Hadoop记录-Federation联邦机制

在Hadoop2.0之前，HDFS的单NameNode设计带来诸多问题：

单点故障、内存受限，制约集群扩展性和缺乏隔离机制（不同业务使用同一个NameNode导致业务相互影响）等
为了解决这些问题，除了用基于共享存储的HA解决方案我们还可以用HDFS的Federation机制来解决这个问题。
【单机namenode的瓶颈大约是在4000台集群，而后则需要使用联邦机制】

什么是Federation机制
Federation是指HDFS集群可使用多个独立的NameSpace(NameNode节点管理)来满足HDFS命名空间的水平扩展
这些NameNode分别管理一部分数据，且共享所有DataNode的存储资源。

NameSpace之间在逻辑上是完全相互独立的(即任意两个NameSpace可以有完全相同的文件名)。在物理上可以完全独立(每个NameNode节点管理不同的DataNode)也可以有联系(共享存储节点DataNode)。一个NameNode节点只能管理一个Namespace

Federation机制解决单NameNode存在的以下几个问题
（1）HDFS集群扩展性。每个NameNode分管一部分namespace，相当于namenode是一个分布式的。
（2）性能更高效。多个NameNode同时对外提供服务，提供更高的读写吞吐率。
（3）良好的隔离性。用户可根据需要将不同业务数据交由不同NameNode管理，这样不同业务之间影响很小。
（4）Federation良好的向后兼容性，已有的单Namenode的部署配置不需要任何改变就可以继续工作。

Federation是简单鲁棒的设计
鲁棒性（健壮和强壮）：在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃

由于联盟中各个Namenode之间是相互独立的：Federation整个核心设计大部分改变是在Datanode、Config和Tools，而Namenode本身的改动非常少，这样Namenode原先的鲁棒性不会受到影响。比分布式的Namenode简单，虽然扩展性比真正的分布式的Namenode要小些，但是可以迅速满足需求。

另外一个原因是Federation良好的向后兼容性，可以无缝的支持目前单Namenode架构中的配置。已有的单Namenode的部署配置不需要任何改变就可以继续工作。

Federation不足之处
HDFS Federation并没有完全解决单点故障问题。虽然namenode/namespace存在多个，但是从单个namenode/namespace看，仍然存在单点故障。因此 Federation中每个namenode配置成HA高可用集群，以便主namenode挂掉一下，用于快速恢复服务。
Federation 架构

Federation方案的基本思路就是使用多个独立的NameSpace(NameNode节点管理)来满足HDFS命名空间的水平扩展,NameSpace之间在逻辑上是完全相互独立的(即任意两个NameSpace可以有完全相同的文件名),而在物理上可以完全独立(NameNode节点管理不同的DataNode)也可以有联系(共享存储节点DataNode)很显然,任何一个NameNode节点只能管理一个Namespace.这种在逻辑上无法统一命名空间的设计对于初学者来说,可能会常常踩到文件名冲突或文件不存在的陷阱中.很显然,任何一个NameNode节点只能管理一个Namespace.

为了水平扩展namenode，federation使用了多个独立的namenode/namespace
这些namenode之间相互独立且不需要互相协调，各自分工，管理自己的区域。分布式的datanode被用作通用的数据块存储存储设备。每个datanode要向集群中所有的namenode注册，且周期性地向所有namenode发送心跳和块报告，并执行来自所有namenode的命令。

每个namenode维护一个命名空间卷（namespace volume）
由命名空间的元数据和一个数据块池组成，数据块池（block pool）包含该命名空间下文件的所有数据块。

命名空间卷之间相互独立
两两之间并不互相通信，甚至其中一个namenode的失效也不会影响由其他namenode维护的命名空间的可用性。

一个namespace和它的blockpool作为一个管理单元（称为namespace volume）
数据块池不再切分，则集群中的DataNode需要注册到每个namenode，并且存储着来自多个数据块池中的数据块。当namenode/namespace被删除后，其所有datanode上对应的block pool也会被删除。集群升级时，这个管理单元也独立升级。

NameNode的HA

实现NameNode的HA方案,最重要的部分就是需要一个共享式的存储系统来实时存储NameNode的操作日志,而这种共享式的存储系统必须要满足两个基本条件:一是自身必须要高可用,二是保证强一致性.目前,Hadoop-2.x使用Quorum Journal Manager(QJM)来实现操作日志的共享,QJM是一个比ZooKeeper要轻量级的分布式存储系统,所使用的一致性约束条件远远不如paxos,raft等高可用的一致性算法.HDFS抽象出了一个日志接口JournalManager来屏蔽底层对操作日志存储的实现细节,目前主要有三种实现:

+ JournalManager
-FileJournalManager
-QuorumJournalManager
-BackupJournalManager

FileJournalManager将操作日志写入本地文件系统中,QuorumJournalManager将操作日志写入QJM中来实现主/备NameNode之间的操作日志共享,BackupJournalManager将操作日志实时的推送给backup的NameNode节点.QuorumJournalManager为了保证性能,采用了异步并发的方式将操作日志刷入所有的JournalNode节点

配置的HA的HDFS,所有NameSpace的NameNode节点在启动加载完元数据之后都处于Standby状态,之后被手动或自动的选择一个NameNode节点作为Active节点而开始正常工作.HA的自动方式是通过在每一个NameNode的本地启动一个守护进程ZKFailoverController来竞争Active NameNode的,ZKFailoverController除了为本地的NameNode争取Active角色之外,还负责监控本地的NN节点当前是否正常的,一旦它发现本地的NN不正常,要么主动替当前的Active NN退出Active角色或退出Active的竞争.

DistributedFileSystem的容错Proxy

HDFS的HA方案并不只是保证NameNode节点的高可用,还得保证客户端能够对用户透明的容忍主/备NameNode节点之间的切换.目前客户端对HA方案的实现方式主要是通过重试的机制来完成的.

简述

hadoop 集群一共有4种部署模式，详见《hadoop 生态圈介绍》。
HA联邦模式解决了单纯HA模式的性能瓶颈（主要指Namenode、ResourceManager），将整个HA集群划分为两个以上的集群，不同的集群之间通过Federation进行连接，使得HA集群拥有了横向扩展的能力。理论上，在该模式下，能够通过增加计算节点以处理无限增长的数据。联邦模式下的配置在原HA模式的基础上做了部分调整。

所有四种模式的部署指南见：
hadoop 伪分布式搭建指南
 hadoop 完全分布式搭建指南
 hadoop HA高可用集群模式搭建指南
 hadoop HA+Federation（联邦）模式搭建指南

搭建过程

系统环境

Ubuntu 14.04 x64 Server LTS
Hadoop 2.7.2
vagrant 模拟4台主机，内存都为2G

集群节点规划

IP	主机名	角色描述	集群
192.168.100.201	h01.vm.com	namenode-ns1-nn1, zkfc, QuorumPeerMain, resourcemanager	ns1
192.168.100.202	h02.vm.com	namenode-ns1-nn2, zkfc, QuorumPeerMain, resourcemanager, journalnode,	ns1
192.168.100.203	h03.vm.com	namenode-ns2-nn3, zkfc, QuorumPeerMain, journalnode, nodemanager, datanode	ns2
192.168.100.204	h04.vm.com	namenode-ns2-nn4, zkfc, journalnode, nodemanager, datanode	ns2

上表中：

QuorumPeerMain 是zookeeper集群的入口进程；
zkfc 是 Zookeeper FailoverController 的简称，主要用于实现两个NN之间的容灾。
resourcemanager 是 yarn 中负责资源协调和管理的进程
nodemanager 是 yarn 中单个节点上的代理进程，向 RM 汇报信息，监控该节点资源
datanode 是 hdfs 的工作节点，负责实际的数据存储和任务计算
journalnode 是QJM模式下两个NN节点同步数据的进程，每个HA集群里面的高可用依赖它
ns1,ns2 是集群的逻辑名称
nn1,nn2, nn3, nn4 是集群中NN的逻辑名称

zookeeper 节点需要配置奇数台，一般配置3-7台即可。2000多个节点的集群也仅需要5-9台zk；journalnode与zk类似，也是配置奇数台，且最少需要3台，同样不需要太多；另外zkfc需要在启动namenode的节点上也启动，以保障NN间的心跳机制。

更新软件源索引

分别在 h01 h02 h03 h04 操作

sudo apt-get update

安装基础软件

分别在 h01 h02 h03 h04 操作

sudo apt-get install ssh

sudo apt-get install rsync

配置主机域名

分别在 h01 h02 h03 h04 操作

sudo vim /etc/hostname # centos系统可能没有该文件，创建即可

h01.vm.com # 该节点主机名

将该文件内容修改为对应的主机名，例如 h01.vm.com

域名解析

搭建内网DNS服务器（可选，但推荐），可阅读vincent的博文
http://blog.kissdata.com/2014/07/10/ubuntu-dns-bind.html
配置 /etc/hosts，将以下代码追加到文件末尾即可（如搭建了DNS服务器，则跳过此步骤）
分别在 h01 h02 h03 h04 操作

sudo vim /etc/hosts

192.168.100.201 h01.vm.com h01

192.168.100.202 h02.vm.com h02

192.168.100.203 h03.vm.com h03

192.168.100.204 h04.vm.com h04

!!! Ubuntu系统，须删掉 /etc/hosts 映射 127.0.1.1/127.0.0.1 !!!
Check that there isn't an entry for your hostname mapped to 127.0.0.1 or 127.0.1.1 in /etc/hosts (Ubuntu is notorious for this).
127.0.1.1 h01.vm.com # must remove

不然可能会引起 hadoop、zookeeper 节点间通信的问题

时间同步（生产环境中务必配置）

在内网中搭建 ntp 服务器，可阅读vincent的博文
http://blog.kissdata.com/2014/10/28/ubuntu-ntp.html

准备jdk、hadoop和zookeeper软件包

须到官方网站下载stable版本
jdk-7u79-linux-x64.tar.gz
hadoop-2.7.2.tar.gz
zookeeper-3.4.8.tar.gz
所有的软件包都统一解压到 /home/vagrant/VMBigData 目录下，其中 vagrant 是linux系统的用户名，由于我是使用 vagrant 虚拟的主机，所以默认是 vagrant
在 h01 操作

# 先在其中一台机子操作，后面会使用 scp 命令或者其他方法同步到其他主机

mkdir -p /home/vagrant/VMBigData/hadoop /home/vagrant/VMBigData/java /home/vagrant/VMBigData/zookeeper

tar zxf jdk-7u79-linux-x64.tar.gz -C /home/vagrant/VMBigData/java

tar zxf hadoop-2.7.2.tar.gz -C /home/vagrant/VMBigData/hadoop

tar zxf zookeeper-3.4.8.tar.gz -C /home/vagrant/VMBigData/zookeeper

配置软连接，方便以后升级版本

在 h01 操作，后面通过 scp 同步到其他主机

ln -s /home/vagrant/VMBigData/java/jdk1.7.0_79/  /home/vagrant/VMBigData/java/default

ln -s /home/vagrant/VMBigData/hadoop/hadoop-2.7.2/  /home/vagrant/VMBigData/hadoop/default

ln -s /home/vagrant/VMBigData/zookeeper/zookeeper-3.4.8/ /home/vagrant/VMBigData/zookeeper/default

配置环境变量

分别在 h01 h02 h03 h04 操作

sudo vim /etc/profile

export HADOOP_HOME=/home/vagrant/VMBigData/hadoop/default

export JAVA_HOME=/home/vagrant/VMBigData/java/default

export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$PATH

source /etc/profile

配置免密码ssh登录

hadoop主节点需要能远程登陆集群内的所有节点（包括自己），以执行命令。所以需要配置免密码的ssh登陆。可选的ssh秘钥对生成方式有rsa和dsa两种，这里选择rsa。

分别在 h01 h02 h03 h04 ，即4个主节点上操作

ssh-keygen -t rsa -C "youremail@xx.com"

# 注意在接下来的命令行交互中，直接按回车跳过输入密码

分别在 h01 h02 h03 h04 上操作。以下命令将本节点的公钥 id_rsa.pub 文件的内容追加到远程主机的 authorized_keys 文件中（默认位于 ~/.ssh/）

ssh-copy-id vagrant@h01.vm.com # vagrant是远程主机用户名

ssh-copy-id vagrant@h02.vm.com

ssh-copy-id vagrant@h03.vm.com

ssh-copy-id vagrant@h04.vm.com

在 h01 h02 h03 h04 上测试无密码 ssh 登录到 h01 h02 h03 h04

ssh h01.vm.com

ssh h02.vm.com

ssh h03.vm.com

ssh h04.vm.com

!!! 注意使用rsa模式生成密钥对时，不要轻易覆盖原来已有的，确定无影响时方可覆盖 !!!

配置从节点

在 slaves 文件中配置的主机即为从节点，将自动运行datanode, nodemanager服务

在 h01 操作，后面通过 scp 同步到其他主机

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/slaves

h03.vm.com

h04.vm.com

也可以在不同集群里配置不同的从节点

建立存储数据的相应目录

在 h01 操作，后面通过 scp 同步到其他主机

mkdir -p /home/vagrant/VMBigData/hadoop/data/hdfs/tmp

mkdir -p /home/vagrant/VMBigData/hadoop/data/journal/data

mkdir -p /home/vagrant/VMBigData/hadoop/data/pid

mkdir -p /home/vagrant/VMBigData/hadoop/data/namenode1

mkdir -p /home/vagrant/VMBigData/hadoop/data/namenode2

mkdir -p /home/vagrant/VMBigData/hadoop/data/datanode1

mkdir -p /home/vagrant/VMBigData/hadoop/data/datanode2

mkdir -p /home/vagrant/VMBigData/hadoop/data/local-dirs

mkdir -p /home/vagrant/VMBigData/hadoop/data/log-dirs

配置hadoop参数

在 h01 操作，后面通过 scp 同步到其他主机

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/hadoop-env.sh

# export JAVA_HOME=${JAVA_HOME} # 注意注释掉原来的这行

export JAVA_HOME=/home/vagrant/VMBigData/java/default

export HADOOP_PREFIX=/home/vagrant/VMBigData/hadoop/default

# export HADOOP_PID_DIR=${HADOOP_PID_DIR} # 注意注释掉原来的这行

export HADOOP_PID_DIR=/home/vagrant/VMBigData/hadoop/data/hdfs/pid

export YARN_PID_DIR=/home/vagrant/VMBigData/hadoop/data/hdfs/pid

# export HADOOP_SECURE_DN_PID_DIR=${HADOOP_PID_DIR} # 注意注释掉原来的这行

export HADOOP_SECURE_DN_PID_DIR=${HADOOP_PID_DIR}

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/mapred-env.sh

export HADOOP_MAPRED_PID_DIR=/home/vagrant/VMBigData/hadoop/data/hdfs/pid

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/core-site.xml

<?xml version="1.0" encoding="utf-8"?>

# <configuration> # 注意此处的修改

<configuration xmlns:xi="http://www.w3.org/2001/XInclude">

  <xi:include href="/home/vagrant/VMBigData/hadoop/default/etc/hadoop/cmt.xml" /> # 此处引入federation的额外配置文件

  <property>

    <!-- 指定hdfs的nameservice名称，在 cmt.xml 文件中会引用。注意此处的修改 -->

    <name>fs.defaultFS</name>

    <value>viewfs://nsX</value>

  </property>

  <!-- 指定hadoop数据存储目录 -->

  <property>

    <name>hadoop.tmp.dir</name>

    <value>/home/vagrant/VMBigData/hadoop/data/hdfs/tmp</value>

  </property>

  <property>

    <!-- 注意此处将该配置项从 hdfs-site.xml 文件中迁移过来了 -->

    <name>dfs.journalnode.edits.dir</name>

    <value>/home/vagrant/VMBigData/hadoop/data/journal/data</value>

  </property>

  <!-- 指定zookeeper地址 -->

  <property>

    <name>ha.zookeeper.quorum</name>

    <value>h01.vm.com:2181,h02.vm.com:2181,h03.vm.com:2181</value>

  </property>

</configuration>

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/cmt.xml

<?xml version="1.0" encoding="utf-8"?>

<configuration>

  <property>

    <!-- 将 hdfs 的 /view_ns1 目录挂载到 ns1 的NN下管理，整个federation的不同HA集群也是可以读写此目录的，但是在指定路径是需要指定完全路径 -->

    <name>fs.viewfs.mounttable.nsX.link./view_ns1</name>

    <value>hdfs://ns1</value>

  </property>

  <property>

    <name>fs.viewfs.mounttable.nsX.link./view_ns2</name>

    <value>hdfs://ns2</value>

  </property>

  <property>

    <!-- 指定 /tmp 目录，许多依赖hdfs的组件可能会用到此目录 -->

    <name>fs.viewfs.mounttable.nsX.link./tmp</name>

    <value>hdfs://ns1/tmp</value>

  </property>

</configuration>

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/hdfs-site.xml

<?xml version="1.0" encoding="utf-8"?>

<!-- HDFS-HA 配置 -->

<configuration>

  <property>

    <!-- 因为集群规划中只配置了2各datanode节点，所以此处只能设置小于2，因为hadoop默认不允许将不同的副本存放到相同的节点上 -->

    <name>dfs.replication</name>

    <value>2</value>

  </property>  

  <property>

    <!-- 白名单：仅允许以下datanode连接到NN，一行一个，也可以指定一个文件 -->

    <name>dfs.hosts</name>

    <value>

    <!-- ~/VMBigData/hadoop/default/etc/hadoop/hosts.allow -->

    h01.vm.com

    h02.vm.com

    h03.vm.com

    h04.vm.com

    </value>

  </property>

  <property>

    <!-- 黑名单：不允许以下datanode连接到NN，一行一个，也可以指定一个文件 -->

    <name>dfs.hosts.exclude</name>

    <value></value>

  </property> 

  <property>

    <!-- 集群的命名空间、逻辑名称，可配置多个，但是与 cmt.xml 配置对应 -->

    <name>dfs.nameservices</name>

    <value>ns1,ns2</value>

  </property>

  <property>

    <!-- 命名空间中所有NameNode的唯一标示。该标识指示集群中有哪些NameNode。目前单个集群最多只能配置两个NameNode -->

    <name>dfs.ha.namenodes.ns1</name>

    <value>nn1,nn2</value>

  </property>

  <property>

    <name>dfs.ha.namenodes.ns2</name>

    <value>nn3,nn4</value>

  </property>

  <property>

    <name>dfs.namenode.rpc-address.ns1.nn1</name>

    <value>h01.vm.com:9000</value>

  </property>

  <property>

    <name>dfs.namenode.http-address.ns1.nn1</name>

    <value>h01.vm.com:50070</value>

  </property>

  <property>

    <name>dfs.namenode.rpc-address.ns1.nn2</name>

    <value>h02.vm.com:9000</value>

  </property>

  <property>

    <name>dfs.namenode.http-address.ns1.nn2</name>

    <value>h02.vm.com:50070</value>

  </property>

  <property>

    <name>dfs.namenode.rpc-address.ns2.nn3</name>

    <value>h03.vm.com:9000</value>

  </property>

  <property>

    <name>dfs.namenode.http-address.ns2.nn3</name>

    <value>h03.vm.com:50070</value>

  </property>

  <property>

    <name>dfs.namenode.rpc-address.ns2.nn4</name>

    <value>h04.vm.com:9000</value>

  </property>

  <property>

    <name>dfs.namenode.http-address.ns2.nn4</name>

    <value>h04.vm.com:50070</value>

  </property>  

  <property>

    <!-- JournalNode URLs，ActiveNameNode 会将 Edit Log 写入这些 JournalNode 所配置的本地目录即 dfs.journalnode.edits.dir -->

    <name>dfs.namenode.shared.edits.dir</name>

    <!-- 注意此处的ns1，当配置文件所在节点处于ns1集群时，此处为ns1，当处于ns2集群时，此处为ns2 -->

<value>qjournal://h02.vm.com:8485;h03.vm.com:8485;h04.vm.com:8485/ns1</value>

  </property>

  <!-- JournalNode 用于存放 editlog 和其他状态信息的目录 -->

  <property>

    <name>dfs.journalnode.edits.dir</name>

    <value>/home/vagrant/VMBigData/hadoop/data/journal</value>

  </property>

  <property>

    <name>dfs.ha.automatic-failover.enabled</name>

    <value>true</value>

  </property>

  <property>

    <name>dfs.client.failover.proxy.provider.ns1</name>

    <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>

  </property>

  <property>

    <name>dfs.client.failover.proxy.provider.ns2</name>

    <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>

  </property>

  <!-- 一种关于 NameNode 的隔离机制(fencing) -->

  <property>

    <name>dfs.ha.fencing.methods</name>

    <value>

        sshfence

        shell(/bin/true)

    </value>

  </property>

  <property>

    <name>dfs.ha.fencing.ssh.private-key-files</name>

    <value>/home/vagrant/.ssh/id_rsa</value>

  </property>

  <property>

    <name>dfs.ha.fencing.ssh.connect-timeout</name>

    <value>30000</value>

  </property>  

  <property>

    <name>dfs.namenode.name.dir</name>

    <!-- 创建的namenode文件夹位置，如有多个用逗号隔开。配置多个的话，每一个目录下数据都是相同的，达到数据冗余备份的目的 -->

    <value>file:///home/vagrant/VMBigData/hadoop/data/namenode1,file:///home/vagrant/VMBigData/hadoop/data/namenode2</value>

  </property>

  <property>

    <name>dfs.datanode.data.dir</name>

    <!-- 创建的datanode文件夹位置，多个用逗号隔开，实际不存在的目录会被忽略 -->

    <value>file:///home/vagrant/VMBigData/hadoop/data/datanode1,file:///home/vagrant/VMBigData/hadoop/data/datanode2</value>

  </property>

</configuration>

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/yarn-env.sh

# export JAVA_HOME=/home/y/libexec/jdk1.6.0/

export JAVA_HOME=/home/vagrant/VMBigData/java/default/

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/yarn-site.xml

<?xml version="1.0" encoding="utf-8"?>

<!-- YARN-HA 配置 -->

<configuration>

  <!-- YARN HA 配置开始，与NN HA很相似 -->

  <property>

    <name>yarn.resourcemanager.zk-address</name>

    <value>h01.vm.com:2181,h02.vm.com:2181,h03.vm.com:2181</value>

  </property>

  <property>

    <!-- 启用RM的高可用模式 -->

    <name>yarn.resourcemanager.ha.enabled</name>

    <value>true</value>

  </property>

  <property>

    <!-- 配置HA节点的逻辑名称 -->

    <name>yarn.resourcemanager.ha.rm-ids</name>

    <value>rm1,rm2</value>

  </property>

  <property>

    <name>yarn.resourcemanager.hostname.rm1</name>

    <value>h01.vm.com</value>

  </property>

  <property>

    <name>yarn.resourcemanager.hostname.rm2</name>

    <value>h02.vm.com</value>

  </property>

  <property>

    <name>yarn.resourcemanager.address.rm1</name>

    <value>h01.vm.com:8032</value>

  </property>

  <property>

    <name>yarn.resourcemanager.address.rm2</name>

    <value>h02.vm.com:8032</value>

  </property>

  <property>

    <name>yarn.resourcemanager.scheduler.address.rm1</name>

    <value>h01.vm.com:8030</value>

  </property>

  <property>

    <name>yarn.resourcemanager.scheduler.address.rm2</name>

    <value>h02.vm.com:8030</value>

  </property>

  <property>

    <name>yarn.resourcemanager.resource-tracker.address.rm1</name>

    <value>h01.vm.com:8031</value>

  </property>

  <property>

    <name>yarn.resourcemanager.resource-tracker.address.rm2</name>

    <value>h02.vm.com:8031</value>

  </property>

  <property>

    <name>yarn.resourcemanager.webapp.address.rm1</name>

    <value>h01.vm.com:8088</value>

  </property>

  <property>

    <name>yarn.resourcemanager.webapp.address.rm2</name>

    <value>h02.vm.com:8088</value>

  </property>

  <property>

    <name>yarn.resourcemanager.ha.automatic-failover.enabled</name>

    <value>true</value>

  </property>

  <property>

    <!-- 配置集群ID，使得yarn能够在正确的集群上Active -->

    <name>yarn.resourcemanager.cluster-id</name>

    <value>hd0703-yarn</value>

  </property>

  <property>

    <name>yarn.client.failover-proxy-provider</name>

    <value>org.apache.hadoop.yarn.client.ConfiguredRMFailoverProxyProvider</value>

  </property>

  <property>

    <name>yarn.resourcemanager.recovery.enabled</name>

    <value>true</value>

  </property>

  <property>

    <!-- 两个可选值：org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore 以及 默认值org.apache.hadoop.yarn.server.resourcemanager.recovery.FileSystemRMStateStore -->

    <name>yarn.resourcemanager.store.class</name>

    <value>org.apache.hadoop.yarn.server.resourcemanager.recovery.ZKRMStateStore</value>

  </property>

  <!-- YARN HA 配置结束 -->

  <property>

    <name>yarn.log-aggregation-enable</name>

    <!-- 打开日志聚合功能，这样才能从web界面查看日志 -->

    <value>true</value>

  </property>

  <property>

    <name>yarn.log-aggregation.retain-seconds</name>

    <!-- 聚合日志最长保留时间 -->

    <value>86400</value>

  </property>

  <property>

    <name>yarn.nodemanager.resource.memory-mb</name>

    <!-- NodeManager总的可用内存，这个要根据实际情况合理配置 -->

    <value>1024</value>

  </property>

  <property>

    <name>yarn.scheduler.minimum-allocation-mb</name>

    <!-- MapReduce作业时，每个task最少可申请内存 -->

    <value>256</value>

  </property>

  <property>

    <name>yarn.scheduler.maximum-allocation-mb</name>

    <!-- MapReduce作业时，每个task最多可申请内存 -->

    <value>512</value>

  </property>

  <property>

    <name>yarn.nodemanager.vmem-pmem-ratio</name>

    <!-- 可申请使用的虚拟内存，相对于实际使用内存大小的倍数。实际生产环境中可设置的大一些，如4.2 -->

    <value>2.1</value>

  </property>

  <property>

    <name>yarn.nodemanager.vmem-check-enabled</name>

    <value>false</value>

  </property>

  <property>

    <name>yarn.nodemanager.local-dirs</name>

    <!-- 中间结果存放位置。注意，这个参数通常会配置多个目录，已分摊磁盘IO负载。 -->

    <value>/home/vagrant/VMBigData/hadoop/data/localdir1,/home/vagrant/VMBigData/hadoop/data/localdir2</value>

  </property>

  <property>

    <name>yarn.nodemanager.log-dirs</name>

    <!-- 日志存放位置。注意，这个参数通常会配置多个目录，已分摊磁盘IO负载。 -->

    <value>/home/vagrant/VMBigData/hadoop/data/hdfs/logdir1,/home/vagrant/VMBigData/hadoop/data/hdfs/logdir2</value>

  </property>

  <property>

    <name>yarn.nodemanager.aux-services</name>

    <value>mapreduce_shuffle</value>

  </property>

  <property>

    <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>

    <value>org.apache.hadoop.mapred.ShuffleHandler</value>

  </property>

</configuration>

vim /home/vagrant/VMBigData/hadoop/default/etc/hadoop/mapred-site.xml

<?xml version="1.0" encoding="utf-8"?>

<configuration>

  <property>

    <name>mapreduce.framework.name</name>

    <value>yarn</value>

  </property>

  <property>

    <name>yarn.app.mapreduce.am.resource.mb</name>

    <!-- 默认值为 1536,可根据需要调整，调小一些也是可接受的 -->

    <value>512</value>

  </property>

  <property>

    <name>mapreduce.map.memory.mb</name>

    <!-- 每个map task申请的内存，每一次都会实际申请这么多 -->

    <value>384</value>

  </property>

  <property>

    <name>mapreduce.map.java.opts</name>

    <!-- 每个map task中的child jvm启动时参数，需要比 mapreduce.map.memory.mb 设置的小一些 -->

    <!-- 注意：map任务里不一定跑java，可能跑非java（如streaming） -->

    <value>-Xmx256m</value>

  </property>

  <property>

    <name>mapreduce.reduce.memory.mb</name>

    <value>384</value>

  </property>

  <property>

    <name>mapreduce.reduce.java.opts</name>

    <value>-Xmx256m</value>

  </property>

  <property>

    <name>mapreduce.tasktracker.map.tasks.maximum</name>

    <value>2</value>

  </property>

  <property>

    <name>mapreduce.tasktracker.reduce.tasks.maximum</name>

    <value>2</value>

  </property>

  <property>

    <name>mapred.child.java.opts</name>

    <!-- 默认值为 -Xmx200m，生产环境可以设大一些 -->

    <value>-Xmx384m</value>

  </property>

  <property>

    <name>mapreduce.task.io.sort.mb</name>

    <!-- 任务内部排序缓冲区大小 -->

    <value>128</value>

  </property>

  <property>

    <name>mapreduce.task.io.sort.factor</name>

    <!-- map计算完全后的merge阶段，一次merge时最多可有多少个输入流 -->

    <value>100</value>

  </property>

  <property>

    <name>mapreduce.reduce.shuffle.parallelcopies</name>

    <!-- reuduce shuffle阶段并行传输数据的数量 -->

    <value>50</value>

  </property>

  <property>

    <name>mapreduce.jobhistory.address</name>

    <value>h01.vm.com:10020</value>

  </property>

  <property>

    <name>mapreduce.jobhistory.webapp.address</name>

    <value>h01.vm.com:19888</value>

  </property>

</configuration>

!!! 特别要注意 !!!
在 hdfs-site.xml 文件中的 dfs.namenode.shared.edits.dir 配置项：
当配置文件所在节点处于ns1集群时，此处值末尾部分为ns1，当处于ns2集群时，则为ns2

安装配置zookeeper

在 h01 操作，后面通过 scp 同步到其他主机

cd /home/vagrant/VMBigData/zookeeper/default/conf/

cp zoo_sample.cfg zoo.cfg

vim zoo.cfg

# 对该文件做出以下修改

dataDir=/home/vagrant/VMBigData/zookeeper/data/tmp

# 如果无法启动zookeeper，可将以下代码对应的行改为 0.0.0.0:2888:3888

# 注意zookeeper解析该文件很死板，不要输入多余的空格和空行

server.1=h01.vm.com:2888:3888

server.2=h02.vm.com:2888:3888

server.3=h03.vm.com:2888:3888

mkdir -p /home/vagrant/VMBigData/zookeeper/data/tmp

vim /home/vagrant/VMBigData/zookeeper/data/tmp/myid

# 在此文件中输入节点编号，比如h01节点就输入1，h02节点就输入2

将hadoop所需文件同步到其他主机

在 h01 上操作

scp -r /home/vagrant/VMBigData vagrant@h02.vm.com:/home/vagrant

scp -r /home/vagrant/VMBigData vagrant@h03.vm.com:/home/vagrant

scp -r /home/vagrant/VMBigData vagrant@h04.vm.com:/home/vagrant

!!! 注意：default 软连接需要重建 !!!

修改各节点的 zookeeper 的 /home/vagrant/VMBigData/zookeeper/data/tmp/myid 文件，内容为各节点编号，本例中为 1,2,3

启动zookeeper

在 h01 h02 h03 操作

cd /home/vagrant/VMBigData/zookeeper/default

bin/zkServer.sh start

启动JournalNode

在任一配置了journalnode的节点操作

cd /home/vagrant/VMBigData/hadoop/default

sbin/hadoop-daemons.sh --hostnames "h02.vm.com h03.vm.com h04.vm.com" start journalnode

格式化namenode

在 h01 和 h03 即每个集群其中一台namenode的节点上执行
注意需要指定集群ID

hdfs namenode -format -clusterid hd0703

!!! 注意仅在首次启动时执行，因为此命令会删除hadoop集群所有的数据 !!!

启动格式化后的namenode

在已经格式化过的 h01 和 h03 namenode 节点运行

cd /home/vagrant/VMBigData/hadoop/default

sbin/hadoop-daemons.sh  --hostnames "h01.vm.com h03.vm.com" start namenode

同步四个namenode的数据

在 h02 和 h04 执行同步

cd /home/vagrant/VMBigData/hadoop/default

hdfs namenode -bootstrapStandby

启动同步后的namenode

在已经同步过的 h02 和 h04 namenode 节点运行

cd /home/vagrant/VMBigData/hadoop/default

sbin/hadoop-daemons.sh  --hostnames "h02.vm.com h04.vm.com" start namenode

格式化zkfc

在 h01 和 h03 (主namenode) 上操作

hdfs zkfc -formatZK

!!! 注意仅在首次启动时执行 !!!

启动zkfc

在 h01 操作即可

cd /home/vagrant/VMBigData/hadoop/default

sbin/hadoop-daemons.sh --hostnames "h01.vm.com h02.vm.com h03.vm.com h04.vm.com" start zkfc

# sbin/hadoop-daemons.sh stop zkfc #  停止

启动hadoop集群：

启动hdfs

可在任意主节点执行

cd /home/vagrant/VMBigData/hadoop/default

sbin/start-dfs.sh

# sbin/stop-dfs.sh # 停止

启动Yarn

在h01 和 h02 即计划搭载 ResourceManager 的节点上操作

cd /home/vagrant/VMBigData/hadoop/default

sbin/start-yarn.sh

# sbin/stop-yarn.sh# 停止

浏览服务启动情况

NameNode1
http://192.168.100.201:50070

NameNode2
http://192.168.100.202:50070

NameNode3
http://192.168.100.203:50070

NameNode4
http://192.168.100.204:50070

ResourceManager1
http://192.168.100.201:8088

ResourceManager2
http://192.168.100.202:8088

Datanode
http://192.168.100.203:50075
http://192.168.100.204:50075

zookeeper
bin/zkServer.sh status

zookeeper命令行
zkCli.sh -server 127.0.0.1:2181

集群状态
bin/hdfs dfsadmin -report

hadoop进程
jps

动态添加/删除HA集群

// todo

动态添加/删除datanode