EC2平台上Hadoop集群搭建

    网上中文资料几乎没有关于EC2平台的Hadoop的集群搭建，又碍于英语水平，同时加上关键点说明的也比较分散，所以在这上面花费了不少的时间。现在弄好了，整理下整个配置过程，也当重新巩固下。

一、新建Instance
    在EC2控制台上新建三个instance，具体的可以参照EC2instance的建立。可以分别取名master，slave1和slave2，其中master将作为namenode和jobtracker，slave1和slave2将作为datanode和tasktracker。（这里使用的是free tire elible的ubuntu 12.10服务器）。

 
    选中一个服务器，在页面下半部会出现instantce的外部dns地址，用来远程访问，比如我这里master的地址为：ec2-54-251-208-185.ap-southeast-1.compute.amazonaws.com。

二、SSH的配置
    aws instance之间通信使用RSA加密，在建立instance时会自动下载一个.pem文件，这个就是RSA的私钥，而公钥在建立instance的时候就已经自动设置好了。
    运行cmd，输入ssh 命令连接master，需要用-i参数指明本地私钥的位置，替换红色部分
    ssh -i your/path/to/your.pem [e-mail] , ubuntu是aws中所有ubuntu instance的默认用户名。例如：    

 
    登陆成功后进入~/.ssh目录,
    cd ~/.ssh
    新建一个id_rsa文件,
    这里用的是winscp（没有的可以上网搜索下载）。如下图： 

 
    登录后，找到/home/ubuntu/.ssh，进入后，在里面新建 id_rsa。然后用记事本之类的工具打开本地的私钥文件，全部复制到id_rsa中，保存关闭。
    将文件权限降低至600。
     chmod 600 id_rsa
    然后设置ssh代理,
     ssh-agent bash
     ssh-add
    若出现Identity added: /home/ubuntu/.ssh/id_rsa (/home/ubuntu/.ssh/id_rsa)则表示设置成功，此时可以试着在master上ssh其他slave看是否成功。
   以上是关键的步骤之一，因为hadoop工作时需要master和slave之间的交互，而在EC2平台上任意instance之间交互都是需要进行RSA验证的。至此，master与slave之间通信可自动完成验证过程。

三、下载hadoop和java运行环境
    这里使用hadoop1.0.4和jdk7
    sudo apt-get update
    sudo apt-get install openjdk-7-jdk
    wget http://www.fayea.com/apache-mirror/hadoop/common/hadoop-1.0.4/hadoop-1.0.4.tar.gz
    (需要说明的是，上面的下载地址不能保证你也能够下载，所以去hadoop官方网站找：hadoop下载地址)。
    解压hadoop
    tar xzf hadoop-1.0.4.tar.gz
    这一步之后很多教程建议将解压之后的文件夹放到/usr/local/目录下，可是如若如此会遇到很多关于用户权限的麻烦，因此这里就将其放在原位(/home/ubuntu/)。
    对所有的slave进行相同操作。

四、配置相关参数。
   此步参阅了熊天翼的博客 
     先将hadoop-1.0.4重命名下：
     sudo mv hadoop-1.0.4 hadoop
     回到master，进入hadoop/conf 目录，
      cd ~/hadoop/conf

     1.设置好三台机器上的/etc/hosts和/etc/hostname
     host这个文件用于定义主机名与IP地址之间的对应关系。图所示为我的配置：    

     原本在第一行和第五行之间是没有内容的，这些内容是加上去的。那么这里要说下如何弄得ip地址了，在/etc/hostname里面。在AWS建立的虚拟机，用的主机名即是ip地址。
    用vim /etc/hostname
    你将可以看到里面内容为:ip-10-130-186-142。这个就是这台虚拟机的ip地址了，记下后，将这个名字改为master或者slave1或者slave2，这样方便。
    使用vim，如果出现无法保存，如图：

    那么输入：w !sudo tee %
    之后强制退出即可。

     2.修改hadoop-env.sh中的JAVA_HOME参数
      vim hadoop-env.sh（当然也可以nano hadoop-env.sh，甚至也可以用之前提到的winscp工具）
     具体vim,nano如何使用，自己网上找操作方法
     将JAVA_HOME那一行去掉注释，后面修改为
      JAVA_HOME = /usr/
     如图：

      此路径(仅)适用于EC2 ubuntu instance

    3.修改core-site.xml
    该配置文件指明了HDFS文件系统的服务器以及服务器内路径位置，加入如下配置：
    nano core-env.xml

         这里的master就是在之前/etc/hosts里面定义的主机名与IP地址之间的对应关系。而第二个value中间的路径是hadoop存储数据的位置，这个可以根据个人有所不同，但此文件夹需要手动创建。

    4.修改hdfs-site.xml
    该配置文件指明了文件需要备份的份数。加入如下配置：
    nano hdfs-site.xml    

     
    5.修改mapred-site.xml
    该配置文件指明了jobtracker的地址，以及其他和MapReduce相关的配置。此处只设置jobtracker为master
    加入如下配置：
    nano mapred-site.xml

        
    6.masters和slaves两个文件中需要分别申明一下master和slave1，slave2外部dns地址
    可以看到里面只是写了master slave1 slave2。这些在之前/etc/hosts里面已经定义的主机名与IP地址之间的对应关系。

 
      

   7.用scp命令将master的配置推送到slave
    先回到master。确认自己是在/home/ubuntu/hadoop/conf目录下。输入如下命令（红色部分填写slave1,slave2的ip地址）：
    scp * your.slave1.ipadress:/home/ubuntu/hadoop/conf/
    scp * your.slave2.ipadress:/home/ubuntu/hadoop/conf/
    如果这一步失败，提示"public key denied"说明ssh代理设置不成功。
    至此，instance配置全部完成。

五、配置EC2 Security Group
    Security Group 起到了instance的分组和防火墙的作用。如下图所示，目前Security Group只开放了22（SSH）端口，Source 0.0.0.0/0 表示允许任意来源访问该端口。    

     还记得之前配置HDFS和JobTracker的时候用到了9000和9001端口吗？这些端口默认没有打开，但却是Hadoop运行所必须的。
    在左侧添加Hadoop所需的端口，并将source设置成instance所在的Security group，点击Apply Rule Changes ，完成后如下图所示。 

    至此，就结束配置了。

六、运行Hadoop
   1.进入hadoop目录下，格式化hdfs文件系统，初次运行hadoop时一定要有该操作。
     cd /home/ubuntu/hadoop
     bin/hadoop namenode -format
     2.启动bin/start-all.sh
     bin/start-all.sh
     3.检测hadoop是否启动成功
     jps

     如果有Namenode，SecondaryNameNode，TaskTracker，DataNode，JobTracker五个进程，就说明你的hadoop集群搭建好了！如下图：

 
    也可以用w3m查看下。
    输入：w3m http://master:50030或者w3m http://master:50070查看集群状态。如图：
   


 
七、小结
   集群配置只须记住conf/hadoop-env.sh、conf/core-site.xml、conf/hdfs-site.xml、conf/mapred-site.xml、conf/mapred-queues.xml这5个文件的作用即可。
    作为分布式系统，hadoop需要通过SSH的方式启动处于slave上的程序，因此必需安装和配置SHH。所以说安装hadoop前需要安装JDK和SSH。
    下面两种方法在实际应用中也可能会用到：
    1.重启坏掉的DataNode或JobTracker。
    当hadoop集群的某单个节点出现问题时，一般不必重启整个系统，只须重启这个节点，它会自动连入整个集群。
    在坏死的节点上输入如下命令即可：
    bin/hadoop-daemon.sh start DataNode
    bin/hadoop-daemon.sh start jobtracker

    2.动态加入DataNode或TaskTracker。这个命令允许用户动态将某个节点加入集群中。
    bin/hadoop-daemon.sh --config ./conf start DataNoda
    bin/hadoop-daemon.sh --config ./conf start tasktracker


问题

  如果用PuTTy连接到远程终端，无法用wget下载完整的压缩包。不知道为什么。。。