五、搭建Hadoop集群
上面的步骤，确认了单机能够运行Hadoop的伪分布运行，真正的分布式运行无非也就是多几台slave机器而已，配置方面的有一点点差别，配置起来就很easy了。
1、准备三台server
192.168.56.101 192.168.56.102 192.168.56.103 |
在每台机器的/etc/hosts中都将ip及hostname给映射上：
192.168.56.101 nginx1 192.168.56.102 nginx2 192.168.56.103 nginx3 |
当中192.168.56.101为前面配置的那台server，用于做为namenode及jobtracker，另外两台用于做slaves，用于运行datanode及tasktracker。
要使某台server成为namenode，必须在要core-site.xml中指定它；要使某个节点成为jobtracker，必须在mapred-site.xml指定它，这个參见第5点中的core-site.xml以及mapred-site.xml的配置。
对Hadoop来说，从hdfs的角度来看有namenode及datanode，namenode仅仅能够有一个，而datanode能够有多个，namenode存放的是datanode中文件的元数据，client通过namenode获取datanode中文件的信息；从jobtracker角度来说看有jobtracker及tasktracker，jobtracker仅仅能够有一个，而tasktracker能够有多外，tasktracker通过jobtracker来调度。
在本例中使用192.168.56.101做为namenode及jobtracker，使用192.168.56.102做为secondarynamenode、datanode以及tasktracker，使用192.168.56.103做为datanode以及tasktracker，详情參见以下的配置。
2、三台server要具有一致的配置信息
1）、JDK的路径必须同样；
2）、操作Hadoop的用户必须同样；
3）、Hadoop的存放路径必须同样；
Slave机器上的hadoop可直接将namenode上面的hadoop拷贝过去，不用做不论什么改动，仅仅要路径放置就能够了；
4）、每台机器~/.ssh文件夹下存放同样的id_rsa及authorized_keys
将namenode的机器上的~/.ssh/id_rsa及authorized_keys复制到每台slave机器上的~/.ssh中，当然slave机器中也必须是安装了ssh的了，然后在每台机器上都通过ssh訪问一下其他的两台机器，确保都是能够不输入password訪问的。
5）、三台机器的/etc/profile中的内容同样；
3、改动$HADOOP_HOME/conf/slaves文件
这个文件存放的是全部datanode的IP或者机器名，每行指定一个。我们这里使用nginx2及nginx3来做为datanode，因此slaves文件的配置例如以下：
nginx2 nginx3 |
4、改动$HADOOP_HOME/conf/masters文件（此例中可选）
masters文件里放置的是secondarynamenode的机器名，当中默认的内容为“localhost”，可是在生产环境中，肯定不会将namenode和secondarynamenode放置在同一台server上，在此例中我就将secondarynamename设置在第二台server上，那么此时文件里的内容应该例如以下：
#这里仅仅使用一台做为secondarynamenode nginx2 #nginx3 |
5、改动core-site.xml、mapred-site.xml及hdfs-site.xml
仅仅须要做简单的改动就能够了，不同点以红色字体标识出。
core-site.xml：
<configuration> <property> <!-- 用于设置Hadoop的文件系统，由URI指定，value相应的server就是namenode所在的server及port，secondarynamenode通过在masters这个文件里指定 --> <name>fs.default.name</name> <value>hdfs://nginx1:9000</value> </property> <property> <!-- 配置Hadoop的暂时文件夹，默认在/tmp文件夹下，可是/tmp上面可能会被系统自己主动清理掉。--> <name>hadoop.tmp.dir</name> <!-- 文件夹假设不存在，须要手动创建 --> <value>/home/fenglibin/hadoop_tmp</value> <description>A base for other temperary directory</description> </property> </configuration> |
mapred-site.xml：
<configuration> <property> <!-- value相应的值为jobtracker所在的server及port，tasktracker在slaves中指定 --> <name>mapred.job.tracker</name> <value>nginx1:9001</value> </property> </configuration> |
hdfs-site.xml：
<configuration> <property> <!-- 指定其副本数，value的值表示副本的数量 --> <name>dfs.replication</name> <!-- 这里有两台datanode --> <value>2</value> </property> </configuration> |
6、启动验证
6.1查看进程
DataNode都是通过NameNode启动起来的，因而启动的时候仅仅须要在NameNode上运行start-all.sh就能够了，此时我们查看各server中的进程。
Nginx1（NameNode）所在server：
fenglibin@ubuntu1110:/usr/local/hadoop-1.2.1$ jps 2834 NameNode 3011 JobTracker 3108 Jps |
Ngnix2：
fenglibin@ubuntu11102:~$ jps 984 DataNode 1075 TaskTracker 919 SecondaryNameNode 1420 Jps |
Ngnix3：
fenglibin@ubuntu11103:~$ jps 1374 Jps 1021 TaskTracker 846 DataNode |
从上面的进程信息，能够看到nginx1中启动了namenode及jobtracker,，nginx2和nginx3都分别启动了DataNode及TaskTracker，仅仅是nginx2中比nginx3中多启动了一个SecondaryNameNode，这也是我们希望的结果。
通过例如以下命令：
hadoop dfsadmin -report |
可得到例如以下输出：
Warning: $HADOOP_HOME is deprecated. Safe mode is ON Configured Capacity: 15283421184 (14.23 GB) Present Capacity: 10592149504 (9.86 GB) DFS Remaining: 10591629312 (9.86 GB) DFS Used: 520192 (508 KB) DFS Used%: 0% Under replicated blocks: 20 Blocks with corrupt replicas: 0 Missing blocks: 0 ------------------------------------------------- Datanodes available: 2 (2 total, 0 dead) Name: 192.168.56.102:50010 Decommission Status : Normal Configured Capacity: 7641710592 (7.12 GB) DFS Used: 307200 (300 KB) Non DFS Used: 2733502464 (2.55 GB) DFS Remaining: 4907900928(4.57 GB) DFS Used%: 0% DFS Remaining%: 64.23% Last contact: Sun Jun 15 15:46:39 CST 2014 Name: 192.168.56.103:50010 Decommission Status : Normal Configured Capacity: 7641710592 (7.12 GB) DFS Used: 212992 (208 KB) Non DFS Used: 1957769216 (1.82 GB) DFS Remaining: 5683728384(5.29 GB) DFS Used%: 0% DFS Remaining%: 74.38% Last contact: Sun Jun 15 15:46:39 CST 2014 |
6.2 集群状态监控页面
查看namenode的状态
namenode是布署在192.168.56.101上，仅仅须要输入：
就可以查看namenode的状态，例如以下图所看到的：
查看jobtracker的状态
因jobtracker和namenode是布署在同一台机器上的，输入：
就可以查看jobtracker的状态，例如以下图所看到的：
查看secondarynamenode的状态
Secondarynamenode是布署在192.168.56.102上面，输入：
就可以查看其状态，例如以下：
查看192.168.56.102上面的tasktracker的状态，打入：
查看状态，例如以下：
从上面能够看出，监控的服务，都是以“500*”port对外提供服务，只是这里发现一个问题，同为datanode以及tasktracker的192.168.56.103上面却没有开启一个“500*”这种port，而192.168.56.102上却开启除secondarynamenode之外的其他4个“500*”这种port：
192.168.56.102：
当中port50090是secondarynamenode的监控port，而50060是tasktracker的监控port，而50010、50075以及50020都是datanode使用的port。
而在192.168.56.103上，却仅仅开了两个port：
分别与namenode以及jobtracker相连着的。
为什么在192.168.56.103上面tasktracker以及datanode的监控呢？