop-2.6.0.tar.gz -C /usr/local    # 解压到/usr/local中
cd /usr/local/
sudo mv ./hadoop-2.6.0/ ./hadoop            # 将文件夹名改为hadoop
sudo chown -R hadoop ./hadoop       # 修改文件权限

Hadoop 解压后即可使用。输入如下命令来检查 Hadoop 是否可用,成功则会显示 Hadoop 版本信息:

cd /usr/local/hadoop
./bin/hadoop version
相对路径与绝对路径的区别

请务必注意命令中的相对路径与绝对路径,本文后续出现的 ./bin/..../etc/... 等包含 ./ 的路径,均为相对路径,以 /usr/local/hadoop 为当前目录。例如在 /usr/local/hadoop 目录中执行 ./bin/hadoop version 等同于执行 /usr/local/hadoop/bin/hadoop version。可以将相对路径改成绝对路径来执行,但如果你是在主文件夹 ~ 中执行 ./bin/hadoop version,执行的会是 /home/hadoop/bin/hadoop version,就不是我们所想要的了。

Hadoop单机配置(非分布式)

Hadoop 默认模式为非分布式模式,无需进行其他配置即可运行。非分布式即单 Java 进程,方便进行调试。

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子(运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0.jar 可以看到所有例子),包括 wordcount、terasort、join、grep 等。

在此我们选择运行 grep 例子,我们将 input 文件夹中的所有文件作为输入,筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数,最后输出结果到 output 文件夹中。

cd /usr/local/hadoop
mkdir ./input
cp ./etc/hadoop/*.xml ./input   # 将配置文件作为输入文件
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/*          # 查看运行结果

执行成功后如下所示,输出了作业的相关信息,输出的结果是符合正则的单词 dfsadmin 出现了1次

Hadoop单机模式运行grep的输出结果Hadoop单机模式运行grep的输出结果

注意,Hadoop 默认不会覆盖结果文件,因此再次运行上面实例会提示出错,需要先将 ./output 删除。

rm -r ./output

Hadoop伪分布式配置

Hadoop 可以在单节点上以伪分布式的方式运行,Hadoop 进程以分离的 Java 进程来运行,节点既作为 NameNode 也作为 DataNode,同时,读取的是 HDFS 中的文件。

Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中,伪分布式需要修改2个配置文件 core-site.xmlhdfs-site.xml 。Hadoop的配置文件是 xml 格式,每个配置以声明 property 的 name 和 value 的方式来实现。

修改配置文件 core-site.xml (通过 gedit 编辑会比较方便: gedit ./etc/hadoop/core-site.xml),将当中的

<configuration>
</configuration>

修改为下面配置:

<configuration>
        <property>
             <name>hadoop.tmp.dir</name>
             <value>file:/usr/local/hadoop/tmp</value>
             <description>Abase for other temporary directories.</description>
        </property>
        <property>
             <name>fs.defaultFS</name>
             <value>hdfs://localhost:9000</value>
        </property>
</configuration>

同样的,修改配置文件 hdfs-site.xml

<configuration>
        <property>
             <name>dfs.replication</name>
             <value>1</value>
        </property>
        <property>
             <name>dfs.namenode.name.dir</name>
             <value>file:/usr/local/hadoop/tmp/dfs/name</value>
        </property>
        <property>
             <name>dfs.datanode.data.dir</name>
             <value>file:/usr/local/hadoop/tmp/dfs/data</value>
        </property>
</configuration>
Hadoop配置文件说明

Hadoop 的运行方式是由配置文件决定的(运行 Hadoop 时会读取配置文件),因此如果需要从伪分布式模式切换回非分布式模式,需要删除 core-site.xml 中的配置项。

此外,伪分布式虽然只需要配置 fs.defaultFS 和 dfs.replication 就可以运行(官方教程如此),不过若没有配置 hadoop.tmp.dir 参数,则默认使用的临时目录为 /tmp/hadoo-hadoop,而这个目录在重启时有可能被系统清理掉,导致必须重新执行 format 才行。所以我们进行了设置,同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir,否则在接下来的步骤中可能会出错。

配置完成后,执行 NameNode 的格式化:

./bin/hdfs namenode -format

成功的话,会看到 “successfully formatted” 和 “Exitting with status 0” 的提示,若为 “Exitting with status 1” 则是出错。

执行namenode格式化执行namenode格式化

如果在这一步时提示 Error: JAVA_HOME is not set and could not be found. 的错误,则说明之前设置 JAVA_HOME 环境变量那边就没设置好,请按教程先设置好 JAVA_HOME 变量,否则后面的过程都是进行不下去的。

接着开启 NameNode 和 DataNode 守护进程。

./sbin/start-dfs.sh

若出现如下SSH提示,输入yes即可。

启动Hadoop时的SSH提示启动Hadoop时的SSH提示

启动时可能会出现如下 WARN 提示:WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable。该 WARN 提示可以忽略,并不会影响正常使用(该 WARN 可以通过编译 Hadoop 源码解决)。

启动 Hadoop 时提示 Could not resolve hostname

如果启动 Hadoop 时遇到输出非常多“ssh: Could not resolve hostname xxx”的异常情况,如下图所示:

启动Hadoop时的异常提示启动Hadoop时的异常提示

这个并不是 ssh 的问题,可通过设置 Hadoop 环境变量来解决。首先按键盘的 ctrl + c 中断启动,然后在 ~/.bashrc 中,增加如下两行内容(设置过程与 JAVA_HOME 变量一样,其中 HADOOP_HOME 为 Hadoop 的安装目录):

export HADOOP_HOME=/usr/local/hadoop
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

保存后,务必执行 source ~/.bashrc 使变量设置生效,然后再次执行 ./sbin/start-dfs.sh 启动 Hadoop。

启动完成后,可以通过命令 jps 来判断是否成功启动,若成功启动则会列出如下进程: “NameNode”、”DataNode” 和 “SecondaryNameNode”(如果 SecondaryNameNode 没有启动,请运行 sbin/stop-dfs.sh 关闭进程,然后再次尝试启动尝试)。如果没有 NameNode 或 DataNode ,那就是配置不成功,请仔细检查之前步骤,或通过查看启动日志排查原因。

通过jps查看启动的Hadoop进程通过jps查看启动的Hadoop进程

Hadoop无法正常启动的解决方法

一般可以查看启动日志来排查原因,注意几点:

  • 启动时会提示形如 “DBLab-XMU: starting namenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-namenode-DBLab-XMU.out”,其中 DBLab-XMU 对应你的机器名,但其实启动日志信息是记录在 /usr/local/hadoop/logs/hadoop-hadoop-namenode-DBLab-XMU.log 中,所以应该查看这个后缀为 .log 的文件;
  • 每一次的启动日志都是追加在日志文件之后,所以得拉到最后面看,对比下记录的时间就知道了。
  • 一般出错的提示在最后面,通常是写着 Fatal、Error、Warning 或者 Java Exception 的地方。
  • 可以在网上搜索一下出错信息,看能否找到一些相关的解决方法。

此外,若是 DataNode 没有启动,可尝试如下的方法(注意这会删除 HDFS 中原有的所有数据,如果原有的数据很重要请不要这样做):

# 针对 DataNode 没法启动的解决方法
./sbin/stop-dfs.sh   # 关闭
rm -r ./tmp     # 删除 tmp 文件,注意这会删除 HDFS 中原有的所有数据
./bin/hdfs namenode -format   # 重新格式化 NameNode
./sbin/start-dfs.sh  # 重启

成功启动后,可以访问 Web 界面 http://localhost:50070 查看 NameNode 和 Datanode 信息,还可以在线查看 HDFS 中的文件。

Hadoop的Web界面Hadoop的Web界面

运行Hadoop伪分布式实例

上面的单机模式,grep 例子读取的是本地数据,伪分布式读取的则是 HDFS 上的数据。要使用 HDFS,首先需要在 HDFS 中创建用户目录:

./bin/hdfs dfs -mkdir -p /user/hadoop

接着将 ./etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中,即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 hadoop 用户,并且已创建相应的用户目录 /user/hadoop ,因此在命令中就可以使用相对路径如 input,其对应的绝对路径就是 /user/hadoop/input:

./bin/hdfs dfs -mkdir input
./bin/hdfs dfs -put ./etc/hadoop/*.xml input

复制完成后,可以通过如下命令查看文件列表:

./bin/hdfs dfs -ls input

伪分布式运行 MapReduce 作业的方式跟单机模式相同,区别在于伪分布式读取的是HDFS中的文件(可以将单机步骤中创建的本地 input 文件夹,输出结果 output 文件夹都删掉来验证这一点)。

./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output 'dfs[a-z.]+'

查看运行结果的命令(查看的是位于 HDFS 中的输出结果):

./bin/hdfs dfs -cat output/*

结果如下,注意到刚才我们已经更改了配置文件,所以运行结果不同。

Hadoop伪分布式运行grep结果Hadoop伪分布式运行grep结果

我们也可以将运行结果取回到本地:

rm -r ./output    # 先删除本地的 output 文件夹(如果存在)
./bin/hdfs dfs -get output ./output     # 将 HDFS 上的 output 文件夹拷贝到本机
cat ./output/*

Hadoop 运行程序时,输出目录不能存在,否则会提示错误 “org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists” ,因此若要再次执行,需要执行如下命令删除 output 文件夹:

./bin/hdfs dfs -rm -r output    # 删除 output 文件夹
运行程序时,输出目录不能存在

运行 Hadoop 程序时,为了防止覆盖结果,程序指定的输出目录(如 output)不能存在,否则会提示错误,因此运行前需要先删除输出目录。在实际开发应用程序时,可考虑在程序中加上如下代码,能在每次运行时自动删除输出目录,避免繁琐的命令行操作:

Configuration conf = new Configuration();
Job job = new Job(conf);

/* 删除输出目录 */
Path outputPath = new Path(args[1]);
outputPath.getFileSystem(conf).delete(outputPath, true);

若要关闭 Hadoop,则运行

./sbin/stop-dfs.sh
注意

下次启动 hadoop 时,无需进行 NameNode 的初始化,只需要运行 ./sbin/start-dfs.sh 就可以!

启动YARN

(伪分布式不启动 YARN 也可以,一般不会影响程序执行)

有的读者可能会疑惑,怎么启动 Hadoop 后,见不到书上所说的 JobTracker 和 TaskTracker,这是因为新版的 Hadoop 使用了新的 MapReduce 框架(MapReduce V2,也称为 YARN,Yet Another Resource Negotiator)。

YARN 是从 MapReduce 中分离出来的,负责资源管理与任务调度。YARN 运行于 MapReduce 之上,提供了高可用性、高扩展性,YARN 的更多介绍在此不展开,有兴趣的可查阅相关资料。

上述通过 ./sbin/start-dfs.sh 启动 Hadoop,仅仅是启动了 MapReduce 环境,我们可以启动 YARN ,让 YARN 来负责资源管理与任务调度。

首先修改配置文件 mapred-site.xml,这边需要先进行重命名:

mv ./etc/hadoop/mapred-site.xml.template ./etc/hadoop/mapred-site.xml

然后再进行编辑,同样使用 gedit 编辑会比较方便些 gedit ./etc/hadoop/mapred-site.xml

<configuration>
        <property>
             <name>mapreduce.framework.name</name>
             <value>yarn</value>
        </property>
</configuration>

接着修改配置文件 yarn-site.xml

<configuration>
        <property>
             <name>yarn.nodemanager.aux-services</name>
             <value>mapreduce_shuffle</value>
            </property>
</configuration>

然后就可以启动 YARN 了(需要先执行过 ./sbin/start-dfs.sh):

./sbin/start-yarn.sh      # 启动YARN
./sbin/mr-jobhistory-daemon.sh start historyserver  # 开启历史服务器,才能在Web中查看任务运行情况

开启后通过 jps 查看,可以看到多了 NodeManager 和 ResourceManager 两个后台进程,如下图所示。

开启YARN开启YARN

启动 YARN 之后,运行实例的方法还是一样的,仅仅是资源管理方式、任务调度不同。观察日志信息可以发现,不启用 YARN 时,是 “mapred.LocalJobRunner” 在跑任务,启用 YARN 之后,是 “mapred.YARNRunner” 在跑任务。启动 YARN 有个好处是可以通过 Web 界面查看任务的运行情况:http://localhost:8088/cluster,如下图所示。

开启YARN后可以查看任务运行信息开启YARN后可以查看任务运行信息

但 YARN 主要是为集群提供更好的资源管理与任务调度,然而这在单机上体现不出价值,反而会使程序跑得稍慢些。因此在单机上是否开启 YARN 就看实际情况了。

不启动 YARN 需重命名 mapred-site.xml

如果不想启动 YARN,务必把配置文件 mapred-site.xml 重命名,改成 mapred-site.xml.template,需要用时改回来就行。否则在该配置文件存在,而未开启 YARN 的情况下,运行程序会提示 “Retrying connect to server: 0.0.0.0/0.0.0.0:8032” 的错误,这也是为何该配置文件初始文件名为 mapred-site.xml.template。

同样的,关闭 YARN 的脚本如下:

./sbin/stop-yarn.sh
./sbin/mr-jobhistory-daemon.sh stop historyserver

自此,你已经掌握 Hadoop 的配置和基本使用了。

附加教程: 配置PATH环境变量

在这里额外讲一下 PATH 这个环境变量(可执行 echo $PATH 查看,当中包含了多个目录)。例如我们在主文件夹 ~ 中执行 ls 这个命令时,实际执行的是 /bin/ls 这个程序,而不是 ~/ls 这个程序。系统是根据 PATH 这个环境变量中包含的目录位置,逐一进行查找,直至在这些目录位置下找到匹配的程序(若没有匹配的则提示该命令不存在)。

上面的教程中,我们都是先进入到 /usr/local/hadoop 目录中,再执行 sbin/hadoop,实际上等同于运行 /usr/local/hadoop/sbin/hadoop。我们可以将 Hadoop 命令的相关目录加入到 PATH 环境变量中,这样就可以直接通过 start-dfs.sh 开启 Hadoop,也可以直接通过 hdfs 访问 HDFS 的内容,方便平时的操作。

同样我们选择在 ~/.bashrc 中进行设置(vim ~/.bashrc,与 JAVA_HOME 的设置相似),在文件最前面加入如下单独一行:

export PATH=$PATH:/usr/local/hadoop/sbin:/usr/local/hadoop/bin

添加后执行 source ~/.bashrc 使设置生效,生效后,在任意目录中,都可以直接使用 hdfs 等命令了,读者不妨现在就执行 hdfs dfs -ls input 查看 HDFS 文件试试看。

安装Hadoop集群

在平时的学习中,我们使用伪分布式就足够了。如果需要安装 Hadoop 集群,请查看Hadoop集群安装配置教程

相关教程

参考资料

  1. hadoop@myubuntu-virtual-machine:/usr/local/hadoop$ ./sbin/start-dfs.sh
    17/02/14 10:59:56 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable
    Starting namenodes on [localhost]
    localhost: starting namenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-namenode-myubuntu-virtual-machine.out
    localhost: starting datanode, logging to /usr/local/hadoop/logs/hadoop-hadoop-datanode-myubuntu-virtual-machine.out
    Starting secondary namenodes [0.0.0.0]
    0.0.0.0: starting secondarynamenode, logging to /usr/local/hadoop/logs/hadoop-hadoop-secondarynamenode-myubuntu-virtual-machine.out
    17/02/14 11:00:13 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable
    hadoop@myubuntu-virtual-machine:/usr/local/hadoop$ jps
    28992 Jps
    16806 org.eclipse.equinox.launcher_1.3.0.dist.jar
    hadoop@myubuntu-virtual-machine:/usr/local/hadoop$

    这是为什么??找不到问题在哪里。。。。。。

  2. 好棒!谢谢分享!祝你吃到好吃的水果!

    • 嘿 我也遇到一样的问题 偷个懒 直接换成8就成了

  3. 我装的是2.7.3 启动yarn报错
    hadoop@lab-VirtualBox:/usr/local/hadoop$ ./sbin/start-yarn.sh
    starting yarn daemons
    mkdir: 无法创建目录"/logs": 权限不够
    chown: 无法访问’/logs’: 没有那个文件或目录
    starting resourcemanager, logging to /logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out
    /usr/local/hadoop/sbin/yarn-daemon.sh: 行 124: /logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out: 没有那个文件或目录
    head: 无法打开’/logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out’ 读取数据: 没有那个文件或目录
    /usr/local/hadoop/sbin/yarn-daemon.sh: 行 129: /logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out: 没有那个文件或目录
    /usr/local/hadoop/sbin/yarn-daemon.sh: 行 130: /logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out: 没有那个文件或目录
    localhost: mkdir: 无法创建目录"/logs": 权限不够
    localhost: chown: 无法访问’/logs’: 没有那个文件或目录

    请问这是咋回事

    • 目录配置有问题,正常情况下应该是记录到安装目录下,即 /usr/local/hadoop/logs/ 文件夹中,你这边是记录到 /logs/ 文件夹里了,尝试配置一下 HADOOP_HOME 变量?

      • 大神 配了一下 还是不行,具体如下
        hadoop@lab-VirtualBox:/usr/local/hadoop$ echo $HADOOP_HOME
        /usr/local/hadoop
        hadoop@lab-VirtualBox:/usr/local/hadoop$ echo $YARN_HOME
        /usr/local/hadoop
        hadoop@lab-VirtualBox:/usr/local/hadoop$ jps
        24547 Jps
        23451 NameNode
        23741 SecondaryNameNode
        23567 DataNode
        hadoop@lab-VirtualBox:/usr/local/hadoop$ ./sbin/start-yarn.sh
        starting yarn daemons
        chown: 正在更改’/logs’ 的所有者: 不允许的操作
        starting resourcemanager, logging to /logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out
        /usr/local/hadoop/sbin/yarn-daemon.sh: 行 124: /logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out: 权限不够
        head: 无法打开’/logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out’ 读取数据: 没有那个文件或目录
        /usr/local/hadoop/sbin/yarn-daemon.sh: 行 129: /logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out: 权限不够
        /usr/local/hadoop/sbin/yarn-daemon.sh: 行 130: /logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out: 权限不够
        localhost: chown: 正在更改’/logs’ 的所有者: 不允许的操作
        localhost: starting nodemanager, logging to /logs/yarn-hadoop-nodemanager-lab-VirtualBox.out
        localhost: /usr/local/hadoop/sbin/yarn-daemon.sh: 行 124: /logs/yarn-hadoop-nodemanager-lab-VirtualBox.out: 权限不够
        localhost: head: 无法打开’/logs/yarn-hadoop-nodemanager-lab-VirtualBox.out’ 读取数据: 没有那个文件或目录
        localhost: /usr/local/hadoop/sbin/yarn-daemon.sh: 行 129: /logs/yarn-hadoop-nodemanager-lab-VirtualBox.out: 权限不够
        localhost: /usr/local/hadoop/sbin/yarn-daemon.sh: 行 130: /logs/yarn-hadoop-nodemanager-lab-VirtualBox.out: 权限不够

        • 看了一下,跟日志目录相关的变量有 HADOOP_LOG_DIR、YARN_LOG_DIR,其中 HADOOP_LOG_DIR 默认就是安装目录下的 logs 文件夹,你可以尝试配置一下这个两个变量。如果你是按我的教程来的话,那我就不清楚你这边为什么默认会是根目录下的 logs 了

          • 大神 越来越接近了 现在是找不到主类
            hadoop@lab-VirtualBox:/usr/local/hadoop$ ./sbin/start-yarn.sh
            starting yarn daemons
            starting resourcemanager, logging to /usr/local/hadoop/logs/yarn-hadoop-resourcemanager-lab-VirtualBox.out
            错误: 找不到或无法加载主类 org.apache.hadoop.yarn.server.resourcemanager.ResourceManager
            localhost: starting nodemanager, logging to /usr/local/hadoop/logs/yarn-hadoop-nodemanager-lab-VirtualBox.out
            localhost: 错误: 找不到或无法加载主类 org.apache.hadoop.yarn.server.nodemanager.NodeManager

  4. 前面已正常,到了 ./bin/hdfs dfs -mkdir input 提示mkdir: `input’: No such file or directory
    求解

  5. 伪分布式也需要对hadoop-env.sh设置JAVA_HOME吧? 跟着上面做感觉应该是少了这一步。

  6. 感谢分享 最近开始做毕设 有关分布式的 开始接触hadoop 看了教程很有用 方便加个QQ或微信嘛

  7. ERROR output.FileOutputCommitter: Mkdirs failed to create file:/usr/local/hadoop/grep-temp-223058437/_temporary/0
    lou zhu yu dao guo zhe yang de wen ti ma?xie xie

  8. 天啊写的太好了。。第一次看到这么好的教程。

  9. 关于hadoop 安装jdk 应该补充一下把 就是我安装多个版本的jdk java -version 和$JAVA_HOME/bin/java -version 结果不一样 需要重新设置一下 。能否补充一下?

  10. 上个问题已经搞定。
    又来了一个新问题:
    SecondaryNameNode 没有启动
    进程重启了很多次,SecondaryNameNode依然没有启动
    大神 快来救我啊

  11. 开启namenode 这个步骤时提示:
    Starting namenodes on [localhost]
    localhost: Error: JAVA_HOME is not set and could not be found.
    localhost: Error: JAVA_HOME is not set and could not be found.
    Starting secondary namenodes [0.0.0.0]
    The authenticity of host ‘0.0.0.0 (0.0.0.0)’ can’t be established.
    ECDSA key fingerprint is SHA256:NMWLDh8NkrhkYypnmT1KkKzDPjKma2DufjX1SQTNGM4.
    Are you sure you want to continue connecting (yes/no)?

    但是在前边配置JAVA_HOME这个步骤时:
    hadoop@ubuntu:/usr/local/hadoop$ java -version
    openjdk version "1.8.0_91"
    OpenJDK Runtime Environment (build 1.8.0_91-8u91-b14-3ubuntu1~16.04.1-b14)
    OpenJDK 64-Bit Server VM (build 25.91-b14, mixed mode)
    hadoop@ubuntu:/usr/local/hadoop$ $JAVA_HOME/bin/java -version
    openjdk version "1.8.0_91"
    OpenJDK Runtime Environment (build 1.8.0_91-8u91-b14-3ubuntu1~16.04.1-b14)
    OpenJDK 64-Bit Server VM (build 25.91-b14, mixed mode)
    这里已经配置好了
    大神,求救啊

    • 环境变量的问题 你就删掉目前的jdk 重新安装 重新配置 一般这些小问题有点难以发现

    • 配置一下 /etc/hadoop/hadoop-env.sh 里面的java_home

  12. 楼主,有个问题,我在启动yarn后,运行./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep input output ‘dfs[a-z.]+’这段代码时出现WARN hdfs.DFSClient: Caught exception
    java.lang.InterruptedException
    at java.lang.Object.wait(Native Method)
    at java.lang.Thread.join(Thread.java:1249)
    at java.lang.Thread.join(Thread.java:1323)
    at org.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.closeResponder(DFSOutputStream.java:609)
    at org.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.endBlock(DFSOutputStream.java:370)
    at org.apache.hadoop.hdfs.DFSOutputStream$DataStreamer.run(DFSOutputStream.java:546)
    这样的错误,这是为什么?但是程序还是能执行出结果

  13. 求问虚拟机linux下新建hadoop用户后装好yarn模式,需要在此用户内重新配置spark和scala么?之前用户配置的并不能用

  14. 楼主,你好,我按照方法执行到这一步时候报这个错误,我装的是oracle的jdk1.7
    hadoop@ubuntu:/usr/local/hadoop$ ./bin/hdfs -put ./etc/hadoop/*.xml input
    Unrecognized option: -put
    Error: Could not create the Java Virtual Machine.
    Error: A fatal exception has occurred. Program will exit.

  15. Starting namenodes on [Java HotSpot(TM) Server VM warning: You have loaded library /opt/hadoop/lib/native/libhadoop.so.1.0.0 which might have disabled stack guard. The VM will try to fix the stack guard now.
    It’s highly recommended that you fix the library with ‘execstack -c <libfile>’, or link it with ‘-z noexecstack’.
    localhost]
    sed: -e 表达式 #1, 字符 6: “s”的未知选项↵
    -c: Unknown cipher type ‘cd’
    fix: ssh: Could not resolve hostname fix: Name or service not known
    which: ssh: Could not resolve hostname which: Name or service not known
    the: ssh: Could not resolve hostname the: Name or service not known
    try: ssh: Could not resolve hostname try: Name or service not known
    HotSpot(TM): ssh: Could not resolve hostname hotspot(tm): Name or service not known
    VM: ssh: Could not resolve hostname vm: Name or service not known
    loaded: ssh: Could not resolve hostname loaded: Name or service not known
    library: ssh: Could not resolve hostname library: Name or service not known
    这个错误怎吗解决

  16. 特意下载了输入法 申请了帐号来评论 谢谢作者大大 已打赏 这两篇文章 估计要写一个星期 。。。。两个星期hadoop基本入门 谢谢 谢谢 谢谢

  17. namenode 格式化那一步报错SHUTDOWN_MSG: Shutting down NameNode at hadoop…. 这什么原因呢?难道我配置文件写错了? 谢谢楼主的教程!给力

  18. 问一下,执行所有 /usr/local/hadoop/bin/下命令时,当前是哪个用户?

    是登陆用户,还是要切换到hadoop用户?

    我切换到hadoop用户后,所有命令没有问题,如果是当前用户,就提示权限问题,还有JAVA_HOME没有设置的问题。

    • 主要跟 /usr/local/hadoop/ 的权限设置有关系,其实任意用户都可以,前提是要有这个文件夹的权限。

  19. 同90年我也玩dota1/2,刚学hadoop时看的最给力的文章,不过我是后端方向的。。

  20. 作者的wordpress好漂亮啊,在哪里可以找到相似的呢?文章也写的超赞!!!

  21. “`
    root@iZ28e37sm55Z:/lib/hadoop/sbin# echo $JAVA_HOME
    /lib/jvm
    root@iZ28e37sm55Z:/lib/hadoop/sbin# ./start-dfs.sh
    Starting namenodes on [localhost]
    root@localhost’s password:
    localhost: Error: JAVA_HOME is not set and could not be found.
    root@localhost’s password:
    “`

    已经设置了 JAVA_HOME,启动时为什么还报找不到呢?

    • 这种情况的原因我也不太清楚,那就需要在配置文件夹里的 hadoop-env.sh 中配置 $JAVA_HOME 了

  22. 请问师傅,关于MD5检验值,我重新下载试了很多次都是不同,差别较大,后来发现下载“hadoop-2.6.3.tar.gz”时会下载两个文件下来,分别是“hadoop-2.6.3.tar.gz”和“hadoop-2.6.3.tar.gz.part”,这个是为什么,该怎么解决呢?尝试2.7.3也是这样。多谢~!

    • 这是因为下载不完整,如果下载正确的话,最后只会有一个 “hadoop-2.6.3.tar.gz”,.part 那个只是一部分。文章中给出了两个下载链接,你换一个下载试试

  23. 楼主,你好,请问下自己建立的用户名一定要命名为hadoop吗,命名为其他的比如UserA之类的可以吗

  24. 您好!问您一个问题,没有建立hadoop用户,用的是安装Ubuntu时建立的用户,也有sudo权限,但发现把hadoop放在opt文件夹下后,所有的命令都要使用sudo才有效……请问这算是个问题吗?有办法解决吗?我把opt的权限改成755也不行,是不是必须改成777啊?

    • 这个主要是权限问题,本文统一使用 hadoop 用户(教程中一些设置权限的地方好统一)。不过若只是学习用,对权限不敏感,要用sudo命令才有效并不算是个问题,只要你不嫌麻烦。你可以放心尝试 sudo + 权限777

  25. 博主你好,在单机配置时,执行./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar grep ./input ./output ‘dfs[a-z.]+’后出现input path does not exist:file,网上看到的解决办法都是用在伪分布式的,请问博主怎么解决啊

    • input path does not exist,如果是单机模式,说明你 /usr/local/hadoop 下没有 input 这个文件夹。

  26. 在伪分布模式下,开启hadoop,yarn,historyserver之后,再去重新做grep 的例子,会提示一直无法连接到ResourceManager /0.0.0.0:8032。
    楼主有没有 碰到过这个问题 ?

  27. 补充下遇到的问题和解决办法,启动hadoop时提示"localhost: ssh: connect to host localhost port 22: Connection refused",本机没有启动sshd服务,安装并启动即可

  28. 谢谢楼主分享,
    伪分布式的当前目录下有/tmp,错误也是JAVE_HOME not set and could not found
    sudo rm -r tmp 就可以了,请问为什么这样报error

    第一次error exit 1,JAVE_HOME not set and could not found, 检查了每个PATH确定没有错,
    重新安装后再跑一次又error
    突然想起tmp目录要删除,删除之后,果然可以了。

  29. $ echo $JAVA_HOME
    /usr/lib/jvm/java-7-openjdk-amd64
    $ sbin/start-dfs.sh
    Starting namenodes on [localhost]
    localhost: Error: JAVA_HOME is not set and could not be found.
    localhost: Error: JAVA_HOME is not set and could not be found.

    这是什么鬼

  30. 你好,我按照你的教程在CentOS6.x上搭建了伪分布和虚拟机全分布,但都有同一个问题,能启动集群,当运行Hadoop例子如grep和Wordcount时,只能在把文件名改为mapred-site.xml.template,没有启动yarn的情况下运行。如果启动了yarn,就不能运行,出现RMproxy:connecting to resourcemanager at Master/….
    WARN hdfs.DFSClient:slow waitforackedseqno took 32608ms
    MapReduce.jobsubmitter:submitting tokens for job
    还有什么no job jar 之类的 求解 是怎么回事 谢谢谢谢
    ..

  31. vmware ubuntu14.04 64位 hadoop2.6stable
    按教程单机部分一步步来

    echo $JAVA_HOME
    java -version
    $JAVA_HOME/bin/java -version 都没问题

    但样例跑不了 jps始终没有secondarynamenode 死活启动不出来 locolhost只有8088能访问
    快救救我

  32. 提示这个之后一直重新连接,一直连接不上

  33. 伪分布式的一台Ubuntu按这教程配置好了。我现在装了两台虚拟机,打算这两台机器怎么设置

    • 1. 若要去掉那个 Warn,需要自行编译 Hadoop 源码。
      2. 开启 YARN 跟 history server 应该就有记录了。

      • 学长好,我已经开启了,而且也有NodeManager 和 ResourceManager但是就是没有记录。

      • 学长好,我看了记录的那两个文件夹都有,但是我运行完里面还是没有记录,文件夹都是空的。

  34. 教程好像忘记写要在hadoop-env.sh 里配置 JAVA_HOME了,原来的配置文件是 export JAVA_HOME=${JAVA_HOME},我测试的时候,这样总是提示没有设置JAVA_HOME,改成export JAVA_HOME=/usr/lib/jvm/java 就可以正常启动了。给你点赞

    • 能否执行下 echo $JAVA_HOME 然后给我看下结果?一般情况下,JAVA_HOME 设置对了是不会出现这种情况的。我也想了解下有没有特殊情况,例如 JAVA_HOME 设置好了然就是会出错,若这样,那我是得在教程里补充下。

      • echo 没问题,但是如果没有在hadoop-env.sh设置具体值,一直提示Java_home错误,但是设置具体值之后,错误消失。

    • 就是这个!!感谢!另wordcount我跑不了弄了半天居然是文件夹权限问题 明明已经是超级用户了为什么啊
      sudo chmod -R 777 hadoop 解决问题 终于能用了!!

  35. 你好!你的教程非常有用!但是当我试着在YARN运行的时候,执行hadoop-examples里的grep的时候,我收到了以下错误:
    16/05/04 23:05:31 INFO mapreduce.Job: Counters: 0
    16/05/04 23:05:31 INFO client.RMProxy: Connecting to ResourceManager at /0.0.0.0:8032
    16/05/04 23:05:31 INFO mapreduce.JobSubmitter: Cleaning up the staging area /tmp/hadoop-yarn/staging/Arthur/.staging/job_1462366814658_0005
    org.apache.hadoop.mapreduce.lib.input.InvalidInputException: Input path does not exist: hdfs://localhost:9000/user/Arthur/grep-temp-256611633
    但是HDFS上是有input文件夹的。基本情况就是在普通模式下可以正常执行的job,放到YARN之下就执行不了了。请问怎么解决?

  36. 您好,请问一下,我按照您的文章来配置了伪分布环境,在50070端口可以正常查看,使用jps也可以看到yarn已经启动了,也启动了historyserver服务,但是当我运行使用hadoop命令运行自带的wordcount。jar时,可以在50070查看结果,8088端口可以正常打开,但是却没有显示job的信息呢?

  37. hadoop@ubuntu:/usr/local/hadoop$ cat ./output/*
    1 dfsadmin
    1 dfs.replication
    1 dfs.namenode.name.dir
    1 dfs.datanode.data.dir
    星哥我单机运行例子,结果怎么比你的多了几个文件?
    另外,我的gedit打不开怎么办,也是路径的问题么

    • 因为你有改过配置文件,所以结果不同,这个是没问题的。
      gedit打不开也可能是因为你用的不是桌面版系统,gedit是可视化文本编辑器,非桌面版系统无法使用。

      • 那我该怎么办呢星哥,我用vim编辑的话,source的时候提示错误。那我只能下载安装包了么?

        • source提示错误跟用 vim/gedit 没有关系,是你修改环境变量时哪里写错了的原因。

  38. 超级给力的教程!!!无敌清晰详细。简直棒呆。
    就是每次运行hadoop任何命令,都出现下面一串。
    Java HotSpot(TM) Server VM warning: You have loaded library /usr/local/hadoop/lib/native/libhadoop.so.1.0.0 which might have disabled stack guard. The VM will try to fix the stack guard now.
    It’s highly recommended that you fix the library with ‘execstack -c ‘, or link it with ‘-z noexecstack’.
    16/04/17 14:33:52 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable
    。。。除了看着乱 目前没发现什么不对路的地方。。不知道有没小伙伴一样。
    vmware虚拟机ubuntu 14.04 64位

    • 这个 warning 不影响正常运行。如果想消除这个 warning,需要下载 Hadoop 的源码进行编译。