基于Linux構(gòu)建Hadoop高性能服務(wù)器集群

汪瑜斌

（貴州財(cái)經(jīng)大學(xué)，貴州 貴陽550004）

0 引 言

眾所周知，目前大數(shù)據(jù)的風(fēng)浪已經(jīng)席卷整個(gè)計(jì)算機(jī)行業(yè)，像國(guó)外的Twitter和新浪微博的網(wǎng)絡(luò)社交平臺(tái)上，每天都有數(shù)以萬計(jì)的文字、圖片和視頻數(shù)據(jù)量產(chǎn)生。據(jù)不完全統(tǒng)計(jì)，淘寶網(wǎng)每日新增的交易數(shù)據(jù)達(dá)到10 TB；eBay分析平臺(tái)每日處理的數(shù)據(jù)量高達(dá)100 PB；Facebook的10億活躍用戶，每天生成的照片沖洗出來堆起來的高度相當(dāng)于80個(gè)埃菲爾鐵塔；YouTube網(wǎng)站每分鐘大約會(huì)有60 h的視頻數(shù)據(jù)［1］。面臨如此大的數(shù)據(jù)量，提高服務(wù)器的并行計(jì)算性能已成為業(yè)界不斷探索的重要課題。隨著大數(shù)據(jù)（Big Data）的流行，Hadoop的出現(xiàn)使得在處理上述海量數(shù)據(jù)成為可能，并能從中得出相應(yīng)的結(jié)論。Hadoop是Lucene創(chuàng)始人Doug Cutting，根據(jù)Google的相關(guān)內(nèi)容所研發(fā)出來的分布式文件系統(tǒng)和對(duì)海量數(shù)據(jù)進(jìn)行分析計(jì)算的基礎(chǔ)與框架系統(tǒng)（MapReduce）。

Hadoop是大家所熟知的一個(gè)處理大數(shù)據(jù)的實(shí)用框架，其核心就是：HDFS和 MapReduce［2］。HDFS是一個(gè)分布式存儲(chǔ)系統(tǒng)，可以為計(jì)算提供海量數(shù)據(jù)的存儲(chǔ)，由于其分布式，所以HDFS具有高容錯(cuò)性的特點(diǎn)；而MapReduce的功能是為海量的數(shù)據(jù)進(jìn)行相應(yīng)的計(jì)算。Hadoop一開始設(shè)計(jì)出來只是用來處理數(shù)據(jù)進(jìn)行信息檢索等一些單一的業(yè)務(wù)，但是隨著大數(shù)據(jù)的到來，Hadoop還存在響應(yīng)速度慢和單點(diǎn)故障等缺點(diǎn)，Hadoop高性能服務(wù)器集群的實(shí)現(xiàn)就是針對(duì)上述問題，并基于HDFS和MapReduce這兩個(gè)文件去配置，從而達(dá)到理想的效果。

1 搭建Hadoop集群

1.1 Hadoop系統(tǒng)框架

MapReduce編程框架最早是Google提出來，用于大規(guī)模數(shù)據(jù)集的并行計(jì)算。隨著MapReduce應(yīng)用的不斷發(fā)展和研究的不斷深入，Hadoop生態(tài)圈也隨之不斷地?cái)U(kuò)大，出現(xiàn)了 HBASE、Zookeeper、HIVE、Pig等相關(guān)組件。Hadoop是一個(gè)能夠?qū)Υ罅繑?shù)據(jù)進(jìn)行分布式處理的軟件框架，具有可靠、高效和可伸縮性的特點(diǎn)。其生態(tài)系統(tǒng)框架如圖1。

圖1 Hadoop生態(tài)系統(tǒng)框架

圖1 描述了Hadoop生態(tài)系統(tǒng)框架的各個(gè)層次的構(gòu)成。最底層的是核心組件HDFS和MapReduce，之上的是生態(tài)圈的必備組件，包括Hive（數(shù)據(jù)庫）組件、Pig（數(shù)據(jù)流處理）組件和Mahout（數(shù)據(jù)挖掘庫）組件，兩邊的組件在現(xiàn)實(shí)的生產(chǎn)過程中，服務(wù)器集群也是必須要有的。Zookeeper組件可以監(jiān)視服務(wù)器的工作情況，方便運(yùn)維人員維護(hù)服務(wù)器。Sqoop是Hadoop生態(tài)圈一個(gè)重要的組件，它的標(biāo)準(zhǔn)寫法是SQL to Hadoop，主要作用是在傳統(tǒng)數(shù)據(jù)庫和Hadoop之間進(jìn)行數(shù)據(jù)傳輸，數(shù)據(jù)庫中數(shù)據(jù)的導(dǎo)入和導(dǎo)出本質(zhì)上是依賴于MapReduce，充分利用了MR的并行化速度和高容錯(cuò)性。Flume是Hadoop生態(tài)圈中的另一個(gè)重要的組件，它的主要作用是進(jìn)行日志收集和匯總，具有分布式、高可靠、高容錯(cuò)和易于定制的特點(diǎn)，它將數(shù)據(jù)從產(chǎn)生、傳輸、處理并最終寫入目標(biāo)的路徑過程抽象為數(shù)據(jù)流，在具體的數(shù)據(jù)流中，數(shù)據(jù)源支持在Flume中定制數(shù)據(jù)發(fā)送方，從而支持收集各種不同協(xié)議數(shù)據(jù)［3］。最上層就是安裝、部署、配置和管理的工具，使其它應(yīng)用與原始Hadoop框架更好地協(xié)調(diào)在一起，共同在海量數(shù)據(jù)的處理上兼容，從而獲得更加滿意的效果。

1.2 Hadoop系統(tǒng)的搭建

對(duì)于Hadoop服務(wù)器集群的搭建［4］存在多種多樣的實(shí)現(xiàn)方式，本文采用3節(jié)點(diǎn)結(jié)構(gòu)，一個(gè)主節(jié)點(diǎn)（NameNode）和兩個(gè)從節(jié)點(diǎn)（DataNode）［5］，主節(jié)點(diǎn)又稱為作業(yè)節(jié)點(diǎn)（jobtracker），負(fù)責(zé)作業(yè)的接收和匯總，從節(jié)點(diǎn)又稱任務(wù)節(jié)點(diǎn)（tasktracker），負(fù)責(zé)任務(wù)的分配和執(zhí)行。在任務(wù)節(jié)點(diǎn)中，運(yùn)行第一階段的代碼稱為Map任務(wù)，運(yùn)行第二階段的代碼稱為Reduce任務(wù)［6］。

實(shí)驗(yàn)環(huán)境統(tǒng)一為Redhat6．2版本的Linux系統(tǒng)，還有 Hadoop－2．2．0版本的tar包和JAVA 的rpm包，在這里主要給出以下幾個(gè)重要的步驟：

（1）配置在NameNode節(jié)點(diǎn)上通過ssh無密碼登錄另外兩個(gè)DataNode節(jié)點(diǎn)，這樣就可以將主節(jié)點(diǎn)和從節(jié)點(diǎn)連接起來，方便后期的文件復(fù)制和服務(wù)啟動(dòng)。

（2）配置安裝JAVA的JDK在Hadoop環(huán)境上，三臺(tái)機(jī)器都要配置才能使后期程序執(zhí)行不致于出錯(cuò)。

（3）因?yàn)樵趯?shí)際的生產(chǎn)工作中，服務(wù)器的安全一直是備受關(guān)注的，越少人擁有root權(quán)限越好，這樣才能使得Hadoop服務(wù)器相對(duì)安全，為此在3臺(tái)機(jī)器上都要?jiǎng)?chuàng)建一個(gè)hadoop賬戶來啟動(dòng)和執(zhí)行服務(wù)。由于root權(quán)限很大，在生產(chǎn)工作中一般都使用hadoop賬戶才不會(huì)產(chǎn)生誤操作。

1.3 Hadoop系統(tǒng)核心文件的配置

由于Hadoop是由HDFS和MapReduce兩部分構(gòu)成，要實(shí)現(xiàn)Linux下的Hadoop高性能服務(wù)器集群的搭建，需要?jiǎng)?chuàng)建一個(gè)hadoop賬號(hào)，然后在hadoop賬號(hào)的home目錄下的hadoop文件夾中對(duì)相關(guān)的6個(gè)配置文件進(jìn)行配置。

前面在配置Hadoop集群的時(shí)候，已給3臺(tái)機(jī)子都添加了一個(gè)名為hadoop＿admin的普通用戶，因?yàn)樵诎惭b好hadoop－2．2．0后就可以直接到該用戶的／etc／hadoop目錄下進(jìn)行相關(guān)配置文件的書寫。在該目錄下有很多的文件，其中Hadoop高性能的配置，主要是通過對(duì)hadoop目錄下的yarn－site．sh文件、coresite．xml文件、mapred－site．xml和hdfs－site．xml文件配置來實(shí)現(xiàn)的。這四個(gè)配置文件主要是通過設(shè)置hdfs．replication配置文件塊的副本數(shù)，Map和Reduce的任務(wù)數(shù)的配置，通過和硬件的切合來使Hadoop服務(wù)器性能達(dá)到最優(yōu)。

其它文件的配置可以根據(jù)官方文檔的規(guī)定進(jìn)行規(guī)范配置即可。另外我們需要提前在目錄／hadoop／dfs／下新建name、data和tmp文件夾以供后面文件的配置使用［7］。

（1）對(duì)于core－site．xml文件的配置，主要功能是指出hadoop web界面訪問路徑，這個(gè)是hadoop的核心配置文件。在配置該文件過程中，在rhel6－64上，進(jìn)行配置hadoop的HDFS系統(tǒng)的命名為fs．defaultFSS．name，并設(shè)置系統(tǒng)的9000端口來監(jiān)聽并進(jìn)行操作HDFS系統(tǒng)；hadoop．tmp．directory配置成hadoop的tmp目錄的根。具體代碼段如圖2。

圖2 core－site．xml文件配置

（2）接下來配置 HDFS的核心配置文件hdfssite．xml文件［8］，在該文件中，dfs．http．a(chǎn)ddress配置成hdfs的http的訪問位置為rhel6－64這臺(tái)機(jī)器上，dfs．replication配置了系統(tǒng)文件存儲(chǔ)的副本數(shù)為2份（原則上不能超過NameNode節(jié)點(diǎn)個(gè)數(shù)）；另外配置系統(tǒng)的9001端口來查看HDFS的狀態(tài)以便及時(shí)進(jìn)行相應(yīng)的任務(wù)操作和發(fā)現(xiàn)錯(cuò)誤。

（3）Mapred－site．xml文件是 MR 任務(wù)的配置文件，因?yàn)閔adoop2．0版本以后使用的是yarn框架，所以在部署的時(shí)候必須在mapreduce．framework．name屬性下配置yarn，配置系統(tǒng)rhel6－64的10020端口查看MR的任務(wù)數(shù)，配置系統(tǒng)rhel6－64的19888端口查看任務(wù)狀態(tài)。

（4）最 后 配 置 yarn－site．xml文 件，該 文 件 是YARN框架的配置文件，主要配置相關(guān)任務(wù)的啟動(dòng)位置，這樣就可以根據(jù)其啟動(dòng)位置來進(jìn)行任務(wù)的啟動(dòng)和操作，這些位置都是配置在NameNode機(jī)器上的。

2 總 結(jié)

本文主要采用RHEL6的Linux系統(tǒng)來實(shí)現(xiàn)Hadoop系統(tǒng)，以分布式文件系統(tǒng)和MapReduce并行計(jì)算框架為基礎(chǔ)，通過配置四個(gè)核心配置文件來實(shí)現(xiàn)3節(jié)點(diǎn)集群的高性能。Hadoop框架的出現(xiàn)為大數(shù)據(jù)的處理和并行計(jì)算的實(shí)現(xiàn)提供了基礎(chǔ)，正因?yàn)镠DFS和MR的出現(xiàn)，使得大數(shù)據(jù)產(chǎn)業(yè)蓬勃發(fā)展，而實(shí)現(xiàn)Hadoop的高性能集群的搭建，正是順應(yīng)當(dāng)下大數(shù)據(jù)時(shí)代的主流。大數(shù)據(jù)生態(tài)系統(tǒng)和Hadoop技術(shù)為全球垂直領(lǐng)域的組織提供了一個(gè)成熟、穩(wěn)定和功能豐富的平臺(tái)來實(shí)施復(fù)雜的數(shù)字化項(xiàng)目［9］。