hadoop快速入门，初步感受分布式文件系统

很抱歉，本篇文章有误，今（20100225）天已经修正。（请注意官方中文文档已经落后了，请尽量看英文文档）

 

一、准备工作：
Hadoop分布式文件系统，架构和设计 ：http://hadoop.apache.org/common/docs/r0.20.2/cn/hdfs_design.html
Hadoop快速入门：http://hadoop.apache.org/common/docs/r0.20.2/cn/quickstart.html
SSH认证登录(可后看)：http://www.ibm.com/developerworks/cn/linux/security/openssh/part1/index.html

二、下面实际操作，初步感受分布式文件系统：

1、ssh安装（linux:openssh,windwos：要先安装Cygwin），略过

2、下载Hadoop的发行版，从Apache的某个镜像服务器上下载最近的 稳定发行版：

http://hadoop.apache.org/core/releases.html，解压所下载的Hadoop发行版。

$ wget http://labs.renren.com/apache-mirror/hadoop/core/hadoop-0.20.2/hadoop-0.20.2.tar.gz
$ tar -zxvf hadoop-0.20.2.tar.gz
$ cd hadoop-0.20.2

3、编辑 conf/hadoop-env.sh文件，至少需要将JAVA_HOME设置为Java安装根路径

4、稍微熟悉下使用文档

$ bin/hadoop //将会显示hadoop 脚本的使用文档。

现在你可以用以下三种支持的模式中的一种启动Hadoop集群：

    * 单机模式
    * 伪分布式模式
    * 完全分布式模式

5、单机模式的操作方法

 默认情况下，Hadoop被配置成以非分布式模式运行的一个独立Java进程。这对调试非常有帮助。

 下面的实例将已解压的 conf 目录拷贝作为输入，查找并显示匹配给定正则表达式的条目。输出写入到指定的output

目录。
 
 $ mkdir input
 $ cp conf/*.xml input

 我们看看下面的查找：

 $ egrep dfs[a-z.]+ input/*

 输出：
 input/hadoop-policy.xml:    dfsadmin and mradmin commands to refresh the security policy in-effect.

 运行hadoop命令：

 $ bin/hadoop jar hadoop-0.20.2-examples.jar grep input output 'dfs[a-z.]+'

 执行上面的命令，会有一些输出日志，随便看看，了解了解。

 $ cat output/*

 结果：
 1       dfsadmin

6、伪分布式模式的操作方法

Hadoop可以在单节点上以所谓的伪分布式模式运行，此时每一个Hadoop守护进程都作为一个独立的Java进程运行。

6.1、配置 (中文官方文档落后了，我上面的链接是中文文档，请自己转到英文文档看):

 

conf/core-site.xml

<configuration>
<property>
    <name>fs.default.name</name>
    <value>hdfs://localhost:9000</value>
  </property>
</configuration>

 conf/hdfs-site.xml

<configuration>
        <property>
                <name>dfs.name.dir</name>
                <value>/home/lighttpd/hadoopfs/name</value>
        </property>
        <property>
                <name>dfs.data.dir</name>
                <value>/home/lighttpd/hadoopfs/data</value>
        </property>
        <property>
                <name>dfs.replication</name>
                <value>1</value>
        </property>
</configuration>

 conf/mapred-site.xml

<configuration>
        <property>
                <name>mapred.job.tracker</name>
                <value>localhost:9001</value>
        </property>
</configuration>

 

6.2、免密码ssh设置（参考我的另外一篇文章：http://jiajun.iteye.com/blog/621309）

现在确认能否不输入口令就用ssh登录localhost:

$ ssh localhost

如果不输入口令就无法用ssh登陆localhost，执行下面的命令：

$ ssh-keygen -t dsa
$ cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

6.3、格式化一个新的分布式文件系统

$ bin/hadoop namenode -format

注意看看输出日志哦，有助于理解。

6.4、启动Hadoop守护进程：

$ bin/start-all.sh

如果你设置了ssh的RSA认证，就不用输入密码，不然就要输入三次密码登录

6.5、日志

Hadoop守护进程的日志写入到 ${HADOOP_LOG_DIR} 目录 (默认是 ${HADOOP_HOME}/logs).

6.6、浏览NameNode和JobTracker的网络接口，它们的地址默认为：

    * NameNode - http://localhost:50070/
    * JobTracker - http://localhost:50030/

浏览观察一下，会看懂甚至更好的理解一些东西。

6.7、将输入文件拷贝到分布式文件系统：

$ bin/hadoop fs -put conf input //把本地的文件夹conf拷贝到分布式文件系统input文件夹

$ bin/hadoop fs -ls input //浏览分布式文件系统中的input文件

上面的命令是hadoop的，你可以输入下面命令，获取帮助

$ bin/hadoop fs

6.8、运行发行版提供的示例程序：

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

查看输出文件：

$ bin/hadoop fs -get output output // 将输出文件从分布式文件系统拷贝到本地文件系统
$ cat output/*

或者，在分布式文件系统中查看：
$ bin/hadoop fs -cat output/*

6.9、你可以多试试bin/hadoop fs 下的java FsShell，和操作本地文件差不多，很快能熟悉。

6.10、最后，完成全部操作后，可以停止守护进程：

$ bin/stop-all.sh

bin下面有很多shell脚本这时可以适当看看名称，猜个大概意思。

下面我会继续给大家一个完全分布式模式的操作方法，敬请稍候。

评论

3 楼 iammonster 2010-03-24  

enhydra 写道

请教你们应用它的场景是怎样？

稍作回答：通信协作（分布式计算）、分布式存储（无限扩展廉价存储，解决存储、速度、容错等）、基于Hadoop的分布式并行编程，所谓的云计算可窥一斑。用在爬虫搜索引擎等威力不小。

2 楼 enhydra 2010-03-24  

请教你们应用它的场景是怎样？

1 楼 ccxw1983 2010-03-23