Hadoop(01) Hadoop3.3.6安装教程，单机／伪分布式配置

在安装 Hadoop 3.3.6 前，需要满足以下前置条件：

1. Java Development Kit (JDK)：Hadoop 是用 Java 编写的，因此需要安装并配置适当版本的 JDK。Hadoop 3.3.6 建议使用 JDK 8 或更高版本。确保正确安装 JDK，并设置 JAVA_HOME 环境变量。

2. SSH：Hadoop 集群中的节点需要通过 SSH 进行通信和管理。确保在所有节点上安装和配置了 SSH，并且可以通过 SSH 无密码登录到集群的各个节点。

3. 网络设置：确保 Hadoop 集群的所有节点能够相互通信。节点之间应该具有稳定的网络连接，并且可以通过主机名或 IP 地址进行互相访问。

4. 硬件要求：根据实际需求，为 Hadoop 集群中的节点分配足够的计算资源（CPU、内存、磁盘空间等）。确保每个节点都具备足够的硬件资源来支持预期的工作负载。

5. 操作系统：Hadoop 3.3.6 支持运行在多种操作系统上，包括 Linux、Windows 和 macOS。选择适合你环境的操作系统，并满足相应的操作系统要求。

6. 配置管理工具（可选）：为了更方便地管理和配置 Hadoop 集群，你可以选择使用一些配置管理工具，如 Apache ZooKeeper、Apache Ambari 等。这些工具可以简化集群配置和管理的过程。

可以，进行安装JDK和MySQL。必须要在Master和Slave节点上都要安装JDK和MySQL才可以。

注意：在hadoop用户下按照前面教程在.bashrc文件中设置JAVA_HOME。

二、创建hadoop用户并赋予root权限

可以，新建一个名为 hadoop的 用户，同时为 hadoop 用户增加管理员权限，方便部署，避免一些对新手来说比较棘手的权限问题。

在安装Debian系统的时候，一般会设置一个特权账号root，和一个非特权账户（我的是hongpon316），但为了方便后续的操作。此处再新建一个名为“hadoop”的用户，后续 hadoop用 户专门用来实现无密码SSH登录。

新建用户完成之后，需要测试 hadoop 用户是否具有了超级管理员权限。

因为 Hadoop 集群的各个节点需要通过 SSH 进行通信和管理，例如启动和停止服务、复制文件等操作。因此，必须要让Master节点可以SSH无密码登录到各个Slave节点上。

集群、单节点模式都需要用到 SSH 登陆（类似于远程登陆，你可以登录某台 Linux 主机，并且在上面运行命令），Debian 默认已安装了 SSH client，此外还需要安装 SSH server：

在安装了以后就可以使用 ssh localhost 登陆到本机，但是会出现让输入密码的过程。

但这样登陆是需要每次输入密码的，我们需要配置成SSH无密码登陆比较方便。

首先退出刚才的 ssh(exit)，就回到了我们原先的终端窗口，然后利用 ssh-keygen 生成密钥，并将密钥加入到授权中：

~的含义: 在 Linux 系统中，~ 代表的是用户的主文件夹，即 "/home/用户名" 这个目录，如你的用户名为 hadoop，则 ~ 就代表 "/home/hadoop/"。 此外，命令中的 # 后面的文字是注释，只需要输入前面命令即可。 

官网下载Hadoop3.3.6的安装包，。

下载成功后使用xftp，将文件传到Debian系统中的software目录下备用 。

使用命令：sudo tar -zxvf hadoop-3.3.6.tar.gz -C /usr/local/，将该文件解压到/usr/local/文件夹下面。

切换到/usr/local后，使用命令：sudo chown -R hadoop https://blog.csdn.net/weixin_38735917/article/details/hadoop-3.3.6 ，用来将目录  及其所有子目录和文件的所有权赋予用户  。

使用命令： 

如果 Hadoop 安装正确并设置了正确的环境变量，它将显示 Hadoop 的版本信息，请必须确保你位于正确的 Hadoop 安装目录下，并且具有执行权限来运行  命令。

请务必注意命令中的相对路径与绝对路径，本文后续出现的 ， 等包含 https://blog.csdn.net/weixin_38735917/article/details/ 的路径，均为相对路径，以 /usr/local/hadoop 为当前目录。

例如在 /usr/local/hadoop 目录中执行  等同于执行 。可以将相对路径改成绝对路径来执行，但如果你是在主文件夹 ~ 中执行 ，执行的会是 ，就不是我们所想要的了。 

为了可以使系统能够在任何目录下都能直接运行Hadoop的可执行文件，即hadoop、hdfs等命令，需要完成PATH变量配置。

具体而言，命令用于设置环境变量，是一个特殊的环境变量，用于指定系统在哪些目录中查找可执行文件。通过将Hadoop所在的和目录添加到中，系统就能够在运行命令时自动搜索并找到Hadoop的可执行文件。

然后在该文件的最上面输入以下的内容： 

最后一行是在原有配置JAVA_HOME的PATH路径（在上面JDK的配置中的PATH配置）的基础上，增加了$HADOOP_HOME/bin:$HADOOP_HOME/sbin:的路径，然后保存退出： 

 保存后执行命令“source ~/.bashrc”，使配置生效。

参数说明：

1. ：设置环境变量，将其指向Hadoop安装的根目录。

2. ：设置环境变量，指向Hadoop MapReduce组件的安装目录，这里与相同。

3. ：设置环境变量，指向Hadoop Common组件的安装目录，这里与相同。

4. ：设置环境变量，指向Hadoop HDFS组件的安装目录，这里与相同。

5. ：设置环境变量，指向Hadoop YARN组件的安装目录，这里与相同。

6. ：设置环境变量，指向Hadoop本地库文件的路径，这里是Hadoop安装目录下的目录。

7. ：设置环境变量，用于配置Hadoop的Java虚拟机选项。这里将属性设置为Hadoop安装目录下的目录，以便Java虚拟机能够正确加载Hadoop所需的本地库文件。

8. ：将Hadoop和Java的可执行文件路径添加到环境变量中，以便系统可以在任意位置执行Hadoop和Java的命令。这里包括Java的和目录，以及Hadoop的和目录。

Hadoop 的单机模式是一种在单个节点上运行 Hadoop 的模式，是Hadoop 默认模式，用于本地开发、测试和学习目的。

在单机模式下，Hadoop 不会构建分布式集群，而是在单个节点上模拟分布式环境，无需进行额外的配置即可运行 Hadoop。非分布式即单 Java 进程，方便进行调试。

运行Hadoop单机实例

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行  可以看到所有例子），包括 wordcount、terasort、join、grep 等。

在此我们选择其中的一个实例来运行即可（grep） ，我们将 input 文件夹中的所有文件作为输入，筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数，最后输出结果到 output 文件夹中。

注意，Hadoop 默认不会覆盖结果文件，因此如果想再次运行上面实例会提示出错，需要先将  删除。

Hadoop 可以在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行，节点既作为 NameNode 也作为 DataNode，同时，读取的是 HDFS 中的文件。

Hadoop 的配置文件位于 /usr/local/hadoop-3.3.6/etc/hadoop/ 中，伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml 。Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

切换目录到：cd /usr/local/hadoop-3.3.6/etc/hadoop/

①修改core-site.xml

原始core-site.xml

修改后的core-site.cml

参数说明：

1. ：指定了 Hadoop 临时目录的路径。临时目录被设置为 。临时目录用于存储 Hadoop 运行时产生的临时文件，如本地数据块、中间结果等。

2. ：指定了默认的文件系统的 URI。文件系统 URI 被设置为 ，表示使用 Hadoop 分布式文件系统（HDFS）作为默认文件系统，并且 HDFS 的 Namenode 服务器运行在本地主机的端口 9000 上。

②修改hdfs-site.xml 文件

原始的hdfs-site.xml文件

修改后的hdfs-site.xml文件

Hadoop的配置文件说明 

Hadoop 的运行方式是由配置文件决定的（运行 Hadoop 时会读取配置文件），因此如果需要从伪分布式模式切换回非分布式模式，需要删除 core-site.xml 中的配置项。

此外，伪分布式虽然只需要配置 fs.defaultFS 和 dfs.replication 就可以运行（官方教程如此），不过若没有配置 hadoop.tmp.dir 参数，则默认使用的临时目录为 /tmp/hadoo-hadoop，而这个目录在重启时有可能被系统清理掉，导致必须重新执行 format 才行。所以我们进行了设置，同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir，否则在接下来的步骤中可能会出错。

③配置完成后，执行 NameNode 的格式化

如果成功则会显示如下的内容：

如果显示如下的内容：

如果已经，还是出现 Error: JAVA_HOME is not set and could not be found. 的错误，那么，请到hadoop的安装目录修改配置文件“/usr/local/hadoop-3.3.6/etc/hadoop/hadoop-env.sh”，在里面找到“export JAVA_HOME=${JAVA_HOME}”这行，然后，把它修改成JAVA安装路径的具体地址，比如，“export JAVA_HOME=/usr/lib/jvm/default-java”，然后，再次启动Hadoop。 

④开启 NameNode 和 DataNode 守护进程

以上的日志中包含一个警告：WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable 表示无法加载与自己的平台兼容的本机Hadoop库。不过，Hadoop将使用内置的Java类来代替。 WARN 提示可以忽略，并不会影响正常使用。

现在，Hadoop分布式文件系统已经成功启动，可以使用Hadoop进行数据处理和分析。

成功启动后，可以访问 Web 界面 http://localhost:9870 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。此处的localhost替换为自己虚拟机系统的地址即可。

运行Hadoop伪分布式实例  

在上面的单机模式实例中，grep 例子读取的是本地数据。而伪分布式读取的则是 HDFS 上的数据。要想使用 HDFS，首先需要在 HDFS 中创建用户目录：

①创建用户目录

注意: 教材《大数据技术原理与应用》的命令是以"https://blog.csdn.net/weixin_38735917/article/details/bin/hadoop dfs"开头的Shell命令方式，实际上有三种shell命令方式。

1. hadoop fs
2. hadoop dfs
3. hdfs dfs

hadoop fs：适用于任何不同的文件系统，比如本地文件系统和HDFS文件系统
hadoop dfs：只能适用于HDFS文件系统
hdfs dfs：跟hadoop dfs的命令作用一样，也只能适用于HDFS文件系统。

 、 和  命令实际上是指相同的命令，用于与 Hadoop 分布式文件系统（HDFS）进行交互。这些命令是 Hadoop 提供的命令行工具，用于管理和操作 HDFS 上的文件和目录。

在早期版本的 Hadoop 中， 和  是等效的，都用于执行文件系统操作。后来，为了更好地反映操作对象是分布式文件系统，官方推荐使用  命令来代替。

所以， 和  可以视为过时的命令，而  是推荐的用于与 HDFS 交互的命令。

②将 https://blog.csdn.net/weixin_38735917/article/details/etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中

即将 /usr/local/hadoop-3.3.6/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是 /user/hadoop/input:

③执行

⑤可以将运行结果取回到本地

如果想要再次执行相同的命令  https://blog.csdn.net/weixin_38735917/article/details/bin/hadoop jar https://blog.csdn.net/weixin_38735917/article/details/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.6.jar grep input output 'dfs[a-z.]+' ，就会产生错误。

Hadoop 运行程序时，输出目录不能存在，否则会提示错误 "org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists" ，因此若要再次执行，需要执行如下命令删除 output 文件夹: 

运行程序时，输出目录不能存在: 运行 Hadoop 程序时，为了防止覆盖结果，程序指定的输出目录（如 output）不能存在，否则会提示错误，因此运行前需要先删除输出目录。在实际开发应用程序时，可考虑在程序中加上如下代码，能在每次运行时自动删除输出目录，避免繁琐的命令行操作：

若要关闭 Hadoop，则运行.

注意: 下次启动 hadoop 时，无需进行 NameNode 的初始化，只需要运行  就可以！

在平时的学习中，我们使用伪分布式就足够了。如果需要安装 Hadoop 集群，请查看

Hadoop3.3.5安装教程_单机/伪分布式配置_Hadoop3.3.5/Ubuntu22.04(20.04/18.04/16.04)_厦大数据库实验室博客 (xmu.edu.cn)