Hadoop的shell脚本分析

Hadoop的shell脚本分析 

       这些天一直学习hadoop,学习中也遇到了许多的问题，主要是对hadoop的shell脚本和hadoop的源码概念不够清楚，所以我就对hadoop的bin目录下的shell脚本进行了研究，有一些成果想记录下来。

 

脚本分析：

 

bin=`dirname "$0"`
bin=`cd "$bin"; pwd`

if [ -e "$bin/../libexec/hadoop-config.sh" ]; then
  . "$bin"/../libexec/hadoop-config.sh
else
  . "$bin/hadoop-config.sh"
fi

# start dfs daemons
"$bin"/start-dfs.sh --config $HADOOP_CONF_DIR

# start mapred daemons
"$bin"/start-mapred.sh --config $HADOOP_CONF_DIR

 

 

分析： 
正如注释的一样，这个脚本是在master上运行的，即我们运行namenode和jobtracker的主机。它首先启动了hadoop-config.sh脚本，查看hadoop-config.sh，我们可以知道它的作用是对一些变量进行赋值，这些变量有HADOOP_HOME（hadoop的安装目录），HADOOP_CONF_DIR（hadoop的配置文件目录），HADOOP_SLAVES（--hosts指定的文件的地址），为了让大家更好地理解，下面贴出hadoop-config.sh的部分代码

 #check to see it is specified whether to use the slaves or the

# masters file
if [ $# -gt 1 ]
then
    if [ "--hosts" = "$1" ]
    then
        shift
        slavesfile=$1
        shift
        export HADOOP_SLAVES="${HADOOP_CONF_DIR}/$slavesfile"
    fi
fi

 

前面的注释意思是：判断是使用slaves文件，还是master文件，这里为什么要判断呢？那我们带着疑问接着分析下去吧。然后start-all.sh根据hadoop/conf目录下的配置信息启动了start-dfs.sh和start-mapred.sh两个脚本，下面我们去看看这两个脚本又做了些什么吧。

 

 

# Start hadoop dfs daemons.  
# Optinally upgrade or rollback dfs state.  
# Run this on master node.  
  
usage="Usage: start-dfs.sh [-upgrade|-rollback]"  
  
bin=`dirname "$0"`  
bin=`cd "$bin"; pwd`  
  
. "$bin"/hadoop-config.sh  
  
# get arguments  
if [ $# -ge 1 ]; then  
    nameStartOpt=$1  
    shift  
    case $nameStartOpt in  
      (-upgrade)  
        ;;  
      (-rollback)   
        dataStartOpt=$nameStartOpt  
        ;;  
      (*)  
          echo $usage  
          exit 1  
        ;;  
    esac  
fi  
  
# start dfs daemons  
# start namenode after datanodes, to minimize time namenode is up w/o data  
# note: datanodes will log connection errors until namenode starts  
"$bin"/hadoop-daemon.sh --config $HADOOP_CONF_DIR start namenode $nameStartOpt  
"$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR start datanode $dataStartOpt  
"$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR --hosts masters start secondarynamenode

 

 

分析： 
根据前面的注释信息，我们发现这个脚本用于启动集群的DFS，我们知道DFS由namenode,datanode,secondarynamenode组成，所以在脚本的最后它又启动了3个进程，分别根据配置文件启动了namenode,datanode,secondarynamenode。其实这个时候你应该已经知道start-mapred.sh干了什么事了。 

 

 

# Start hadoop map reduce daemons.  Run this on master node.

bin=`dirname "$0"`
bin=`cd "$bin"; pwd`

. "$bin"/hadoop-config.sh

# start mapred daemons
# start jobtracker first to minimize connection errors at startup
"$bin"/hadoop-daemon.sh --config $HADOOP_CONF_DIR start jobtracker
"$bin"/hadoop-daemons.sh --config $HADOOP_CONF_DIR start tasktracker

 

分析： 
正如你所想，它的作用用于启动mapreduce，所以它的最后同样根据配置文件启动了jobtracker和tasktracker，呵呵，现在发现其实脚本干的事没有想象的那么难了吧。如果你对shell代码看得仔细一点，你会发现hadoop-daemon.sh脚本用于启动namenode和jobtracker,而hadoop-daemons.sh脚本用于启动datanode,secondarynamenode和tasktracker。也就是说hadoop-daemon.sh用于启动master上的进程，而hadoop-daemons.sh用于启动slaves和secondarynamenode主机上的进程（这里考虑的是slaves,secondarynamenode和master配置在了不同主机上的情况）。如果我们分析一下它们俩的代码，你会发现其实它们是有联系的。 

 

 

# Run a Hadoop command on all slave hosts.  
  
usage="Usage: hadoop-daemons.sh [--config confdir] [--hosts hostlistfile] [start|stop] command args..."  
  
# if no args specified, show usage  
if [ $# -le 1 ]; then  
  echo $usage  
  exit 1  
fi  
  
bin=`dirname "$0"`  
bin=`cd "$bin"; pwd`  
  
. $bin/hadoop-config.sh  
  
exec "$bin/slaves.sh" --config $HADOOP_CONF_DIR cd "$HADOOP_HOME" \; "$bin/hadoop-daemon.sh" --config $HADOOP_CONF_DIR "$@"  

 

分析： 
看到程序倒数第二行开头的那个exec关键字了吗？它执行了slaves.sh和hadoop-daemon.sh两个脚本，并且把hadoop-daemons.sh命令的参数也传入了hadoop-daemon.sh。呵呵，现在你知道这两个脚本的关系了吧，其实hadoop-daemons.sh中调用了hadoop-daemon.sh，但在调用之前它先执行了slaves.sh脚本，现在你想看看slaves.sh干了啥吗？呵呵，我们也来分析一下吧。 

 

 

if [ "$HOSTLIST" = "" ]; then
  if [ "$HADOOP_SLAVES" = "" ]; then
    export HOSTLIST="${HADOOP_CONF_DIR}/slaves"
  else
    export HOSTLIST="${HADOOP_SLAVES}"
  fi
fi

for slave in `cat "$HOSTLIST"|sed  "s/#.*$//;/^$/d"`; do
 ssh $HADOOP_SSH_OPTS $slave $"${@// /\\ }" \
   2>&1 | sed "s/^/$slave: /" &
 if [ "$HADOOP_SLAVE_SLEEP" != "" ]; then
   sleep $HADOOP_SLAVE_SLEEP
 fi
done

 

分析： 
由于篇幅问题，以上只贴出了slaves.sh的关键代码，对于启动slaves来说，代码中的HOSTLIST变量是slaves配置文件的地址。再往后看，你会看到非常醒目的一个关键字：ssh,其实这个时候你应该明白了，slave.sh脚本的作用就是通过ssh远程登录到每个在slaves中配置的主机上。所以hadoop-daemons.sh的功能就是先远程登录slaves，在slaves上运行hadoop-daemon.sh脚本。如果你思考的再多一点，那又是怎么启动secondarynamenode的呢？难道也是先远程登录到slaves中配置的主机上吗？答案一定是否定的。而是先远程登录到master中配置的主机上，然后再启动hadoop-daemon.sh脚本，如果你仔细一点，可以看到start-dfs.sh脚本的最后一行命令是启动secondarynamenode,命令传入了“--hosts master”这就指定了按照master中配置的主机来启动secondarynamenode。Hadoop-config.sh负责对“--hosts master”进行解析。

下面你是不是对hadoop-daemon.sh脚本又产生了兴趣了呢？那我们一起来分析吧。

 

 

 

usage="Usage: hadoop-daemon.sh [--config <conf-dir>] [--hosts hostlistfile] (start|stop) <hadoop-command> <args...>"  
  
  
case $startStop in  
  
  (start)  
  
    mkdir -p "$HADOOP_PID_DIR"  
  
    if [ -f $pid ]; then  
      if kill -0 `cat $pid` > /dev/null 2>&1; then  
        echo $command running as process `cat $pid`.  Stop it first.  
        exit 1  
      fi  
    fi  
  
    if [ "$HADOOP_MASTER" != "" ]; then  
      echo rsync from $HADOOP_MASTER  
      rsync -a -e ssh --delete --exclude=.svn --exclude='logs/*' --exclude='contrib/hod/logs/*' $HADOOP_MASTER/ "$HADOOP_HOME"  
    fi  
  
    hadoop_rotate_log $log  
    echo starting $command, logging to $log  
    cd "$HADOOP_HOME"  
    nohup nice -n $HADOOP_NICENESS "$HADOOP_HOME"/bin/hadoop --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &  
    echo $! > $pid  
    sleep 1; head "$log"  
    ;;  
            
  (stop)  
  
    if [ -f $pid ]; then  
      if kill -0 `cat $pid` > /dev/null 2>&1; then  
        echo stopping $command  
        kill `cat $pid`  
      else  
        echo no $command to stop  
      fi  
    else  
      echo no $command to stop  
    fi  
    ;;  
  
  (*)  
    echo $usage  
    exit 1  
    ;;  
  
esac  

 分析： 

以上是hadoop-daemon.sh的关键代码，用于判断执行该脚本时是启动（start）一个进程，还是停止(stop)一个进程。执行该脚本的方式可以查看代码上方的usage变量值(注：[]括起来的表示可有可无，|表示或者，<>括起来表示参数)。这里的<command>参数可以是start或者stop。<command>后面的参数你知道可以是哪些吗？呵呵，其实可以是namenode,jobtracker,secondarynamenode,datanode,tasktracker,如果你在master上自己用hadoop-daemon.sh启动datanode和tasktracker就会有问题，因为hadoop-daemon.sh没有远程登录到slaves主机上哦。执行的结果会在master上启动一个datanode或tasktracker进程，而不是按照slaves配置文件在每个slave上启动datanode和tasktracker哦。

分析了以上这些脚本之后，我想还有一些脚本，比如说：start-balancer.sh,start-jobhistoryserver.sh就不需要分析了吧。不过看了这些脚本之后，我们发现脚本都是一个执行另一个脚本，到最后都是执行了hadoop-daemon.sh。以启动（start）为例，那hadoop-daemon.sh脚本又是怎么来启动那么多的进程的呢？我们又要回到hadoop-daemon.sh的代码了，之前我们看到hadoop-daemon.sh的一段关键代码是用于判断“启动”还是“停止”进程的，在shell中停止一个进程很方便，用kill命令就可以了，但是该脚本是怎么启动进程的呢？我们继续分析脚本中(start)后面的代码，如果你仔细一点，可以发现其实有这样一段代码：

 

"$HADOOP_HOME"/bin/hadoop --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &  

 

  分析： 
现在你明白我想要说明什么问题了吗，呵呵，其实hadoop-daemon.sh启动进程也是执行了其它的脚本，它就是hadoop/bin/hadoop。其实说到这里hadoop脚本的秘密就快浮出水面了。你还记得博客开头我们提出的问题吗？为什么有时在命令行执行hadoop命令时会出现java的错误信息呢，秘密就在这个hadoop/bin/hadoop脚本里。下面我们来看一下hadoop的核心脚本吧 

 

 

片段一：  
cygwin=false  
case "`uname`" in  
CYGWIN*) cygwin=true;;  
esac  
  
片段二：  
# for developers, add Hadoop classes to CLASSPATH  
if [ -d "$HADOOP_HOME/build/classes" ]; then  
  CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/classes  
fi  
if [ -d "$HADOOP_HOME/build/webapps" ]; then  
  CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build  
fi  
if [ -d "$HADOOP_HOME/build/test/classes" ]; then  
  CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/test/classes  
fi  
if [ -d "$HADOOP_HOME/build/tools" ]; then  
  CLASSPATH=${CLASSPATH}:$HADOOP_HOME/build/tools  
fi  
  
  
片段三：  
  
elif [ "$COMMAND" = "namenode" ] ; then  
  CLASS='org.apache.hadoop.hdfs.server.namenode.NameNode'  
  HADOOP_OPTS="$HADOOP_OPTS $HADOOP_NAMENODE_OPTS"  
elif [ "$COMMAND" = "secondarynamenode" ] ; then  
  CLASS='org.apache.hadoop.hdfs.server.namenode.SecondaryNameNode'  
  HADOOP_OPTS="$HADOOP_OPTS $HADOOP_SECONDARYNAMENODE_OPTS"  
elif [ "$COMMAND" = "datanode" ] ; then  
  CLASS='org.apache.hadoop.hdfs.server.datanode.DataNode'  
  
片段四：  
 exec "$JAVA" -Dproc_$COMMAND $JAVA_HEAP_MAX $HADOOP_OPTS -classpath "$CLASSPATH" $CLASS "$@"  

 

 

分析： 
由于篇幅原因，我只贴出了hadoop脚本具有代表价值的四段代码。下面我们一个个来分析吧

片段一：
我们知道在window操作系统上可以通过安装cygwin软件来模拟linux系统环境，这段代码就是用于判断我们的hadoop命令是运行在linux环境上，还是模拟的linux环境上，因为两种情况下文件的路径不相同，hadoop脚本为了区分这两种情况，做出了判断。

片段二：
这些操作是将一些目录的路径自动地加到环境变量（CLASSPATH）中。

片段三：
其实这个片段才是精华，它根据COMMAND的值给CLASS指定一个对应的java类，

片段四：
呵呵，根据CLASS的值，脚本执行了该java类哦，如果你看了hadoop的源码，你会发现，这些类里都有main方法。