问题导读
1.说说你对集群配置的认识？
2.集群配置的配置项你了解多少？
3.下面内容让你对集群的配置有了什么新的认识？
目的
目的1：
这个文档描述了如何安装配置hadoop集群，从几个节点到上千节点。为了学习hadoop，你可能先从单节点入手 (查看 Single Node Setup).这里有中文版hadoop2.7【单节点】单机、伪分布、分布式安装指导
http://www.aboutyun.com/thread-12798-1-1.html
这个文档不包括：hadoop在安全模式下配置和HA【高可用配置】，后面在更新
目的2：
我们看了很多集群配置文档，你是否静下心来，想集群配置到底是怎么一回事。
准备
1.安装Java
2.下载hadoop包
##################################
包集合：
hadoop家族、strom、spark、Linux、flume等jar包、安装包汇总下载(持续更新)
http://www.aboutyun.com/thread-8178-1-1.html
##################################
安装
安装hadoop集群包括：解压包，配置hadoop，划分主节点和子节点。
集群中可以将namenode和ResourceManager分布在不同的机器上，这些称之为master。其它服务例如：Web App Proxy Server 和 MapReduce Job History server，根据负载可以共享设施或则使用专用的机器。
集群其它机器作为 DataNode 和 NodeManager.这些是slaves
配置hadoop【非安全模式】
hadoop配置文件被分为两类：
1.只读默认配置，有下列配置文件
core-default.xml, hdfs-default.xml, yarn-default.xml and mapred-default.xml.
2.定制配置，有下列配置文件
etc/hadoop/core-site.xml, etc/hadoop/hdfs-site.xml, etc/hadoop/yarn-site.xml and etc/hadoop/mapred-site.xml.
另外你可以配置hadoop脚本，在hadoop的bin目录下，通过 etc/hadoop/hadoop-env.sh 和 etc/hadoop/yarn-env.sh来指定值。
配置hadoop集群需要配置环境变量，Hadoop守护进程执行以及Hadoop守护进程的配置参数。如果没有配置过集群，可能对这个了解不多，具体参考
hadoop（2.x）以hadoop2.2为例完全分布式最新高可靠安装文档
http://www.aboutyun.com/thread-7684-1-1.html
hdfs守护进程：
NameNode, SecondaryNameNode, 和 DataNode
YARN 守护进程：
ResourceManager, NodeManager, 和 WebAppProxy
如果运行MapReduce ， MapReduce Job History Server也会运行。前提需要配置并开启。对于比较大的集群安装，他们分别运行在不同的客户端。
配置守护进程环境变量
管理员使用 etc/hadoop/hadoop-env.sh ， etc/hadoop/mapred-env.sh 和 etc/hadoop/yarn-env.sh 脚本来定制hadoop守护进程变量。
至少需要需要指定JAVA_HOME ，每个节点都必须指定。
管理员可以配置单独的守护进程，使用下面的选项。
|
Daemon
|
Environment Variable
|
|
NameNode
|
HADOOP_NAMENODE_OPTS
|
|
DataNode
|
HADOOP_DATANODE_OPTS
|
|
Secondary NameNode
|
HADOOP_SECONDARYNAMENODE_OPTS
|
|
ResourceManager
|
YARN_RESOURCEMANAGER_OPTS
|
|
NodeManager
|
YARN_NODEMANAGER_OPTS
|
|
WebAppProxy
|
YARN_PROXYSERVER_OPTS
|
|
Map Reduce Job History Server
|
HADOOP_JOB_HISTORYSERVER_OPTS
|
例如：配置Namenode 使用parallelGC,在 hadoop-env.sh 声明如下：
|
1
|
export HADOOP_NAMENODE_OPTS="-XX:+UseParallelGC" |
查看 etc/hadoop/hadoop-env.sh 其它例子
其它可定义的有用参数包括
- HADOOP_PID_DIR - 存储守护进程id的文件目录.
- HADOOP_LOG_DIR - 存储守护进程日志文件目录. 日志文件自动创建如果不存在。
- HADOOP_HEAPSIZE / YARN_HEAPSIZE -heapsize内存最大配置.如果变量为1000， heap 是1000MB. 这是为守护进程配置heap. 默认值1000M.
在大多数情况下，应该指定HADOOP_PID_DIR 和 HADOOP_LOG_DIR，他们由用户运行hadoop守护进程所写，否则可能是潜在攻击。
传统配置HADOOP_PREFIX 在系统级环境变量配置，例如一个简单的脚本 /etc/profile.d:
|
1
2
|
HADOOP_PREFIX=/path/to/hadoopexport HADOOP_PREFIX |
|
Daemon
|
Environment Variable
|
|
ResourceManager
|
YARN_RESOURCEMANAGER_HEAPSIZE
|
|
NodeManager
|
YARN_NODEMANAGER_HEAPSIZE
|
|
WebAppProxy
|
YARN_PROXYSERVER_HEAPSIZE
|
|
Map Reduce Job History Server
|
HADOOP_JOB_HISTORYSERVER_HEAPSIZE
|
配置hadoop守护进程
本节涉及在给定的配置文件中指定的重要参数：
etc/hadoop/core-site.xml
|
Parameter
|
Value
|
Notes
|
|
fs.defaultFS
|
NameNode URI
|
|
|
io.file.buffer.size
|
131072
|
读写序列文件缓存大小
|
-
etc/hadoop/hdfs-site.xml
-
配置NameNode:
|
Parameter
|
Value
|
Notes
|
|
dfs.namenode.name.dir
|
本地文件系统存储着命令空间和操作日志
|
如果含有多个目录，是冗余的【多个目录以逗号隔开】
|
|
dfs.hosts / dfs.hosts.exclude
|
列出排除DataNodes.
|
如何需要使用这一功能来控制datanode的访问
|
|
dfs.blocksize
|
268435456
|
大文件系统HDFS blocksize 256MB
|
|
dfs.namenode.handler.count
|
100
|
更多 NameNode server 线程来处理来自datanode的 RPCs请求
|
- 配置 DataNode:
|
Parameter
|
Value
|
Notes
|
|
dfs.datanode.data.dir
|
存储blocks的本地路径列表，用逗号隔开
|
这是一个逗号分隔的目录列表, 数据将被存储在所有被命名的目录中，通常在不同的设备上。
|
-
etc/hadoop/yarn-site.xml
-
配置ResourceManager 和 NodeManager:
|
Parameter
|
Value
|
Notes
|
|
yarn.acl.enable
|
true / false
|
是否启用ACLs，默认为false不启用
|
|
yarn.admin.acl
|
Admin ACL
|
admin.acl设置YARN的集群管理员,. 值为*表示任何人都可以. 仅指定的可以访问
|
|
yarn.log-aggregation-enable
|
false
|
配置启用或则禁用日志
|
- 配置ResourceManager:
|
Parameter
|
Value
|
Notes
|
|
yarn.resourcemanager.address
|
ResourceManager host:port 为客户端提交job.
|
如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
|
|
yarn.resourcemanager.scheduler.address
|
ResourceManager 对ApplicationMaster暴露的访问地址。ApplicationMaster通过该地址向RM申请资源、释放资源等。
|
如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
|
|
yarn.resourcemanager.resource-tracker.address
|
ResourceManager 对NodeManager暴露的地址.。NodeManager通过该地址向RM汇报心跳，领取任务等。
|
如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
|
|
yarn.resourcemanager.admin.address
|
ResourceManager 对管理员暴露的访问地址。管理员通过该地址向RM发送管理命令等
|
如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
|
|
yarn.resourcemanager.webapp.address
|
ResourceManager web-ui host:port（ResourceManager访问端口）
|
如果配置host:port , 会覆盖在yarn.resourcemanager.hostname 设置的 hostname
|
|
yarn.resourcemanager.hostname
|
ResourceManager 客户端.
|
host Single hostname that can be set in place of setting all yarn.resourcemanager*address resources. Results in default ports for ResourceManager components.
|
|
yarn.resourcemanager.scheduler.class
|
ResourceManager 调度类 .
|
CapacityScheduler (recommended), FairScheduler (also recommended), or FifoScheduler
|
|
yarn.scheduler.minimum-allocation-mb
|
单个container可申请的最小内存资源量。比如设置为1024，则运行MapRedce作业时，每个Task最少可申请1024MB内存
|
In MBs
|
|
yarn.scheduler.maximum-allocation-mb
|
单个container可申请的最大内存资源量。比如设置为3072，则运行MapRedce作业时，每个Task最多可申请3072MB内存。
|
In MBs
|
|
yarn.resourcemanager.nodes.include-path /yarn.resourcemanager.nodes.exclude-path
|
NodeManager黑白名单。
|
NodeManager黑白名单。如果发现若干个NodeManager存在问题，比如故障率很高，任务运行失败率高，则可以将之加入黑名单中。注意，这两个配置参数可以动态生效。（调用一个refresh命令即可）
默认值：“”
|
- 配置 NodeManager:
|
Parameter
|
Value
|
Notes
|
|
yarn.nodemanager.resource.memory-mb
|
NodeManager总的可用物理内存。
|
定义了资源总量的nodemanager可用运行containers
|
|
yarn.nodemanager.vmem-pmem-ratio
|
每使用1MB物理内存，最多可用的虚拟内存数。
|
每个任务的虚拟内存的使用可能会超过其物理内存的限制，这个比例。通过对nodemanager任务使用的虚拟内存总量可能超过物理内存使用的比率。
|
|
yarn.nodemanager.local-dirs
|
中间结果存放位置
|
这个参数通常会配置多个目录，分摊磁盘IO负载。
|
|
yarn.nodemanager.log-dirs
|
日志存放路径
|
这个参数通常会配置多个目录，分摊磁盘IO负载。
|
|
yarn.nodemanager.log.retain-seconds
|
10800
|
NodeManager上日志最多存放时间（不启用日志聚集功能时有效）。
|
|
yarn.nodemanager.remote-app-log-dir
|
/logs
|
当应用程序运行结束后，日志被转移到的HDFS目录（启用日志聚集功能时有效）。
|
|
yarn.nodemanager.remote-app-log-dir-suffix
|
logs
|
远程日志目录子目录名称（启用日志聚集功能时有效）。
|
|
yarn.nodemanager.aux-services
|
mapreduce_shuffle
|
NodeManager上运行的附属服务。需配置成mapreduce_shuffle，才可运行MapReduce程序.
|
- 配置 History Server (Needs to be moved elsewhere):
|
Parameter
|
Value
|
Notes
|
|
yarn.log-aggregation.retain-seconds
|
-1
|
参数解释：在HDFS上聚集的日志最多保存多长时间。
默认值：-1
|
|
yarn.log-aggregation.retain-check-interval-seconds
|
-1
|
参数解释：多长时间检查一次日志，并将满足条件的删除，如果是0或者负数，则为上一个值的1/10。
默认值：-1
|
-
etc/hadoop/mapred-site.xml
-
配置MapReduce Applications:
mapreduce.map.memory.mb
mapreduce.reduce.memory.mb
说明：这两个参数指定用于MapReduce的两个任务（Map and Reduce task）的内存大小，其值应该在RM中的最大最小container之间。如果没有配置则通过如下简单公式获得：
max(MIN_CONTAINER_SIZE, (Total Available RAM) / containers))
一般的reduce应该是map的2倍。注：这两个值可以在应用启动时通过参数改变；
mapreduce.map.java.opts
mapreduce.reduce.java.opts
说明：这两个参主要是为需要运行JVM程序（java、scala等）准备的，通过这两个设置可以向JVM中传递参数的，与内存有关的是，-Xmx，-Xms等选项。此数值大小，应该在AM中的map.mb和reduce.mb之间。
|
Parameter
|
Value
|
Notes
|
|
mapreduce.framework.name
|
yarn
|
执行框架设置为Hadoop YARN.
|
|
mapreduce.map.memory.mb
|
1536
|
maps资源限制
|
|
mapreduce.map.java.opts
|
-Xmx1024M
|
maps的child jvms heap-size
|
|
mapreduce.reduce.memory.mb
|
3072
|
reduces资源限制
|
|
mapreduce.reduce.java.opts
|
-Xmx2560M
|
reduces的child jvms heap-size
|
|
mapreduce.task.io.sort.mb
|
512
|
任务内部排序缓冲区大小
|
|
mapreduce.task.io.sort.factor
|
100
|
排序文件的时候一次同时最多可并流的个数，这里设置100。
|
|
mapreduce.reduce.shuffle.parallelcopies
|
50
|
reuduce shuffle阶段并行传输数据的数量。
|
- 配置MapReduce JobHistory Server:
|
Parameter
|
Value
|
Notes
|
|
mapreduce.jobhistory.address
|
MapReduce JobHistory Server地址【host:port】
|
默认端口号 10020.
|
|
mapreduce.jobhistory.webapp.address
|
MapReduce JobHistory Server Web UI地址【 host:port】
|
默认端口号 19888.
|
|
mapreduce.jobhistory.intermediate-done-dir
|
/mr-history/tmp
|
MapReduce作业产生的日志存放位置。
|
|
mapreduce.jobhistory.done-dir
|
/mr-history/done
|
MR JobHistory Server管理的日志的存放位置。
|
相关内容
hadoop入门手册1：hadoop【2.7.1】【多节点】集群配置【必知配置知识1】
hadoop入门手册2：hadoop【2.7.1】【多节点】集群配置【必知配置知识2】
hadoop入门手册3：Hadoop【2.7.1】初级入门之命令指南
hadoop入门手册4：Hadoop【2.7.1】初级入门之命令：文件系统shell1
hadoop入门手册5：Hadoop【2.7.1】初级入门之命令：文件系统shell2
hadoop2.X使用手册1：通过web端口查看主节点、slave1节点及集群运行状态
http://www.aboutyun.com/thread-7712-1-1.html