文／胡晨川
我是Linux外行，hadoop外行，java更外行，Scala听也没听过，在我脑海中，Spark一直只是我的英文名。但是，作为一名数据分析师，我怎么可以完全不了解大数据的应用呢？于是，完全是外行的我，不仅打算开始学习spark，还要将hive、pig、Hbase等都尝一尝。
第一步，从hadoop开始！经过几天的尝试，配置好了虚拟机中的完全分布式hadoop，写成以下冗长的笔记。
首先，是在自己的电脑上安装3个Linux系统的虚拟机
我是Mac，装了vmware fusion。在另一台pc机上，装了vmware workstation。
Linux我选择了ubuntu14。具体怎么把Linux装起来的不多说了，傻瓜式操作。
配置Linux
这部分分为三个部分：一是获得Linux的root权限；二是安装java；三是设置ssh设置。由于我是Linux文盲，所以将一些命令标注会择机写出来，便于我以后记忆。
我配置的三台Linux机子分别命名为：master、slave1、slave2。未来hadoop中，master就是主节点，两台slave就是从节点。
获取Linux中的root权限
在ubuntu中打开命令终端窗口：control+alt+T
自动补全命令：tab
看帮助内容：--help
先安装vim：sudo apt-get install vim
然后输入：sudo vim /usr/share/lightdm/lightdm.conf.d/50-ubuntu.conf（vim需安装）
在弹出的编辑框里输入：greeter-show-manual-login=true 保存关闭。
为了给root设置密码，在终端中输入：sudo passwd root。
关机重启在多出的登录框里输入root 和设置的密码！
在刚修改完root权限自动登录后，发现开机出现以下提示：
Error found when loading /root/.profile
stdin:is not a tty
…………
解决方法：在终端中用命令gedit /root/.profile，打开文件后找到“mesg n”，
将其更改为“tty -s && mesg n”。
sudo：超级用户权限命令＝root权限
apt-get install：安装软件
vim：vim是一个编辑器和gedit功能一样
安装java
创建安装java的文件夹：mkdir /usr/lib/java
然后把下载好的java安装包放到这个目录里
操作区域定位到java文件夹：cd /usr/lib/java
解压安装包：tar -xvf jdk-8u73-linux-x64.gz
修改环境变量：vim ~/.bashrc
在bashrc文件中添加内容：
export JAVA_HOME=/usr/lib/java/jdk1.8.0_73
export JRE_HOME=${JAVA_HOME}/jre
export CLASS_PATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH
执行生效命令：source ~/.bashrc
查看java版本：java -version
mkdir：创建文件夹命令
cd：工作目录定位命令，经常与文件查看命令ls一起用
tar -xvf：解压缩命令
SSH设置
安装ssh：apt-get install ssh
安装rsync: apt-get install rsync
创建ssh-key: ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
将dsa.pub文件当中的内容追加到公钥中：cat ~/.ssh/id_dsa.pub >> /.ssh/authorized_keys
authorized_keys得放在.ssh文件夹当中，并将id_dsa.pub里面的内容复制给authorized_keys
启动ssh服务：ssh start
验证服务是否正常启动：ps -e |grep ssh
在slave机器下也要创建ssh-key: ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa
该命令执行后，会在root文件夹下出现.ssh文件夹，里面有key
cat ~/.ssh/id_dsa.pub >> authorized_keys 这行代码至关重要，当输入ssh localhost 不需要密码时，说明免密码登录设置完成。
完成master与slave之间的通信
首先，要固定好master和slave的IP地址，千万不要选择动态匹配，你会奔溃的。
接着，修改集群中的host配置文件
打开命令：到文件夹中手动打开host文件或者输入：
vim /etc/hosts
添加：
192.168.236.135 master
192.168.236.134 slave1
192.168.236.130 slave2
关闭ubuntu的防火墙，使得ssh通讯能够进行：ufw allow ssh
要使得master和slave之间实现免密码通信，还要把master机器中的id_dsa.pub 文件复制到slave机器的.ssh文件夹中，并命名为authorized_keys。我把slave的id_dsa.pub也互相加到了各自的authorized_keys当中。这样，在任何机器终端输入 ssh 机器名称，就能进入那台机器进行操作，比如：ssh slave1
scp ~/.ssh/id_dsa.pub slave1@192.168.236.134:~/.ssh/authorized_keys
scp ~/.ssh/id_dsa.pub slave2@192.168.236.130:~/.ssh/authorized_keys
查看隐藏的文件，即以点开头的文件或文件夹：control＋h
scp：通过ssh进行跨机器间的复制命令
cp：本地文件复制
如何结束ping命令？control＋c
查看ip连接的属性：ifconfig或者nm-tool
安装Hadoop
提醒各位，不要去下载最新的hadoop－2.7.2等版本的进行安装，因为最新版本的中文参考文献不多，而且hadoop－2.x以后的版本和hadoop－1.x有很大不同。我开始安装了2.7.2版本，但是手头的资料都是机遇hadoop－1.2.1的，所以对于我这个菜鸟来说，配置单机版和伪分布式还勉强可以，但是完全分布式怎么都不成功，最后删了重新配置了1.2.1版本的。
cd usr
mkdir hadoop #在usr文件夹下创建Hadoop文件夹
tar xzf hadoop-1.2.1.tar.gz #解压缩Hadoop安装文件
cd /usr/hadoop/hadoop-1.2.1/conf
vim hadoop-env.sh #将java的路径添加到Hadoop的配置文件当中
文件中添加：export JAVA_HOME=/usr/lib/java/jdk1.8.0_73
source hadoop-env.sh #使得文件修改生效
vim ~/.bashrc #设置用户环境参数，使得Hadoop的命令和java命令能够在根目录下使用
在文件中添加：
export JAVA_HOME=/usr/lib/java/jdk1.8.0_73
export JRE_HOME=${JAVA_HOME}/jre
export CLASS_PATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:/usr/hadoop/hadoop-1.2.1/bin:$PATH
source ~/.bashrc #使修改生效
hadoop version #查看hadoop的版本
若能正确显示版本，则恭喜单机安装成功了！
单机模式运行wordcount例子
cp LICENSE.txt input #把license.txt复制到input文件夹当中
cd .. ＃回到上一级目录
hadoop jar hadoop-examples-1.2.1.jar wordcount input output #运行wordcount例子，结果放到output文件夹当中
cat output/* #结果呈现
单机模式的wordcount成功运行，第一个里程碑达成！～
伪分布式Hadoop安装
我们更进一步，来伪分布式架构。
现在hadoop-1.2.1文件夹下创建一些文件夹：
root@master:/usr/hadoop/hadoop-1.2.1# mkdir tmp
root@master:/usr/hadoop/hadoop-1.2.1# mkdir hdfs
root@master:/usr/hadoop/hadoop-1.2.1# mkdir hdfs/data
root@master:/usr/hadoop/hadoop-1.2.1# mkdir hdfs/name
root@master:/usr/hadoop/hadoop-1.2.1# ls
对于伪分布式和完全分布式，都需要修改以下配置文件
core-site.xml 主要是配置hdfs的地址和端口
hdfs-site.xml 主要配置replication，理解为数据的备份
mapred-site.xml 修改Hadoop的mapreduce的配置文件，主要是配置jobtracker的地址和端口
cd conf #定位到conf文件夹下
vim core-site.xml #进入编辑
<configuration>
<property>
<name>fs.default.name</name>
<value>hdfs://localhost:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/usr/hadoop/hadoop-1.2.1/tmp</value>
</property>
</configuration>
vim hdfs-site.xml
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
<property>
<name>dfs.name.dir</name>
<value>/usr/hadoop/hadoop-1.2.1/hdfs/name</value>
</property>
<property>
<name>dfs.data.dir</name>
<value>/usr/hadoop/hadoop-1.2.1/hdfs/data</value>
</property>
</configuration>
vim mapred-site.xml
<configuration>
<property>
<name>mapred.job.tracker</name>
<value>localhost:9001</value>
</property>
</configuration>
通过以上配置完成了最简单的伪分布式配置。
接下来做Hadoop的namenode格式化：
root@master:/usr/hadoop/hadoop-1.2.1/conf# cd ~
root@master:~# hadoop namenode -format
启动Hadoop
start-all.sh
使用java自带的命令查询出所有的守护进程
jps
接下来使用Hadoop中的监控集群的web 页面查看运行情况：
http://localhost:50030/jobtracker.jsp
http://localhost:50060/tasktracker.jsp
http://localhost:50070/dfshealth.jsp
伪分布式平台下的wordcount例子
在dfs中创建input文件夹
root@master:~# hadoop dfs -mkdir input
在http://localhost:50070/dfshealth.jsp中点击browse the filesystem可以查看文件夹
把文件复制到input中
root@master:~# hadoop dfs -copyFromLocal /usr/hadoop/hadoop-1.2.1/LICENSE.txt input
root@master:~# cd /usr/hadoop/hadoop-1.2.1
root@master:/usr/hadoop/hadoop-1.2.1# ls
运行word count
root@master:/usr/hadoop/hadoop-1.2.1# hadoop jar hadoop-examples-1.2.1.jar wordcount input output
查看下运行结果
hadoop dfs -cat output/*
查看Hadoop dfs中的文件列表
hadoop dfs -ls
hadoop有自己的一套命令规则，开头为hadoop dfs xx，详情：http://my.oschina.net/kevin701/blog/228684
关闭hadoop服务
stop-all.ssh
好！第二个里程碑达成了！
完全分布式hadoop搭建
将hadoop复制到两台slave机器的/usr/hadoop/hadoop-1.2.1文件夹当中。先在master当中压缩hadoop－1.2.1文件夹下的内容，打包成tar.gz文件，然后复制过去。
压缩包
root@master:/usr/hadoop# tar zcvf hadoop.tar.gz hadoop-1.2.1
复制hadoop.tar.gz到slave中
scp -r hadoop.tar.gz root@slave1:/usr/
解压缩要先进入slave
ssh slave1
cd /usr
mkdir hadoop
cp hadoop.tar.gz hadoop #将压缩包放到hadoop文件夹当中，最好是先在slave当中建好hadoop文件夹，然后把hadoop.tar.gz复制过去。
tar xzf hadoop.tar.gz
slave1 和slave2的操作方式相同。
都复制过去后，要在slave当中设置环境变量，设置方式与之前相同。
然后启动hadoop测试。
查看localhost:50030/jobtracker.jsp测试成功后，开始配置完全分布式系统。
修改master的core.site.xml配置文件
root@master:/usr/hadoop/hadoop-1.2.1/conf# ls
vim core-site.xml
将里面的localhost替换为master，且在两台slave当中也做同样的修改。
其次修改master和slave当中的mapred-site.xml文件，把域名localhost修改为master
最后修改master、slave1、slave2上的hdfs-site.xml文件，将dfs.replication的value值改为3，这样我们的数据就会有3个副本。
修改两台机器中hadoop配置文件的masters和slaves文件
root@master:/usr/hadoop/hadoop-1.2.1/conf# vim masters
将里面的localhost改为master
root@master:/usr/hadoop/hadoop-1.2.1/conf# vim slaves
将里面改为：
master
slave1
slave2
这样，master同时作为了数据节点和主节点。
在两台slave上也要做相应的修改。
测试hadoop分布式集群环境
首先需要清除在hadoop－1.2.1文件夹中的tmp文件夹及其子目录下的内容清空，还要清除根目录下tmp文件夹中hadoop相关的内容。最后要把自定义的hdfs文件夹中的data和name文件夹中的内容清空。
root@master:/usr/hadoop/hadoop-1.2.1# rm -rf tmp/*
首先要清理在根目录下的tmp文件夹中，以hadoop相关的所有文件都删除掉
root@master:rm /tmp/hadoop*
然后需要清空hadoop-1.2.1文件夹中的tmp文件夹和hdfs文件夹下的内容。但不能盲目的将所有子目录都删除掉。我采用了手动进入每个文件夹，将里面的内容删除掉。
之前用rm命令删除了文件夹下的所有内容，导致启动时没有namenode任务。而且在web观察上，live node只有1，理论上应该有3。但并不知道具体原因。后来回复了文件后，手动进入各个文件夹清楚里面的内容。
在slave当中也要做相同的清空操作。
在master节点格式化集群的文件系统
hadoop namenode -format
格式化后启动
start-all.sh
终于成功启动。输入jps查看进程：
master上，显示：
root@master:~# jps
3200 TaskTracker
2645 NameNode
2793 DataNode
3050 JobTracker
2957 SecondaryNameNode
3455 Jps
在slave上显示：
root@slave1:~# jps
2658 DataNode
2786 TaskTracker
2918 Jps
到此为止，完全分布式的hadoop就配置好了。接下去就要开始安装spark啦！另外，有了hadoop的基础，hive、pig、hbase等hadoop架构下的工具都可以开始安装部署。大数据之路由此打开！～
最后，关机睡觉
shutdown -h now
