1. 项目概述

"赫兹威客完全分布式Hadoop测试教程"这个标题背后，实际上是一个面向大数据开发初学者的实战指南。作为一名经历过无数次Hadoop集群搭建的老手，我深知完全分布式环境配置过程中的各种"坑"。本文将带你从零开始，手把手搭建一个真正可用的Hadoop 3.x完全分布式集群，涵盖HDFS和YARN的核心配置要点。

完全分布式与伪分布式最大的区别在于：所有服务都运行在不同的物理节点上，更接近生产环境。这对于想要真正掌握Hadoop集群管理的人来说是必经之路。我们将使用3台Ubuntu服务器作为实验环境（1个NameNode + 2个DataNode），这种配置既能体现分布式特性，又不会对硬件资源要求过高。

2. 环境准备与基础配置

2.1 硬件与系统要求

建议使用以下配置（最低要求）：

• 3台Ubuntu 20.04 LTS服务器（或虚拟机）
• 每台至少2核CPU/4GB内存/20GB存储
• 所有节点在同一局域网内，互相能ping通
• 关闭所有节点的防火墙（生产环境需单独配置安全组）

注意：虚拟机环境下务必确保所有节点的时钟同步，否则可能导致HDFS异常。建议安装ntp服务：

sudo apt update && sudo apt install -y ntp

2.2 系统级前置配置

在所有节点上执行以下操作：

1. 修改主机名并配置hosts文件：

# 在NameNode上 sudo hostnamectl set-hostname namenode # 在DataNode1上 sudo hostnamectl set-hostname datanode1 # 在DataNode2上 sudo hostnamectl set-hostname datanode2

2. 编辑/etc/hosts（所有节点相同配置）：

192.168.1.100 namenode 192.168.1.101 datanode1 192.168.1.102 datanode2

3. 配置SSH免密登录（NameNode到所有DataNode）：

# 在NameNode上生成密钥 ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa # 将公钥拷贝到各节点（包括自己） ssh-copy-id namenode ssh-copy-id datanode1 ssh-copy-id datanode2

3. Hadoop安装与配置

3.1 软件包准备

建议使用国内镜像下载Hadoop（官方源速度较慢）：

wget https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-3.3.4/hadoop-3.3.4.tar.gz tar -xzvf hadoop-3.3.4.tar.gz -C /opt/ mv /opt/hadoop-3.3.4 /opt/hadoop

3.2 核心配置文件修改

需要配置以下5个关键文件（路径：/opt/hadoop/etc/hadoop/）：

1. hadoop-env.sh：

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64 export HDFS_NAMENODE_USER="root" export HDFS_DATANODE_USER="root" export HDFS_SECONDARYNAMENODE_USER="root" export YARN_RESOURCEMANAGER_USER="root" export YARN_NODEMANAGER_USER="root"

2. core-site.xml：

<configuration> <property> <name>fs.defaultFS</name> <value>hdfs://namenode:9000</value> </property> <property> <name>hadoop.tmp.dir</name> <value>/opt/hadoop/tmp</value> </property> </configuration>

3. hdfs-site.xml：

<configuration> <property> <name>dfs.replication</name> <value>2</value> </property> <property> <name>dfs.namenode.name.dir</name> <value>/opt/hadoop/hdfs/namenode</value> </property> <property> <name>dfs.datanode.data.dir</name> <value>/opt/hadoop/hdfs/datanode</value> </property> </configuration>

4. yarn-site.xml：

<configuration> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> <property> <name>yarn.resourcemanager.hostname</name> <value>namenode</value> </property> </configuration>

5. mapred-site.xml：

<configuration> <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> </configuration>

3.3 节点角色分配

在workers文件中指定DataNode节点：

datanode1 datanode2

4. 集群启动与验证

4.1 格式化HDFS

仅在首次启动时执行（在NameNode上）：

hdfs namenode -format

4.2 启动集群

1. 启动HDFS：

start-dfs.sh

2. 启动YARN：

start-yarn.sh

4.3 服务验证

1. 检查进程是否正常：

# NameNode上应有： # NameNode # ResourceManager # DataNode上应有： # DataNode # NodeManager

2. 访问Web UI：

• HDFS: http://namenode:9870
• YARN: http://namenode:8088

3. 运行测试作业：

hadoop jar /opt/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.4.jar pi 10 100

5. 常见问题排查

5.1 SSH连接问题

症状：启动时提示"Permission denied" 解决：

# 检查authorized_keys权限 chmod 600 ~/.ssh/authorized_keys chmod 700 ~/.ssh # 检查sshd配置 sudo vi /etc/ssh/sshd_config # 确保有以下配置： PubkeyAuthentication yes AuthorizedKeysFile .ssh/authorized_keys

5.2 端口冲突

症状：服务启动失败，日志显示端口被占用 解决：

# 查找占用端口的进程 netstat -tulnp | grep 9000 # 修改hadoop配置中使用其他端口

5.3 磁盘空间不足

症状：DataNode启动后自动关闭 解决：

# 检查磁盘空间 df -h # 修改hdfs-site.xml中的存储路径 <property> <name>dfs.datanode.data.dir</name> <value>/data/hadoop/datanode</value> </property>

6. 性能调优建议

6.1 内存配置调整

根据服务器实际内存修改yarn-site.xml：

<property> <name>yarn.nodemanager.resource.memory-mb</name> <value>8192</value> <!-- 8GB --> </property> <property> <name>yarn.scheduler.maximum-allocation-mb</name> <value>8192</value> </property>

6.2 HDFS块大小优化

根据业务需求调整hdfs-site.xml：

<property> <name>dfs.blocksize</name> <value>268435456</value> <!-- 256MB --> </property>

6.3 压缩配置

提高MapReduce效率，在core-site.xml中添加：

<property> <name>io.compression.codecs</name> <value>org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.DefaultCodec</value> </property>

7. 安全增强措施

7.1 简单认证配置

在core-site.xml中添加：

<property> <name>hadoop.http.filter.initializers</name> <value>org.apache.hadoop.security.AuthenticationFilterInitializer</value> </property> <property> <name>hadoop.http.authentication.type</name> <value>simple</value> </property>

7.2 用户权限管理

1. 创建专用Hadoop用户：

sudo useradd hadoopuser sudo passwd hadoopuser

2. 修改目录权限：

sudo chown -R hadoopuser:hadoopgroup /opt/hadoop

8. 集群维护操作

8.1 安全重启步骤

1. 停止YARN：

stop-yarn.sh

2. 停止HDFS：

stop-dfs.sh

3. 按需更新配置后，按4.2节步骤重新启动

8.2 添加新节点

1. 在新节点上重复2.2和3.1-3.2节配置
2. 将新节点主机名加入workers文件
3. 刷新节点列表：

hdfs dfsadmin -refreshNodes yarn rmadmin -refreshNodes

8.3 监控与日志

关键日志路径：

• NameNode: /opt/hadoop/logs/hadoop--namenode-.log
• DataNode: /opt/hadoop/logs/hadoop--datanode-.log
• ResourceManager: /opt/hadoop/logs/yarn--resourcemanager-.log

使用以下命令监控集群状态：

hdfs dfsadmin -report yarn node -list

9. 生产环境建议

经过测试环境验证后，如需部署到生产环境，建议考虑：

1. 高可用方案：配置ZooKeeper实现NameNode HA
2. 数据备份：定期对NameNode元数据进行备份
3. 监控告警：集成Prometheus+Grafana监控集群指标
4. 资源隔离：使用cgroups或Docker容器隔离资源
5. 滚动升级：制定详细的升级和回滚方案

我在实际运维中发现，完全分布式集群的稳定性很大程度上取决于网络质量。建议生产环境使用万兆网络，并配置网络冗余。另外，定期检查磁盘健康状态，HDFS对磁盘故障非常敏感。