如何构建最优化的Hadoop集群

如何构建最优化的Hadoop集群~

　　本文将逐步介绍这些部分的安装和配置：•网络体系结构•操作系统•硬件要求•Hadoop软件安装/设置网络架构根据我们目前能够拿到的文档，可以认为云内的节点越在物理上接近，越能获得更好的性能。根据经验，网络延时越小，性能越好。为了减少背景流量，我们为这个云创建了一个虚拟专用网。另外，还为应用服务器们创建了一个子网，作为访问云的入口点。这个虚拟专用网的预计时延大约是1-2毫秒。这样一来，物理临近性就不再是一个问题，我们应该通过环境测试来验证这一点。建议的网络架构：•专用TOR(Top of Rack)交换机•使用专用核心交换刀片或交换机•确保应用服务器“靠近”Hadoop•考虑使用以太网绑定

　　操作系统我们选择Linux作为操作系统。Linux有许多不同的发行版，包括Ubuntu、RedHat和CentOS等，无论选择哪一个都可以。基于支持和许可费用的考虑，我们最终选择了CentOS 5.7。最好是定制一个CentOS的映像，把那些需要的软件都预装进去，这样所有的机器可以包含相同的软件和工具，这是一个很好的做法。根据Cloudera的建议，OS层应该采用以下设置：•文件系统Ext3文件系统取消atime不要使用逻辑卷管理•利用alternatives来管理链接•使用配置管理系统(Yum、Permission、sudoers等)•减少内核交换•撤销一般用户访问这些云计算机的权限•不要使用虚拟化•至少需要以下Linux命令：/etc/alternativesln、chmod、chown、chgrp、mount、umount、kill、rm、yum、mkdir硬件要求由于Hadoop集群中只有两种节点(Namenode/Jobtracker和Datanode/Tasktracker)，因此集群内的硬件配置不要超过两种或三种。

　　硬件建议：•Namenode/Jobtracker：1Gb/s以太网口x2、16GB内存、4个CPU、100GB磁盘•Datanode：1Gb/s以太网口x2、8GB内存、4个CPU、多个磁盘，总容量500GB以上实际的硬件配置可以与我们建议的配置不同，这取决于你们需要存储和处理的数据量。但我们强烈建议不要在集群中混用不同的硬件配置，以免那些较弱的机器成为系统的瓶颈。Hadoop的机架感知Hadoop有一个“机架感知”特性。管理员可以手工定义每个slave数据节点的机架号。为什么要做这么麻烦的事情?有两个原因：防止数据丢失和提高网络性能。

　　为了防止数据丢失，Hadoop会将每个数据块复制到多个机器上。想象一下，如果某个数据块的所有拷贝都在同一个机架的不同机器上，而这个机架刚好发生故障了(交换机坏了，或者电源掉了)，这得有多悲剧?为了防止出现这种情况，必须要有一个人来记住所有数据节点在网络中的位置，并且用这些知识来确定——把数据的所有拷贝们放在哪些节点上才是最明智的。这个“人”就是Name Node。另外还有一个假设，即相比不同机架间的机器，同一个机架的机器之间有着更大的带宽和更小的延时。这是因为，机架交换机的上行带宽一般都小于下行带宽。而且(+本站微信networkworldweixin)，机架内的延时一般也小于跨机架的延时(但也不绝对)。机架感知的缺点则是，我们需要手工为每个数据节点设置机架号，还要不断地更新这些信息，保证它们是正确的。要是机架交换机们能够自动向Namenode提供本机架的数据节点列表，那就太棒了。

可以参考这个文章
网页链接
写的非常详细

　　操作系统
　　我们选择Linux作为操作系统。Linux有许多不同的发行版，包括Ubuntu、RedHat和CentOS等，无论选择哪一个都可以。基于支持和许可费用的考虑，我们最终选择了CentOS 5.7。最好是定制一个CentOS的映像，把那些需要的软件都预装进去，这样所有的机器可以包含相同的软件和工具，这是一个很好的做法。
　　根据Cloudera的建议，OS层应该采用以下设置：
文件系统
　　Ext3文件系统
　　取消atime
　　不要使用逻辑卷管理
利用alternatives来管理链接
使用配置管理系统(Yum、Permission、sudoers等)
减少内核交换
撤销一般用户访问这些云计算机的权限
不要使用虚拟化
至少需要以下Linux命令：
　　/etc/alternatives
　　ln、chmod、chown、chgrp、mount、umount、kill、rm、yum、mkdir
　　硬件要求
　　由于Hadoop集群中只有两种节点(Namenode/Jobtracker和Datanode/Tasktracker)，因此集群内的硬件配置不要超过两种或三种。

图2 - Hadoop集群服务器角色
　　硬件建议：
Namenode/Jobtracker：1Gb/s以太网口x2、16GB内存、4个CPU、100GB磁盘
Datanode：1Gb/s以太网口x2、8GB内存、4个CPU、多个磁盘，总容量500GB以上
　　实际的硬件配置可以与我们建议的配置不同，这取决于你们需要存储和处理的数据量。但我们强烈建议不要在集群中混用不同的硬件配置，以免那些较弱的机器成为系统的瓶颈。
　　Hadoop的机架感知
　　Hadoop有一个“机架感知”特性。管理员可以手工定义每个slave数据节点的机架号。为什么要做这么麻烦的事情?有两个原因：防止数据丢失和提高网络性能。

图3 - Hadoop集群的机架感知
　　为了防止数据丢失，Hadoop会将每个数据块复制到多个机器上。想象一下，如果某个数据块的所有拷贝都在同一个机架的不同机器上，而这个机架刚好发生故障了(交换机坏了，或者电源掉了)，这得有多悲剧?为了防止出现这种情况，必须要有一个人来记住所有数据节点在网络中的位置，并且用这些知识来确定——把数据的所有拷贝们放在哪些节点上才是最明智的。这个“人”就是Name Node。
　　另外还有一个假设，即相比不同机架间的机器，同一个机架的机器之间有着更大的带宽和更小的延时。这是因为，机架交换机的上行带宽一般都小于下行带宽。而且，机架内的延时一般也小于跨机架的延时(但也不绝对)。
　　机架感知的缺点则是，我们需要手工为每个数据节点设置机架号，还要不断地更新这些信息，保证它们是正确的。要是机架交换机们能够自动向Namenode提供本机架的数据节点列表，那就太棒了。
　　Hadoop软件的安装和配置
　　Hadoop集群有多种构建方式：
手工下载tar文件并复制到集群中
利用Yum仓库
利用Puppet等自动化部署工具
　　我们不建议采用手工方式，那只适合很小的集群(4节点以下)，而且会带来很多维护和排障上的问题，因为所有的变更都需要用scp或ssh的方式手工应用到所有的节点上去。
　　从以下方面来看，利用Puppet等部署工具是最佳的选择：
安装
配置
维护
扩展性
监控
排障
　　Puppet是Unix/Linux下的一个自动化管理引擎，它能基于一个集中式的配置执行增加用户、安装软件包、更新服务器配置等管理任务。我们将主要讲解如何利用Yum和Puppet来安装Hadoop。
　　利用Yum/Puppet搭建Hadoop集群
　　要利用Puppet搭建Hadoop集群，首先要符合以下前置条件：
包含所有必需Hadoop软件的中央仓库
用于Hadoop部署的Puppet装载单(manifest)
用于Hadoop配置管理的Puppet装载单
用于集群维护的框架(主要是sh或ksh脚本)，以支持集群的start/stop/restart
利用puppet构建整个服务器(包括操作系统和其它软件)
　　注：如果要用Yum来安装Hadoop集群，则所有服务器应该预先构建完成，包括操作系统和其它软件都应安装完毕，yum仓库也应在所有节点上设置完毕。
　　构建Datanode/Tasktracker
　　如果用Yum安装Datanode/Tasktracker，需在所有数据节点上执行以下命令：

　　yum install hadoop-0.20-datanode –y
　　yum install hadoop-0.20-tasktracker –y

　　换成Puppet的话，则是：

　　class setup_datanode {
　　if ($is_datanode == true) {
　　make_dfs_data_dir { $hadoop_disks: }
　　make_mapred_local_dir { $hadoop_disks: }
　　fix_hadoop_parent_dir_perm { $hadoop_disks: }
　　}
　　# fix hadoop parent dir permissions
　　define fix_hadoop_parent_dir_perm() {
　　…
　　}
　　# make dfs data dir
　　define make_dfs_data_dir() {
　　…
　　}
　　# make mapred local and system dir
　　define make_mapred_local_dir() {
　　…
　　}
　　} # setup_datanode

　　构建Namenode(及辅助Namenode)
　　如果用Yum安装Namenode，需在所有数据节点上执行以下命令：

　　yum install hadoop-0.20-namenode –y
　　yum install hadoop-0.20-secondarynamenode –y

　　换成Puppet的话，则是：

　　class setup_namenode {
　　if ($is_namenode == true or $is_standby_namenode == true) {
　　...
　　}
　　exec {"namenode-dfs-perm":
　　...
　　}
　　exec { "make ${nfs_namenode_dir}/dfs/name":
　　...
　　}
　　exec { "chgrp ${nfs_namenode_dir}/dfs/name":
　　...
　　}
　　if ($standby_namenode_host != "") {
　　...
　　}
　　exec { "own $nfs_standby_namenode_dir":
　　...
　　}
　　}
　　# /standby_namenode_hadoop
　　if ($standby_namenode_host != "") {
　　...
　　}
　　exec { "own $standby_namenode_hadoop_dir":
　　...
　　}
　　}
　　}
　　}
　　class setup_secondary_namenode {
　　if ($is_secondarynamenode == true) {
　　...
　　}
　　....
　　}
　　exec {"namenode-dfs-perm":
　　...
　　}
　　}
　　}

　　构建JobTracker
　　如果用Yum安装Jobtracker，需在所有数据节点上执行以下命令：

　　yum install hadoop-0.20-jobtracker –y

　　换成Puppet的话，则是使用与构建Namenode相同的装载单，唯一的区别在于，在Jobtracker机器上，会启动Jobtracker——即将该机器上的is_jobtracker设置为true。

---

荆州区17689945100： 怎么为大数据处理构建高性能Hadoop集群 - ？
店宝爱西： 越来越多的企业开始使用Hadoop来对大数据进行处理分析,但Hadoop集群的整体性能却取决于CPU、内存、网络以及存储之间的性能平衡.而在这篇文章中,我们将探讨如何为Hadoop集群构建高性能网络,这是对大数据进行处理分析的关键...

荆州区17689945100： 如何基于Docker快速搭建多节点Hadoop集群 - ？
店宝爱西： Docker最核心的特性之一,就是能够将任何应用包括Hadoop打包到Docker镜像中.这篇教程介绍了利用Docker在单机上快速搭 建多节点 Hadoop集群的详细步骤.作者在发现目前的Hadoop on Docker项目所存在的问题之后,开发了接近最小...

荆州区17689945100： 怎么在服务器上搭建hadoop集群 - ？
店宝爱西： 前期准备 l 两台linux虚拟机(本文使用redhat5,IP分别为 IP1、IP2) l JDK环境(本文使用jdk1.6,网上很多配置方法,本文省略) l Hadoop安装包(本文使用Hadoop1.0.4) 搭建目标 210作为主机和节点机,211作为节点机. 搭建步骤 1修改hosts文...

荆州区17689945100： hadoop 集群搭建 - ？
店宝爱西： 在hadoop里找hadoop-***-core.jar

荆州区17689945100： 在docker中搭建hadoop集群有什么好方法配置ip - ？
店宝爱西： 1. 该问题是由于docker在启动暂停或退出的container时会初始化系统文件如/etc/hosts等四个文件.导致依赖于ip主机名对应关系的hadoop集群无法工作.2. 可利用编写脚本调用expect在管理机上推送示例文件(这个示例文件内容需要脚本采用...

荆州区17689945100： 如何搭建hadoop分布式环境,怎样快速搭建 - ？
店宝爱西： 部署步骤 序号 操作 1 配置SSH无密码登陆 2 配置环境变量JAVA(必须),MAVEN,ANT 3 配置Hadoop环境变量 4 配置core-site.xml文件 5 配置hdfs-site.xml文件 6 配置mapred-site.xml文件 7 配置yarn-site.xml文件 8 配置slaves文件 9 分发到从机上 10...

荆州区17689945100： 想要搭建hadoop集群,想问一下应该配备什么样的硬件设备,顺便给出每个硬件设备的大概价格. - ？
店宝爱西： 可以用一台普通pc机,加虚拟机来完成小范围集群配置

荆州区17689945100： 如何在虚拟机中搭建hadoop - ？
店宝爱西： 方法/步骤 1 设置虚拟机和本机上的ip2 可以清楚的看到多出现了两个网卡选项,这里我们使用VMware Network Adapter VMnet1 就行了,然后将其与的一个禁用.启用第一个之后,就要去给这个设置ip地址了,那么这个ip地址应该设置为多少呢...

荆州区17689945100： hadoop 框架中怎么来优化 - ？
店宝爱西： Storm用于处理高速、大型数据流的分布式实时计算系统.为Hadoop添加了可靠的实时数据处理功能 Spark采用了内存计算.从多迭代批处理出发,允许将数据载入内存作反复查询,此外还融合数据仓库,流处理和图形计算等多种计算范式.Spark构建在HDFS上,能与Hadoop很好的结合.它的RDD是一个很大的特点.Hadoop当前大数据管理标准之一,运用在当前很多商业应用系统.可以轻松地集成结构化、半结构化甚至非结构化数据集.

荆州区17689945100： 搭建Hadoop集群,一个月6T的数量需要几台服务器 - ？
店宝爱西： 最好是两个做成HA 关于硬盘:6T的数据容量,看你副本数量设置是多少,一般默认为3,那么仅这些就需要18T硬盘,稍微大一点20T吧;这仅仅是HDFS存储;(这里我说的是一个月的,你数据保存几个月,就乘几倍) 如果你集群上面要跑计...