Hadoop： Hadoop Cluster配置文件
2024-04-07 15:47:56
Hadoop配置文件
Hadoop的配置文件：
- 只读的默认配置文件：core-default.xml, hdfs-default.xml, yarn-default.xml 和 mapred-default.xml
- 站点特定的配置文件：etc/hadoop/core-site.xml, etc/hadoop/hdfs-site.xml, etc/hadoop/yarn-site.xml 和 etc/hadoop/mapred-site.xm
- Hadoop环境变量配置文件：etc/hadoop/hadoop-env.sh、etc/hadoop/mapred-env.sh 和 etc/hadoop/yarn-env.sh
管理员用户可以修改etc/hadoop/hadoop-env.sh、etc/hadoop/mapred-env.sh 和 etc/hadoop/yarn-env.sh 脚本来自定义站点特定的配置，修改这些脚本就是配置Hadoop后台进程用到的环境变量，比如，配置JAVA_HOME。
通过修改下面配置参数，管理员可以设置单独的Hadoop后台进程
| 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 |
其他有用的配置参数：
- HADOOP_PID_DIR：进程ID文件存放的目录
- HADOOP_LOG_DIR：日志文件存放的目录，默认会自动创建。
- HADOOP_HEAPSIZE / YARN_HEAPSIZE：能够使用堆内存的最大值，以MB为单位。默认值是1000，既1000M。使用它可以单独指定某个节点Hadoop进程能够使用的内存大小。
大多数情况下，我们需要配置HADOOP_PID_DIR和HADOOP_LOG_DIR，因为运行Hadoop进程的用户需要对这些目录有写权限。
三、Hadoop后台进程及配置
- HDFS后台进程：NameNode、SecondaryNameNode、DataNode
- YARN后天进程：ResourceManager、WebAppProxy
- MapReduce后台进程：MapReduce Job History Server
下面介绍各个配置文件中的重要参数
1、etc/hadoop/core-site.xml
| Parameter | Value | Notes |
|---|---|---|
| fs.defaultFS | NameNode URI | hdfs://host:port/ |
| io.file.buffer.size | 131072 | 读写文件的buffer大小，单位byte |
2、etc/hadoop/hdfs-site.xml
NameNode配置参数
| Parameter | Value | Notes |
|---|---|---|
| dfs.namenode.name.dir | NameNo的在本地文件系统中存储namespace和事务日志的目录 | 如果配置多个目录，用逗号分开，每个目录都会存放一份副本 |
| dfs.hosts | DataDode白名单 | 不指定，默认所有DataNode都可以使用 |
| dfs.hosts.exclude | DataNode黑名单，不允许使用 | 不指定，默认所有DataNode都可以使用 |
| dfs.blocksize | 268435456 | HDFS数据块大小，单位byte，默认64M，对于超大文件可以配置为256M |
| dfs.namenode.handler.count | 100 | 处理对DataNode的RPC调用的NameNode服务线程数量 |
DataNode配置参数
| Parameter | Value | Notes |
|---|---|---|
| dfs.datanode.data.dir | DataNode在本地文件系统存储数据块的目录，多个目录按逗号分割 | 如果是多个目录，会在每个目录存放一个副本 |
3、etc/hadoop/yarn-site.xml
针对ResourceManager 和 NodeManager共同的配置
| Parameter | Value | Notes |
|---|---|---|
| yarn.acl.enable | true / false | 是否启用ACL权限控制，默认false |
| yarn.admin.acl | Admin ACL | 集群上管理员的ACL权限，具体参考Linux下ACL权限控制的详细内容。默认是*，表示任何人都可以访问，什么也不设置（空白）表示禁止任何人访问 |
| yarn.log-aggregation-enable | false | 是否启用日志聚合，默认false |
ResourceManager配置参数
| Parameter | Value | Notes |
|---|---|---|
| yarn.resourcemanager.address | 客户端访问并提交作业的地址（host:port） | 一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值 |
| yarn.resourcemanager.scheduler.address | ApplicationMasters 连接并调度、获取资源的地址（host:port） | 一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值 |
| yarn.resourcemanager.resource-tracker.address | NodeManagers连接ResourceManager的地址（host:port） | 一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值 |
| yarn.resourcemanager.admin.address | 管理相关的commands连接ResourceManager的地址（host:port） | 一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值 |
| yarn.resourcemanager.webapp.address | 浏览器访问ResourceManager的地址（host:port） | 一旦设置了，这个地址会覆盖参数 yarn.resourcemanager.hostname指定的值 |
| yarn.resourcemanager.hostname | ResourceManager主机名称 | |
| yarn.resourcemanager.scheduler.class |
ResourceManager调度程序使用的java class，默认值是 org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler |
CapacityScheduler (推荐), FairScheduler (推荐), or FifoScheduler |
| yarn.scheduler.minimum-allocation-mb | 为每一个资源请求分配的最小内存 | 单位MB |
| yarn.scheduler.maximum-allocation-mb | 为每一个资源请求分配的最大内存 | 单位MB |
| yarn.resourcemanager.nodes.include-path / yarn.resourcemanager.nodes.exclude-path | 同etc/hadoop/hdfs-site.xml |
NodeManager配置参数
| Parameter | Value | Notes |
|---|---|---|
| yarn.nodemanager.resource.memory-mb | NodeManager进程可使用的物理内存大小 | 关系到yarn.scheduler.minimum-allocation-mb和yarn.scheduler.maximum-allocation-mb |
| yarn.nodemanager.vmem-pmem-ratio | Maximum ratio by which virtual memory usage of tasks may exceed physical memory | The virtual memory usage of each task may exceed its physical memory limit by this ratio. The total amount of virtual memory used by tasks on the NodeManager may exceed its physical memory usage by this ratio. |
| yarn.nodemanager.local-dirs | 存放中间数据的本地目录，多个目录逗号分隔 | 多个目录可以提升磁盘IO速度 |
| yarn.nodemanager.log-dirs | 存放日志的本地目录，多个目录逗号分隔 | 多个目录可以提升磁盘IO速度 |
| yarn.nodemanager.log.retain-seconds | 10800 | Default time (in seconds) to retain log files on the NodeManager Only applicable if log-aggregation is disabled. |
| yarn.nodemanager.remote-app-log-dir | /logs | HDFS directory where the application logs are moved on application completion. Need to set appropriate permissions. Only applicable if log-aggregation is enabled. |
| yarn.nodemanager.remote-app-log-dir-suffix | logs | Suffix appended to the remote log dir. Logs will be aggregated to ${yarn.nodemanager.remote-app-log-dir}/${user}/${thisParam} Only applicable if log-aggregation is enabled. |
| yarn.nodemanager.aux-services | mapreduce_shuffle | Shuffle service that needs to be set for Map Reduce applications. |
History Server 参数配置:
| Parameter | Value | Notes |
|---|---|---|
| yarn.log-aggregation.retain-seconds | -1 | How long to keep aggregation logs before deleting them. -1 disables. Be careful, set this too small and you will spam the name node. |
| yarn.log-aggregation.retain-check-interval-seconds | -1 | Time between checks for aggregated log retention. If set to 0 or a negative value then the value is computed as one-tenth of the aggregated log retention time. Be careful, set this too small and you will spam the name node. |
4、etc/hadoop/mapred-site.xml
MapReduce 应用的配置:
| Parameter | Value | Notes |
|---|---|---|
| mapreduce.framework.name | yarn | Execution framework set to Hadoop YARN. |
| mapreduce.map.memory.mb | 1536 | Larger resource limit for maps. |
| mapreduce.map.java.opts | -Xmx1024M | Larger heap-size for child jvms of maps. |
| mapreduce.reduce.memory.mb | 3072 | Larger resource limit for reduces. |
| mapreduce.reduce.java.opts | -Xmx2560M | Larger heap-size for child jvms of reduces. |
| mapreduce.task.io.sort.mb | 512 | Higher memory-limit while sorting data for efficiency. |
| mapreduce.task.io.sort.factor | 100 | More streams merged at once while sorting files. |
| mapreduce.reduce.shuffle.parallelcopies | 50 | Higher number of parallel copies run by reduces to fetch outputs from very large number of maps. |
MapReduce JobHistory Server配置:
| Parameter | Value | Notes |
|---|---|---|
| mapreduce.jobhistory.address | MapReduce JobHistory Server host:port | Default port is 10020. |
| mapreduce.jobhistory.webapp.address | MapReduce JobHistory Server Web UI host:port | Default port is 19888. |
| mapreduce.jobhistory.intermediate-done-dir | /mr-history/tmp | Directory where history files are written by MapReduce jobs. |
| mapreduce.jobhistory.done-dir | /mr-history/done | Directory where history files are managed by the MR JobHistory Server. |
NodeManagers的健康监控
Hadoop提供了一个监控机制，管理员可以配置NodeManager运行一个脚本，定期检测某个Node是否健康可用。如果某Node不可用，该节点会在standard output打印出一条ERROR开头的消息，NodeManager会定期检查所有Node的output，如果发现有ERROR信息，就会把这个Node标志为unhealthy，然后将其加入黑名单，不会有任务分陪给它了，直到该Node恢复正常，NodeManager检测到会将其移除黑名单，继续分配任务给它。
下面是health monitoring script的配置信息，位于etc/hadoop/yarn-site.xml
| Parameter | Value | Notes |
|---|---|---|
| yarn.nodemanager.health-checker.script.path | Node health script | Script to check for node’s health status. |
| yarn.nodemanager.health-checker.script.opts | Node health script options | Options for script to check for node’s health status. |
| yarn.nodemanager.health-checker.script.interval-ms | Node health script interval | Time interval for running health script. |
| yarn.nodemanager.health-checker.script.timeout-ms | Node health script timeout interval | Timeout for health script execution. |
NodeManager要能够定期检查本地磁盘，特别是nodemanager-local-dirs 和 nodemanager-log-dirs配置的目录，当发现bad directories的数量达到了yarn.nodemanager.disk-health-checker.min-healthy-disks指定的值，这个节点才被标志为unhealthy。
Slaves File
列出所有DataNode节点的 hostnames or IP 地址在etc/hadoop/slaves 文件, 一行一个。 Helper 脚本 (described below) 使用etc/hadoop/slaves 文件在许多客户端运行命令。 它不需要任何基于Java的hadoop配置，为了使用此功能，Hadoop节点之间应使用ssh建立互信连接。
配置 SSH
ssh免密码远程连接，主要用于start-dfs.sh 和 start-yarn.sh 脚本，实现批量启动HDFS、YARN进程
以下实现hdfs用户的ssh免密码，主要用于start-dfs.sh
1、检查ssh本机是否需要密码
[hdfs@server1 ~]$ ssh localhost
The authenticity of host 'localhost (::1)' can't be established.
ECDSA key fingerprint is dd:f4:7e:77:28:03:a1:3d:d2:f1:1d:d0:fe:70:a3:dc.
Are you sure you want to continue connecting (yes/no)?
2、设置针对hdfs用户的面密码ssh
server1：192.168.100.51
server2：192.168.100.52
# 实现本机ssh免密码
[hdfs@server1 ~]$ ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa
[hdfs@server1 .ssh]$ cat id_rsa.pub >> authorized_keys
[hdfs@server1 .ssh]$ chmod 0600 authorized_keys # 实现192.168.100.52可以免密码ssh本机
[hdfs@server1 ~]$ scp .ssh/id_rsa.pub hdfs@192.168.100.52:~ # 登录192.168.100.52设置
[hdfs@server2 ~]$ ls
id_rsa.pub
[hdfs@server2 ~]$ cat id_rsa.pub >> .ssh/authorized_keys # ssh 192.168.100.51
[hdfs@server2 ~]$ ssh 192.168.100.51
Last login: Tue Sep 6 14:36:15 2016 from localhost
[hdfs@server1 ~]$ logout
3、按照同样的方式，实现server1对server2的ssh免密码
最新文章
- [转]C/C++ 程序员必须收藏的资源大全
- 最后一周psp
- 《C#高级编程》学习总结之LINQ
- VirtualBox提示：错误，创建一个新任务失败,被召者解决办法
- mysql允许其他电脑访问权限开通
- UIActionSheet的使用
- Python--关于 join 和 split
- 实战网卡bond
- #define offsetof(TYPE, MEMBER) ((size_t) &((TYPE *)0)->MEMBER)
- 判断2D平面内某点是否在某个旋转的矩形（OBB）内的算法
- android 59 LinearLayout 线性布局
- rhel6.4 配置本地yum的源
- 基于visual Studio2013解决C语言竞赛题之1064互质数差1验证
- 【转载】 ISO14229系列之二：诊断指令格式和相关概念
- 2017"百度之星"程序设计大赛 - 初赛（A）-1001.小C的倍数问题(HDU6108) 1005.今夕何夕-蔡勒公式 (HDU6112)
- PLSQL 报错弹框乱码
- 电梯问题——致敬ACM
- linux xfs的一次io异常导致的crash
- 如何使用命令从linux服务器下载文件到windows
- Basic remains POJ - 2305 同余模 高精度处理