Hadoop2.7.5 +Spark2.3.0+Anaconda2-5.1.0分布式集群搭建

这几天因为学习需要搭建了一个由3个节点组成的hadoop和spark分布式集群，做记录如下（已生成目录，可按需查看）。

集群搭建环境及安装软件版本

• centos6
• jdk1.8.0_161
• hadoop2.7.5
• Spark2.3.0
• Scala-2.11.8
• Anaconda2-5.1.0
• IDEA-2018.1
  

搭建分布式集群的几个主要步骤：

1. 下载好搭建分布式集群的软件
2. 修改集群各个虚机名称
3. 网络配置：修改集群各个虚机hosts文件
4. 配置SSH：使得节点间可以互相免密登录
5. 安装jdk：在集群的各个虚机上安装jdk并配置相应jdk环境变量
6. 安装hadoop：先在主节点上安装hadoop，修改完配置文件后再将主节点的hadoop文件映射至从节点并配置好各节点相应环境变量
7. 安装spark：先在主节点上安装spark，修改完配置文件conf后再将主节点的spark文件映射至从节点并配置好各节点相应环境变量
8. 安装scala：在集群的各个虚机上安装scala并配置相应scala环境变量
9. 安装Anaconda2：在集群的各个虚机上安装Anaconda2并配置相应Anaconda2环境变量
10. 安装IDEA-2018.1.1.tar.gz：在主节点上安装IDEA

• 因为是初次安装，所以采取了在各个节点安装jdk、hadoop、spark、scala、Anaconda2和配置相应环境变量的较繁琐安装方式，但实际上步骤5-9完全可以只在主机上进行然后再将安装好的jdk、hadoop、spark、scala、Anaconda2打包映射到各个从节点，并用主节点的环境变量文件profile.txt替换其他节点的方式安装。

一、修改集群各个虚机的名称

      因为拿到手的虚机虚机名不符合自己的开发需求需要更改，加之虚拟机名会影响分布式集群环境变量的配置，所以把修改集群虚机名放在搭建分布式平台的第一步。期望修改后的虚机名为：主节点：Master,从节点1：slave1, 从节点2：slave2。修改的步骤如下（以主节点为例）:

1. 打开在虚机根路径下的/etc/sysconfig的network 文件，打开方式可为在指令行输入 

   vim  /etc/sysconfig/network

   文件打开后将第二行文件修改为HOSTNAME=Master,修后侯如下所示：
2. 其他节点的虚机名按照步骤1修改。
3. 将个节点的虚机的network文件修改后，用指令重启集群，重启指令为 shutdown -r now ，重启后新的虚机名开始起效。（这一步的重启也可以等到第二步的网络配置完成后）
   注：如果你的虚机集群是远程登录的也可以直接用指令重启，不需要集群物理机管理者授权，重启后过一段时间便可以重新连接到集群。
4. 重启虚机后登陆centos系统，打开终端进入shell命令提示符状态，显示如下内容表示修改成功：

   [[e-mail] ~]#

   注：我的集群centos版本和配置相互一致，且都是以root账户登录。

二、网络配置

        修改集群中个节点的hosts文件，使得节点间可以相互ping通，为配置SSH做准备。修改步骤和内容如下：

1.  打开Master节点的hosts文件，指令如下：

   [[e-mail] ~]# vim /etc/hosts

2. 在Master节点的hosts文件中增加slave1、slave2的IP和主机映射关系，修改后如下所示：
   
   
3. 参照Master节将slave1、slave2的hosts文件修改成Master节点的hosts文件一样。
4. 重启虚拟机群
5. 在Master节点测试是否能ping 通slave1、slave2，测试指令如下：
   

   ping slave1 -c 3
   ping slave2 -c 3

   ping通slave1后如下示：
   
   ping通slave2后如下示：
   
   
   
6. 其他节点的ping测试参考Master节点
   
   

三、配置SSH

3.1 SSH简介：        

       SSH是Secure Shell的简称，是建立在应用层和传输层基础上的安全协议。SSH是目前比较比较可靠、专为远程登录会话和其他网络服务提供安全性的协议。SSH由服务端程序和客户端程序组成，服务端是一个守护进程它在后台运行并响应来自客户端的连接请求，而客户端则包括ssh程序及像scp（远程复制）、slogin（远程登录）、sftp（安全文件传输）等其他的应用程序。

3.2 配置SSH的目的：

        使得集群间可以实现免密登录，从而使得集群中的Hadoop名称节点（Namenode）可以启动集群中所有机器的Hadoop守护进程。

3.3 SSH的免密配置：

1. centos默认安装了SSH的服务端，在进行SSH的免密配置之前先需要在集群的各个虚机上先安装好SSH的客户端。SSH客户端的安装指令为：    

   #  yum install openssh-server

2. 生成私钥和公钥：在三个节点中使用如下命令生成私钥和公钥
   

   #  ssh-****** -t ras #执行该命令后，遇到提示信息，一直按Enter键就可以

   执行后输出如下图示：
   
   命令执行完毕后，可以在~/.ssh路径下看到两个文件：id-rsa和id_rsa.pub，其中，以.pub结尾的是公钥。把公钥命名为authorized_keys_master.pub，使用的命令如下：
   

   # cd ~/.ssh

   # mv id_rsa.pub    authorized_keys_master.pub

   同样地将他其他两个节点的公钥名命名为authorized_keys_slave1.pub、authorized_keys_slave2.pub。
   
3. 合并公钥信息：把两个节点（slave1和slave2）的公钥使用scp指令映射Master节点的~/.ssh目录。

   
   # scp  authorized_keys_slave1.pub    [e-mail]:~./ssh #在节点slave1上执行 

   # scp  authorized_keys_slave2.pub    [e-mail]:~/.ssh #在节点slave2上执行

   使用cat指令把3个节点的公钥信息保存到authorized_keys文件，指令如下：
   

   $ cat  authorized_keys_master.pub >>authorized_keys

   $ cat  authorized_keys_slave1.pub >>authorized_keys

   $ cat  authorized_keys_slave2.pub >>authorized_keys

   合并完成后，查看文件的内容下所示：

       完成合并后再使用scp命令把authorized_keys  密码文件发送到slave1和slave2节点，命令如下：

# scp  authorized_keys   [e-mail]:~./ssh

# scp  authorized_keys   [e-mail]:~/.ssh

        传输完毕后，需要在3台节点使用如下设置authorized_keys  的读写权限：

# cd ~/.ssh

# chmod 400 authorized_keys 

4. 验证免密登录：在各节点中使用ssh命名，验证他们之间是否可以免密登录：

$ssh Master

$ssh slave1

$ssh slave2

配置成功免密登录效果如下：

四、安装jdk

        hadoop和scala都是基于jvm虚拟机运行，因此我们需要给各个节点的虚机安装上jdk并为其配置好相应环境变量，此处以主节点安装为例，其他节点与主节点安装及配置方式一致。

• 在/opt路径下新建一个文件夹app并将集群软件（包括hadoop、spark等）全部在/opt/app路径下，指令如下：
  

  # mkdir /opt/app

• 将jdk解压到app路径
  

  # cd /opt/app

  tar -zxvf ./jdk-8u161-linux-x64.tar.gz 

• 打开profile文件，添加jdk环境变量
  

  # vim  /etc/profile

  在文件中添加环境变量如下：
  

  export JAVA_HOME=/opt/app/jdk1.8.0_161

  export PATH=$JAVA_HOME/bin:$PATH

• 用指令使得jdk的环境变量生效

  # suorce  /etc/proflle

五、安装hadoop

• 在主节点中的/opt/app路径下将hadoop安装包解压，并将解压后的文件夹重命名为hadoop

  # cd /opt/app
  # tar -zxvf ./hadoop-2.7.5.tar.gz
  # mv hadoop2.7.5 hadoop

• 修改hadoop路径下的/etc/hadoop下的core-site.xml、hdfs-site.xml、mapreduce-site.xml、yarn-site.xml、slaves五个文件      
  
  1）修改core-site.xml
  

<configuration>
<property> 
  <name>fs.defaultFS</name>  
  <value>hdfs://Master:9000</value> 
</property>  
<property> 
  <name>hadoop.tmp.dir</name>  
  <value>/opt/app/hadoop/tmp</value>  #临时文件路径
</property>
<property>
    <name>hadoop.proxyuser.root.hosts</name>
    <value>*</value>
</property>
<property>
    <name>hadoop.proxyuser.root.groups</name>
    <value>*</value>
</property>
</configuration>

    2）修改hdfs-site.xml
    

<configuration>
<property> 
  <name>dfs.replication</name>  
  <value>2</value>  #备份数为2
</property>  
<property> 
  <name>dfs.namenode.name.dir</name>  
  <value>file:///opt/app/hadoop/tmp/dfs/namenode</value> #名称节点路径
</property>  
<property> 
  <name>dfs.datanode.data.dir</name>  
  <value>file://opt/app/hadoop/tmp/dfs/datanode</value> #数字节点路径
</property>  
<property> 
  <name>dfs.http.address</name>  
  <value>Master:50070</value>  #设为主节点主机名：Master
</property> 
</configuration>

    3）修改mapreduce-site.xml

<configuration>
<property> 
  <name>mapreduce.framework.name</name>  
  <value>yarn</value> 
</property> 
<property> 
  <name>mapreduce.jobhistory.address</name>  
  <value>Master:10020</value> 
</property>  
<property> 
  <name>mapreduce.jobhistory.webapp.address</name>  
  <value>Master:19888</value> 
</property> 
</configuration>

    4）yarn-site.xml

<configuration>

<!-- Site specific YARN configuration properties -->
<property> 
  <name>yarn.resourcemanager.hostname</name>  
  <value>Master</value> 
</property>  
<property> 
   <name>yarn.log-aggregation-enable</name>  
   <value>true</value> 
</property>  
<property> 
   <name>yarn.log-aggregation.retain-seconds</name>  
   <value>86400</value> 
</property>  
<property> 
   <name>yarn.nodemanager.resource.memory-mb</name>  
   <value>6144</value> 
</property>  
<property> 
   <name>yarn.nodemanager.local-dirs</name>  
   <value>/opt/app/hadoop/tmp/localdir</value> 
</property>  
<property> 
   <name>yarn.nodemanager.log-dirs</name>  
   <value>/opt/app/hadoop/tmp/logdir</value> 
</property>  
<property> 
   <name>yarn.nodemanager.aux-services</name>  
   <value>mapreduce_shuffle</value> 
</property>  
<property>
   <name>yarn.nodemanager.vmem-pmem-ratio</name>
   <value>10</value>
</property>
<property>
   <name>yarn.log.server.url</name>
   <value>http://Master:19888/jobhistory/logs</value>
</property>
</configuration>

    5）修改slaves

Master
slave1
slave2

• 配置环境变量
  

  export HADOOP_HOME=/opt/app/hadoop

  export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH

• 用指令使得环境变量生效
  

  # source /etc/profile

• 将主节点上的/opt/app/hadoop文件夹映射到各个节点上。

  # cd /opt/app

  # tar -zcf  ./hadoop.master.tar.gz ./hadoop  将/opt/app/hadoop 文件夹压缩并命名为hadoop.master.tar.gz

  # scp ./hadoop.master.tar.gz  slave1:/opt/app

  # scp ./hadoop.master.tar.gz  slave2:/opt/app

• 在各个节点上的/opt/app路径的hadoop.master.tar.gz 解压所在路径（以slave1为例）
  

  # cd  /opt/app

  # tar -zxvf  ./hadoop/master.tar.gz 

  # chown -R root /opt/app/hadoop #给解压后的hadoop文件夹以可读写权限

  各节点的环境变量配置参照主节点
• hadoop成功安装测试
  在各节点上输入下面的指令若出现hadoop版本信息则安装hadoop成功
  

  # hadoop version

  
  
  
• 启动hadoop集群
  在主节点上执行下列指令
  

  # hdfs dfs namenode -format #首次启动需要格式化主节点上的名称节点

  # start-dfs.sh

  # start-yarn.sh

  成功启动时下示：
  Master节点：
  
  slave1节点:
  
  slave2节点：
  
  
• hadoop集群安装后启动遇到的异常
  
   异常1：启动hadoop集群失败，如下图示
  
  
         异常原因：主节点的hosts文件里的从节点2 IP地址输入错误
  

        

        因为当时显示是slave2节点异常，结果一直在slave2节点上查找错误，找了许久没有找到，近乎绝望之际才发现是主节点上的hosts文件配置错误。在这里谨记，集群配置牵一发而动全身，出现错误时记得把各个节点的上的可能相关异常源都审查一遍。

      异常2：访问hdfs失败，异常如下所示
        

        异常原因：未关闭集群防火墙（不知为何看师兄的集群未关闭集群也能正常访问hdfs，这里表示困惑）

        

        解决方案：修改/集群etc/selinux/config文件如下

        

        重启集群后，在各节点指令终端输入如下指令，如果显示"iptables: Firewall is not running"则表示关闭防火墙成功      

service iptables status

六、安装scala

    scala是spark的底层语言，用scala开发spark应用是最为高效的。虽然spark自带scala，但是却不便于我们在IDA工具上进行开发应用，所以这里为spark集群需要安装好scala。

• 将scala解压到app路径
  
  

• # cd /opt/app

  # tar -zxvf ./scala-2.11.8.tgz

• 打开profile文件，添加scala环境变量
  

  # vim  /etc/profile

• 在文件中添加环境变量如下：

• export SCALA_HOME=/opt/app/scala-2.11.8

  export PATH=$SCALA_HOME/bin:$PATH

• 用指令使得scala的环境变量生效

  # suorce  /etc/proflle

• 其他节点scala安装参照主节点

七、安装Spark

• 在主节点中的/opt/app路径下将spark安装包解压，并将解压文件夹重命名为spark，解压及重命名指令如下

# cd /opt/app
# tar -zxvf ./spark-2.3.0-bin-hadoop2.7.tgz
# mv  spark-2.3.0-bin-hadoop2.7.tgz    spark

• 修改解压后spark/conf路径下的slaves、spark-env.sh及spark-deflauts.conf文件
• 配置conf/slaves
  该配置文件用于设置集群中运行Worker节点信息，需要注意的是Master节点不仅运行master进程，也运行worker进程。slaves文件配置如下：
  
  

  Master #主节点名
  slave1 #从节点1名
  slave2 #从节点2名

• 配置conf/spark-env.sh
  该配置文件用于设置spark运行环境，默认的spark/conf目录中没有spark-env.sh文件，需要通过复制或者修改spark-env.sh.template进行创建。使用的命令如下：
  
  

  # cd /app/opt/spark/conf
  # cp spark-env.sh.template  spark-env.sh
  # vim spark-env.sh

  然后在打开的spark-env.sh文件中加入如下内容，设置Master为主节点，
  
  

  export JAVA_HOME=/opt/app/jdk1.8.0_161
  export SCALA_HOME=/opt/app/scala-2.11.8
  export SPARK_MASTER_IP=Master
  export HADOOP_CONF_DIR=/opt/app/hadoop/etc/hadoop

• 配置conf/spark-deflauts.conf文件
  
  

  spark.yarn.historyServer.address=Master:18080 
  spark.history.ui.port=18080 #HistoryServer的web端口
  spark.eventLog.enabled=true #是否记录Spark事件，用于应用程序在完成后重构webUI
  spark.eventLog.dir=hdfs://Master:9000/tmp/spark/events #保存日志相关信息的路径，可以是hdfs://开头的HDFS路径，
                                                                                                        #也可以是file://开头的本地路径，都需要提前创建
  spark.history.fs.logDirectory=hdfs://Master:9000/tmp/spark/event

• 配置/etv/profile
  打开环境变量配置文件
  

  # vim /etv/profile

  加入spark环境变量配置如下
  

  export SPARK_HOME=/opt/app/spark
  export PATH=$SPARK_HOME/bin:SPARK_HOME/sbin:PATH

• 执行环境变量生效指令
  

  # source /etc/profile

• 分发Spark目录至分节点上
  

  # cd /opt/app
  # scp  ./spark  [e-mail]:/opt/app/spark
  # scp  ./spark   [e-mail]:/opt/app/spark

        注：分节点的环境变量配置参考主节点

• 启动Spark
  在主节点输入如下指令：
  

  # start-master.sh
  # start-slaves.sh

  启动成功后jps后可看到
  Master节点：
  
  slave1节点：
  
  slave1节点：
  
• 使用spark-shell运行一个spark程序实例
  首先启动spark-shell，在任意路径输入如下指令
  

  # spark-shell

  在spark-shell上运行一个简单的wordcount程序
  
  

  scals-> val rdd=sc.textFile("file:///opt/app/spark/README.md")
  scala-> val wordcount = rdd.flatMap(_.split("\\s+")).map(x=>(x,1)).reduceByKey(_+_)
  scala-> val wordsort = wordcount.map{x=>(x._2,x._1)}.sortByKey(false).map(x=>(x._2,x._1))
  scala-> wordsort.take(10)

  结果如下：
  
  启动异常
  
  启动spark-shell出现"ERROR SparkContext :Error initializing SparkContext."
  报出:"java.io.FileNotFoundExceptio:File does not exist :hdfs:Master:9000/tmp/spark/events"异常说明没有在hdfs上创建tmp/spark/events路径，创建后重新启动spark-shell再运行上面程序时则可正常运行。
  异常警示如下：

八、安装Anaconda

    在每个节点进行下列操作

• 执行安装指令，指令如下：
  

  cd /opt/app
  bash ./Anaconda2-5.1.0-Linux-x86-64.sh

  安装时，第一个询问回复yes，第二个询问为Anaconda路径，这里我们不选择默认路径改为[root/anaconda2]>>/opt/app/anaconda,第三个询问为是否将Anaconda路径配置在本地环境变量./root/.bashrc，由于我们是把环境变量统一配置在/etc/profile中，所有也选择no 
  具体安装流程如下：
      
  
• 配置环境变量
  
  打开环境变量文件
  

  vim /etc/profile

  添加如下语句
  

  export ANACONDA2_HOME=/opt/app/anaconda2
  export PATH=$ANACONDA2_HOME/bin:$PATH
  

       执行环境变量生效指令

source /etc/profile

九、安装IDEA

• 代码调试基本在主节点进行，故只需在主节点安装IDEA即可，安装指令如下
  

cd /opt/app
basd ./IDEA-2018.1.1.tar.gz

• 配置环境变量
  打开环境变量文件
  

  # vim /etc/profile

  在环境变量文件中加入如下语句：

  export IDEA_HOME=/opt/app/IDEA
  export PATH=$IDEA_HOME/bin:$PATH

• 打开idea指令
  任意环境输入：
  

  # idea.sh

  
  

至此，一个可应用于实际开发的hadoop,spark分布式平台搭建成功。