前言
本文主要通過對hadoop2.2.0集群配置的過程加以梳理，所有的步驟都是通過自己實際測試。文檔的結構也是根據自己的實際情況而定，同時也會加入自己在實際過程遇到的問題。搭建環境過程不重要，重要點在於搭建過程中遇到的問題，解決問題的過程。
可能自己遇到的問題在一些由經驗的老者手上都不是問題，但是這些問題着實讓自己耽誤了很長時間，最后問題解決也是費了太大心血。也通過這篇文檔，表現出來，算是總結，為后者提供意見。
Hadoop2.2.0體系結構
要想理解本節內容，首先需要了解hadoop1的體系結構。這里不過多的介紹基於hadoop1的體系架構，早在之前，曾搭建hadoop1.2.1偽分布式集群，詳細請看hadoop學習（一）hadoop-1.2.1偽分布式配置及遇到的問題。這里主要介紹hadoop2的體系架構。
hadoop1的核心組成是兩部分，即HDFS和MapReduce。在hadoop2中變為HDFS和Yarn。
新的HDFS中的NameNode不再是只有一個了，可以有多個（目前只支持2個）。每一個都有相同的職能。
這兩個NameNode的地位如何：一個是active狀態的，一個是standby狀態的。當 集群運行時，只有active狀態的NameNode是正常工作的，standby狀態的NameNode是處於待命狀態的，時刻同步active狀態 NameNode的數據。一旦active狀態的NameNode不能工作，通過手工或者自動切換，standby狀態的NameNode就可以轉變為 active狀態的，就可以繼續工作了。這就是高可靠。
當NameNode發生故障時，他們的數據如何保持一致：在這里，2個NameNode的數據其實是實時共享的。新HDFS采用了一種共享機制，JournalNode集群或者NFS進行共享。NFS是操作系統層面的，JournalNode是hadoop層面的，我們這里使用JournalNode集群進行數據共享。
如何實現NameNode的自動切換：這就需要使用ZooKeeper集群進行選擇了。HDFS集群中的兩個NameNode都在ZooKeeper中注冊，當active狀態的NameNode出故障時，ZooKeeper能檢測到這種情況，它就會自動把standby狀態的NameNode切換為active狀態。
HDFS Federation（HDFS聯盟）：聯盟的出現是有原因的。我們知道 NameNode是核心節點，維護着整個HDFS中的元數據信息，那么其容量是有限的，受制於服務器的內存空間。當NameNode服務器的內存裝不下數據后，那么HDFS集群就裝不下數據了，壽命也就到頭了。因此其擴展性是受限的。HDFS聯盟指的是有多個HDFS集群同時工作，那么其容量理論上就不受限了，誇張點說就是無限擴展。你可以理解成，一個總集群中，可以虛擬出兩個或兩個以上的單獨的小集群，各個小集群之間數據是實時共享的。因為hadoop集群中已經不在單獨存在namenode和datanode的概念。當一個其中一個小集群出故障，可以啟動另一個小集群中的namenode節點，繼續工作。因為數據是實時共享，即使namenode或datanode一起死掉，也不會影響整個集群的正常工作。
集群節點任務安排：
這點很重要，我們事先一定要先理解，節點之間任務是如何安排的。如果事先不理解為什么是這樣，后面還會遇到更多的問題。這就需要，理解journalnode、zookeeper、datanode、namenode之間關系。自己也是在這上面耽誤了很長時間，希望讀者這點多注意下。
6台主機。
Journalnode和zookeeper保持奇數點，這點大家要有個概念，最少不少於3個節點。這里暫不講解。
兩個namenode上面已經說明，其實在hadoop2中幾點之間namenode和datanode之間的划分已經不是那么明確了。這只是采用后4台機器作為namenode。這里也存在一個問題：如果把datanode和namenode放在一起，對數據的讀取IO的效率肯定會有一定的影響，不同機器之間還是要通過網線和http請求完成數據之間的共享。實際中，兩者是可以在一起。但是我不知道在一起和不在一起之間的主要區別在哪兒，上面的解釋只是個人意見，如果讀者有更好的意見可以留言，大家一起討論。
在集群搭建之間，各主機設置靜態IP、更改主機名稱、主機之間ssh互聯等相關設置這里不在多講。如有需要，請參考：hadoop學習（五）Hadoop2.2.0完全分布式安裝詳解（1）配置文檔。
下面就進入正式的集群的安裝過程：
下面所有的過程都是在hadoop1機器上完成的，之后把文件復制到其他節點中。
Zookeeper安裝過程：
1、下載解壓zookeeper
下載地址：http://mirror.bit.edu.cn/apache/zookeeper/zookeeper-3.4.5/
解壓到指定目錄：這里目錄：/home/tom/yarn/hadoop-2.2.0/app/
在hadoop目錄中創建app目錄。把文件解壓到hadoop的app目錄中，是為了以后整個項目可以整體移植。包括后面，我們會安裝HBase、Hive等軟件，都是解壓到app的目錄中。
2、修改配置文件
2.1進入zookeeper中conf目錄：
拷貝命名zoo_sample.cfg 為zoo.cfg。我們一般不修改配置文件默認的示例文件，修改賦值其子文件。
編輯zoo.cfg
1 tickTime=2000 2 initLimit=10 3 syncLimit=5 4 dataDir=/home/tom/yarn/hadoop-2.2.0/app/zookeeper-3.4.5/zkdata 5 dataLogDir=/home/tom/yarn/hadoop-2.2.0/app/zookeeper-3.4.5/zkdatalog 6 clientPort=2181 7 server.1=hadoop1:2888:3888 8 server.2=hadoop2:2888:3888 9 server.3=hadoop3:2888:3888 10 server.4=hadoop4:2888:3888 11 server.5=hadoop5:2888:3888
2.2創建zkdata和zkdatalog兩個文件夾
在zookeeper的目錄中，創建上述兩個文件夾。進入zkdata文件夾，創建文件myid，填入1。這里寫入的1，是在zoo.cfg文本中的server.1中的1。當我們把所有文件都配置完畢，我們把hadoop1中yarn目錄復制到其它機器中，我們在修改每台機器中對應的myid文本，hadoop2中的myid寫入2。其余節點，安照上面配置，依此寫入相應的數字。Zkdatalog文件夾，是為了指定zookeeper產生日志指定相應的路徑。
3、添加環境變量
本機環境變量添是在/etc/profile目錄中添加的。
1 export ZOOKEEPER_HOME=/home/tom/yarn/hadoop-2.2.0/app/zookeeper-3.4.5 2 PATH=$ZOOKEEPER_HOME/bin:$PATH
添加ZOOKEEPER_HOME/bin目錄可以在原有的PATH后面加入
：$ZOOKEEPER_HOME/bin
關於環境變量修改/etc目錄下的profile文件，也可以在根目錄下的.bashrc目錄下添加環境變量。這兩者有什么區別：.bashrc是對當前目錄用戶的環境變量，profile文件是對所有用戶都開放的目錄。當系統加載文件中，先從profile找相應的路勁，如果沒有會在.bashrc文件中找對應的環境變量路徑。這兩者大家稍至了解。
然后 source /etc/profile
上面3個步驟就安裝zookeeper完畢。然后就是測試zookeeper，這個放到后面等hadoop1上整體配置完畢，scp到其它主機上后，再一起測試。
Hadoop配置
1、下載解壓hadoop2.2.0
路徑：http://apache.dataguru.cn/hadoop/common/hadoop-2.2.0/
解壓到：/home/tom/yarn/下。其實這一步應該在解壓zookeeper之前。不再多講。
2、修改配置文件
這里要修改配置文件一共包括6個，分別是在hadoop-env.sh、core-site.xml、hdfs-site.xml、mapred-site.xml、 yarn-site.xml和slaves。
修改文件的目錄地址：/home/tom/yarn/hadoop-2.2.0/etc/hadoop/
2.1文件hadoop-env.sh
添加jdk環境變量：
export JAVA_HOME=/usr/lib/jvm/jdk1.7.0_45
2.2文件coer-site.xml
1 <configuration> 2 <property> 3 <name>fs.defaultFS</name> 4 <value>hdfs://cluster1</value> 5 </property> 6 【這里的值指的是默認的HDFS路徑。這里只有一個HDFS集群，在這里指定！該值來自於hdfs-site.xml中的配置】 7 <property> 8 <name>hadoop.tmp.dir</name> 9 <value>/home/tom/yarn/yarn_data/tmp</value> 10 </property> 11 【這里的路徑默認是NameNode、DataNode、JournalNode等存放數據的公共目錄。用戶也可以自己單獨指定這三類節點的目錄。這里的yarn_data/tmp目錄與文件都是自己創建的】 12 <property> 13 <name>ha.zookeeper.quorum</name> 14 <value>hadoop1:2181,hadoop2:2181,hadoop3:2181,hadoop4:2181,hadoop5:2181</value> 15 </property> 16 【這里是ZooKeeper集群的地址和端口。注意，數量一定是奇數，且不少於三個節點】 17 </configuration><span style="font-size:14px;"><span style="font-family:宋體;"></span></span>
2.3文件hdfs-site.xml
1 重點核心文件： 2 <configuration> 3 <property> 4 <name>dfs.replication</name> 5 <value>2</value> 6 </property> 7 【指定DataNode存儲block的副本數量。默認值是3個，我們現在有4個DataNode，該值不大於4即可。】 8 <property> 9 <name>dfs.permissions</name> 10 <value>false</value> 11 </property> 12 <property> 13 <name>dfs.permissions.enabled</name> 14 <value>false</value> 15 </property> 16 <property> 17 <name>dfs.nameservices</name> 18 <value>cluster1</value> 19 </property> 20 【給hdfs集群起名字】 21 <property> 22 <name>dfs.ha.namenodes.cluster1</name> 23 <value>hadoop1,hadoop2</value> 24 </property> 25 【指定NameService是cluster1時的namenode有哪些，這里的值也是邏輯名稱，名字隨便起，相互不重復即可】 26 <property> 27 <name>dfs.namenode.rpc-address.cluster1.hadoop1</name> 28 <value>hadoop1:9000</value> 29 </property> 30 【指定hadoop101的RPC地址】 31 <property> 32 <name>dfs.namenode.http-address.cluster1.hadoop1</name> 33 <value>hadoop1:50070</value> 34 </property> 35 【指定hadoop101的http地址】 36 <property> 37 <name>dfs.namenode.rpc-address.cluster1.hadoop2</name> 38 <value>hadoop2:9000</value> 39 </property> 40 <property> 41 <name>dfs.namenode.http-address.cluster1.hadoop2</name> 42 <value>hadoop2:50070</value> 43 </property> 44 <property> 45 <name>dfs.namenode.servicerpc-address.cluster1.hadoop1</name> 46 <value>hadoop1:53310</value> 47 </property> 48 <property> 49 <name>dfs.namenode.servicerpc-address.cluster1.hadoop2</name> 50 <value>hadoop2:53310</value> 51 </property> 52 <property> 53 <name>dfs.ha.automatic-failover.enabled.cluster1</name> 54 <value>true</value> 55 </property> 56 【指定cluster1是否啟動自動故障恢復，即當NameNode出故障時，是否自動切換到另一台NameNode】 57 <!--指定JournalNode --> 58 <property> 59 <name>dfs.namenode.shared.edits.dir</name> <value>qjournal://hadoop1:8485;hadoop2:8485;hadoop3:8485;hadoop4:8485;hadoop5:8485/cluster1</value> 60 </property> 61 【指定cluster1的兩個NameNode共享edits文件目錄時，使用的JournalNode集群信息】 62 <property> 63 <name>dfs.client.failover.proxy.provider.cluster1</name> <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value> 64 </property> 65 【指定cluster1出故障時，哪個實現類負責執行故障切換】 66 <property> 67 <name>dfs.journalnode.edits.dir</name> 68 <value>/home/tom/yarn/yarn_data/tmp/journal</value> 69 </property> 70 【指定JournalNode集群在對NameNode的目錄進行共享時，自己存儲數據的磁盤路徑。tmp路徑是自己創建，journal是啟動journalnode自動生成】 71 <property> 72 <name>dfs.ha.fencing.methods</name> 73 <value>sshfence</value> 74 </property> 75 【一旦需要NameNode切換，使用ssh方式進行操作】 76 <property> 77 <name>dfs.ha.fencing.ssh.private-key-files</name> 78 <value>/home/tom/.ssh/id_rsa</value> 79 </property> 80 【如果使用ssh進行故障切換，使用ssh通信時用的密鑰存儲的位置】 81 <property> 82 <name>dfs.ha.fencing.ssh.connect-timeout</name> 83 <value>10000</value> 84 </property> 85 <property> 86 <name>dfs.namenode.handler.count</name> 87 <value>100</value> 88 </property> 89 </configuration>
2.4文件mapred-site.xml
2.5文件yarn-site.xml
1 <configuration> 2 <property> 3 <name>yarn.resourcemanager.hostname</name> 4 <value>hadoop1</value> 5 </property> 6 【自定義ResourceManager的地址，還是單點】 7 <property> 8 <name>yarn.nodemanager.aux-services</name> 9 <value>mapreduce.shuffle</value> 10 </property> 11 </configuration>
2.6文件slaves
添加：這里指定哪台機器是datanode，這里指定4台機器。你甚至可以把集群所有機器都當做datanode
1 hadoop3 2 hadoop4 3 hadoop5 4 hadoop6
3、添加環境變量
環境變量的添加方法大都相同。這里給出我所有環境變量配置，大家可以根據自己的需要參考一下。
這里我們只要添加HADOOP_HOME環境變量。
1 JAVA_HOME=/usr/lib/jvm/jdk1.7.0_51 2 export PATH=$PATH:$JAVA_HOME/bin 3 export HBASE_HOME=/home/tom/hadoop-2.2.0/app/hbase-0.94.6-cdh4.4.0 4 export HIVE_HOME=/home/tom/hadoop-2.2.0/app/hive-0.12.0/ 5 export HADOOP_HOME=/home/tom/hadoop-2.2.0 6 export PATH=$PATH:$HBASE_HOME/bin:$HIVE_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin 7 export CLASSPATH=.:$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar 8 export ZOOKEEPER_HOME=/home/tom/yarn/hadoop-2.2.0/app/zookeeper-3.4.5 9 export PATH=$PATH:$ZOOKEEPER_HOME/bin
4、復制到其它節點
在hadoop的的根目錄下（即：/home/tom目錄下）：因為我們所有的環境都裝載在hadoop1的tom目錄下。
執行：
1 scp -r yarn hadoop2:/home/tom 2 scp -r yarn hadoop3:/home/tom 3 scp -r yarn hadoop4:/home/tom 4 scp -r yarn hadoop5:/home/tom 5 scp -r yarn hadoop6:/home/tom
注意點：
1、因為我們是把整個yarn目錄復制到其他節點中，zookeeper也包含在內。事先我們定義zookeeper是在1-5台機器上部署。這里我們雖然把zookeeper拷貝到6機器中，但是我們再zookeeper配置文件中沒有配置6機器的節點，在啟動zookeeper的時候，6機器也不需要啟動。
2、現在要做的是進入zookeeper目錄下的zkdata目錄，修改myid文件：各個myid內容對應zoo.cfg文件中server對應的編號。
按照上面的3個大步驟，以及在注釋中自己要創建的文件夾，指定相應的路徑之后，整體的hadoop環境算是搭建完畢。下面就是等測試。
看似簡單的不能再簡單的搭建過程，這是你弄明白之后的事情。在從hadoop1到2之間的過度，主要的變化是namenode和mapreduce到yarn架構之間的變化。就在這簡單的配置過程中，加上可參考網上眾多配置教程，也耽誤了太長時間。不是文件難配置，而是在出現問題，不知道怎么解決，就一直卡在那兒。咨詢過一些大牛，但是他們也是搪塞，沒有給出真正問題的原因。其中有一個問題，在QQ群中，咨詢過一個人，從他那邊才得到啟發，把其中的一個問題給解決掉。這也是我們遇到的問題，沒有一個平台，導致在一些別人看似不是問題的問題上耽誤太長時間。
上面的任務完成后。下面才是非常關鍵的步驟，任務的重中之重，同時也是問題出現的地方，也是卡時間最多的地方：測試整個集群的性能。
引自：http://blog.csdn.net/yczws1/article/details/23566383