怎么安装hadoop（hadoop的安装与配置详细过程）
文章来源：加米谷大数据
架构图
hadoop各个组件的关系是这样的
namenode 总数就2个，不能多也不能少，一个是active状态，一个是standby状态，只有active状态的在工作，另一个只是备份，当active状态的挂了之后，standby的会切换为active状态。但是这个动作其实不是天生自动的，配合上zookeeper才能实现自动化切换。
journalNode 用于存储active状态的namenode所做的所有改变，并同步到standby的namenode，以保证在standby转换为active之后不会漏掉操作
namenode管理着datanode，namenode负责存储地址空间，datanode负责真正的存储数据
本次部署之后的架构图是这样的
- 为了降低部署的难度，我就虚拟了两台机子，其实真正部署的时候至少要有3台（保持奇数个）
- zookeeper是负责在active的namenode挂掉之后自动把standby状态的namenode切换成active的
这幅图则解释了zookeeper在整个hadoop集群中的作用
zookeeper是游离于hadoop集群之外的组件
hadoop利用 zkfc (zookeeperFC) 来跟 zookeeper进行协作，其实目的很简单，就是在一个namenode挂掉的时候，自动切换成另一个namenode为active状态
准备工作
用vmware开出两台虚拟机，安装上Centos6。 我弄了两个host，分别是 host1(192.168.199.126) 和host2(192.168.199.128)
开始前请按照上篇文章， hadoop 安装教程 (CentOS6 CDH分支 yum方式) 里面的方式添加yum源
安装
安装Zookeeper
注意：我这人比较懒，所以基本都是用root在安装，所以以下命令，如果你们无法执行，请再前面加一个 sudo 。或者想我一样直接用root玩
在两台机都执行
都安装 zookeeper-server
在host1上启动zookeeper
检查下是否在2181端口监听
用client端测试一下
配置zookeeper
改完记得重启zookeeper
注意：其实zookeeper的服务器最小的安装数量是3台机器，但是现在只有2台，只能凑合了。因为zookeeper是根据超过半数出问题来关停系统的，所以2台就无法正确的判断了，不过我们只是做例子所以没关系。
hadoop在启动的时候会自动去找zookeeper的2181端口，如果没有就启动不起来
安装Resource Manager
你需要在两台机子中挑选一台作为resource manager，在这里我挑选 host1(192.168.199.126) 安装
在 host1 上执行
安装Name Node
在两台机子上都安装name node
安装Date Node 等
官方文档说在除了Resource Manager 以外的所有机器上安装以下几个包，不过你要是非在有Resource Manager的机器上装这些也不会出错，只是生产环境肯定不能这么干了。既然我们只有两台机子而且都装datanode，那肯定是只能两台机都要安装了
官方文档说在其中一台机子上安装以下软件，随便挑一台，就挑host2把
在随便一台机器上安装client，选host1安装吧
配置
配置网络
hadoop官方强烈建议，大家不要用ip，而是用host的名字来进行配置，所以我们要先配置host文件
在host1上运行该命令设置机器名字
在host2 上
这样定义的名字只保持在下次重启之前
配置HDFS
1.
2.
3.
官方文档说在每一个datanode节点上的hdfs-site.xml里面都配置相同的文件夹来存储数据，比如我就建三个文件夹来存储datanode数据
所以最后hdfs-site.xml 是这样的
全都建立出来，并统一把用户改成 hdfs.hdfs
在host2 上
core-site.xml
hdfs-site.xml
把需要的文件夹也都建立出来，并分配权限
格式化namenode
在两台机子上都使用hdfs来格式化namenode
启动HDFS
在两台机器上都运行
建立/tmp文件夹
在host1 上运行
这样会在hdfs集群上建立 /tmp 文件夹。
注意：这里的 /tmp 并不是某一台机器上的 /tmp 文件夹，是hdfs这个分布式文件系统上的 tmp 文件夹，这是一个高于真实物理机器环境的一个文件环境，host1 和 host2 共同组成了它
可以用
来看下hdfs上根目录下有什么文件夹检查是否启动成功
启动完后可以用jps 命令 检查是否启动成功
host1 上
host2上
客户端测试
提示：但是此时你会发现host1 跟 host2 之间其实没有什么关联，通过控制台只能查到各自的datanode信息，接下来我们说下怎么样把两个host组成一个集群
设置HA
最早的时候一个hadoop集群只能有一个namenode如果这个namenode挂了，整个集群就挂了，后来hadoop结合zookeeper发展出新的部署模式，就是HA(High Availability)模式。在这种模式下
一个集群可以有多个namenode
只有一个namenode处于活跃状态，其他namenode处于备选状态
活跃状态的namenode跟备选状态的namenode之间有一定的时间差
采用journalNode来记录namenode的所有改动，在活跃namenode到备选namenode切换过程中保证不漏掉操作步骤
配置HA
先从修改core-site.xml 开始
接下来的配置是两台机器都一样的，所以我就只写一份
建立对应的文件夹并分配权限
参数解释：
fs.defaultFS 用一个统一的名字来标定集群的名字
hadoop.tmp.dir 是yarn使用的临时文件夹
ha.zookeeper.quorum 设定所有zookeeper server的地址，理论上一定要是奇数个，但是现在条件所迫就设置成2个吧
接下来是hdfs-site.xml
配置解释
dfs.replication 数据的复制份数
dfs.nameservices serviceid 接下来的配置参数中会用到，也就是一个集群的名字
dfs.ha.namenodes.mycluster 这个mycluster就是之前定义的serviceid，这边列出所属的namenode，也就是namenode的host名字
dfs.namenode.rpc-address.mycluster.host1 各个namenode的 rpc通讯地址
dfs.namenode.http-address.mycluster.host1 各个namenode的http状态页面地址
dfs.ha.automatic-failover.enabled 是否启用故障自动处理？就是故障的时候会自动启用备选的namenode，暂时设定为false
dfs.namenode.shared.edits.dir 定义了集群的日志节点，采用统一格式 "qjournal://host1:port1;host2:port2;host3:port3/journalId" ，日志节点是由active状态的namenode写入，由standby（备选）状态节点读出
dfs.ha.fencing.methods 处于故障状态的时候hadoop要防止脑裂问题，所以在standby机器切换到active后，hadoop还会试图通过内部网络的ssh连过去，并把namenode的相关进程给kill掉，一般是sshfence 就是ssh方式，后面的
dfs.ha.fencing.ssh.private-key-files 则配置了 ssh用的 key 的位置。
建立文件夹，并分配权限
删除之前建立的dn文件夹，重新建立新的dn文件夹
为
dfs.ha.fencing.ssh.private-key-files 建立sshkey
step1
在host1 上切换到root用户创建id_rsa文件
中间过程问的问题全部回车解决
Step2
把生成的 /root/.ssh/id_rsa.pub 拷贝到 host2 上，然后到host2上用root 权限执行
Step3
回到 host1 ，把 /root/.ssh/id_rsa 拷贝到 hdfs 的 .ssh 目录，并且修改用户为hdfs
Step4
在host1上用hdfs测试一下看能不能用root身份ssh连上host2
Step5
在host2上重复以上4步
修改mapred-site.xml
修改yarn-site.xml ，在
修改文件slave
把 core-site.xml , hdfs-site.xml, mapred-site.xml, yarn-site.xml, slaves 复制到host2上
重启两台机器上的hadoop， 顺序无所谓
注意：如果你启动有错，不要慌，去 /var/log/hadoop-hdfs 看下日志，看具体错在哪里再想解决方案
这个时候你可以访问 host1:50070 或者 host2:50070 会看到两个namenode都处在standby状态，是不能对外服务的
接下来我们来看下如何部署HA
部署HA
安装并启动JournalNodes
在两台机器上都执行
在两台机器上都启动服务
格式化
在两台机器上格式化namenode
在两台机器上停止namenode
在host1上初始化journalnode
启动namenode再启动第一个namenode就是你要作为主要的namenode的那个，这里我把host1作为主要的
在host1上执行
接下来启动备用namenode，这里我把host2作为备用的namenode
可能会问你是否要格式化，记得选Y
启动备用namenode
启动 datanode
请大家记住hadoop的基本启动顺序
1.最先启动的是所有机器上的 journalnode
2.再启动主机上的namenode
3.启动备选机上的namenode(还需要用 -bootstrapStandby 拉取镜像)
4.启动所有机器上的datanode
设置host1为active状态
现在我们来设置host1 为active状态
其实haadmin 有一个transitionToActive命令，但是最好不要用这个命令，因为主备切换的时候最大的问题就是 脑裂问题，说具体了就是，有可能一不小心把俩namenode都弄成active状态，并且还都同时工作，造成数据写入的不一致，后果不堪设想。所以用failover的好处就是会检查另外一个namenode，如果是active就会设置成standby，如果已经是standby就什么也不做，这样比较安全。
设置自动failover
部署还没有结束，我们之前用的是手动failover，其实是不够的，如果每次出问题都要手动解决，这个集群等于是不稳定的。所以要设置自动failover。自动failover用的是zookeeper 的 ZooKeeper FailoverController (ZKFC)
安装zkfc
两台机器都运行
先去把 hdfs-site.xml 里面的
dfs.ha.automatic-failover.enabled 弄成true，然后重启namenode
格式化zookeeper
在host1 上执行
这一步会在zookeeper根目录下建立 /hadoop-ha/mycluster 这个目录。
建立完后我们去验证一下用 zookeeper-client 连接上zookeeper
在两台机器上都启动 zkfc
官方说明了几点：
zkfc跟zookeeper关系密切，要是zookeeper挂了，zkfc也就失效了
最好监控着zkfc进程，防止zkfc退出了，造成无法自动切换
zkfc跟namenode的启动顺序是无所谓的
验证namenode状态
打开浏览器访问 host1:50070 会发现 这个 namenode 变成了active 状态，再看看 host2:50070 会发现是 standby 状态。并且datanode下有两个datanode节点出现
恭喜你！配置完成！