Saya cuba menyediakan Hadoop dengan kluster nod tunggal (Single Node Cluster) di VM Fedora. Pada hemat saya, mungkin tak akan mampu lagilah untuk saya usahakan penyediaan pengoperasian berdistribusi penuh bersama Kerberos sebagai kaedah pengesahan kerana Hadoop memerlukan sistem yang berprestasi tinggi.

Berdasarkan jawapan yang disediakan oleh platform-platform AI, saya ringkaskan syarat minimum sistem untuk mengehoskan Hadoop dengan kluster nod tunggal, memandangkan perkakasan komputer riba saya hanya mampu menampung sumber berskala kecil:

SSH setup (sistem Hos & VM)

Suka untuk saya gunakan resolusi hostname dengan mengikat alamat IP mesin saya (IPv4) kepada nama hos yang ditetapkan dengan menyunting fail /etc/hosts seperti berikut:

192.168.0.100   single.cluster.loc fedovm 

## VMs
# with tuntap (kernel virtual network device)
Host fedovm 
  HostName single.cluster.loc
  User hadoop

Oh, ya! Saya set up pelayan Kerberos dan log masuk melalui sambungan SSH dengan kaedah GSSAPI di sini, sebagaimana yang saya muatkan dalam hantaran blog terdahulu bertajuk “Pemahaman Asas Kerberos dan SSH.” Hal ini bermaksud, VM ini bertindak sebagai pelayan dan klien Kerberos dalam masa yang sama.

Pastikan sudah memasang pakej openssh dan servis sshd sudah dimulakan sebelum meneruskan proses di bawah ini yang juga memberikan output selanjutnya:

ssh -v fedovm 

...
Authenticated to single.cluster.loc ([192.168.0.100]:22) using "gssapi-keyex".
...

Pakej prasyarat

• Pasang pakej pdsh. Pakej ini amat dicadang pemasangannya oleh Hadoop untuk mendapatkan pengurusan sumber SSH yang lebih baik. Saya pasang dari sumber dengan mengklon repositori GitHub-nya untuk mendapatkan konfigurasi bersama SSH yang tidak disediakan sebagai tetapan lalai oleh Fedora melalui repo rasminya.
  

• Pasang pakej-pakej yang diperlukan untuk binaan dari sumber:

  bash

  sudo dnf install autoconf libtool

• Klon dan bina:

  bash

  # inside $HOME
  mkdir Build && cd Build
  
  # Clone the repository.
  git clone https://github.com/chaos/pdsh.git
  
  # Get into the directory.
  cd pdsh
  
  # Run the following commands to compile and install. (Good Luck!)
  ./bootstrap
  ./configure --with-ssh
  sudo make
  sudo make install
  
  ### Confirm the installation by verifying its version.
  pdsh -V

  pdsh-2.35
  rcmd modules: ssh,rsh,exec (default: rsh)
  misc modules: (none)
  

• Pemasangan Java:

  Muat turun Java SE Development Kit 8u441 (fail jdk-8u441-linux-x64.rpm) yang memerlukan pengguna untuk log masuk ke akaun Oracle dan pasang dengan perintah baris:

  bash

  sudo dnf install jdk-8u441-linux-x64.rpm

Pemasangan Hadoop

• Muat turun pakej binari dari laman web rasmi Hadoop dan ekstrak pakej kompres itu ke direktori rumah pengguna dengan perintah tar:

  bash

  wget -P ~/Downloads https://dlcdn.apache.org/hadoop/common/current/hadoop-3.4.1.tar.gz   # contoh 
  tar -xvzf Downloads/hadoop-3.4.1.tar.gz

• Edit fail .bashrc untuk menambah laluan:

  ~/.bashrc

  export JAVA_HOME="/usr/lib/jvm/jdk-1.8.0_441-oracle-x64"
  export HADOOP_HOME="$HOME/hadoop-3.4.1"
  export HADOOP_CLASSPATH="$JAVA_HOME/lib/tools.jar"
  export PATH="$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH"

• Aktifkan perubahan.

  bash

  source ~/.bashrc

Pengurusan FireWall di VM

• Memandangkan saya jalankan tugasan melalui SSH ke VM dari sistem hos, saya gunakan UFW sebagai pengurus FireWall untuk mendapatkan paparan web di hos.
  bash

  sudo dnf install ufw
  sudo systemctl enable --now ufw
  sudo ufw enable
  sudo ufw allow 8000:19999/tcp

Konfigurasi Hadoop

• Sunting fail di bawah dan tambahkannya dengan :

  $HADOOP_HOME/etc/hadoop/hadoop-env.sh

  export JAVA_HOME="/usr/lib/jvm/jdk-1.8.0_441-oracle-x64"

  $HADOOP_HOME/etc/hadoop/core-site.xml

  <configuration>
    <property>
      <name>fs.defaultFS</name>
      <value>hdfs://fedovm:9000</value>
    </property>
  </configuration>

  $HADOOP_HOME/etc/hadoop/hdfs-site.xml

  <configuration>
    <property>
      <name>dfs.replication</name>
      <value>1</value>
    </property>
    <property>
      <name>dfs.namenode.name.dir</name>
      <value>namenodes</value>
    </property>
    <property>
      <name>dfs.namenode.http-address</name>
      <value>fedovm:9870</value>
    </property>
    <property>
      <name>dfs.namenode.secondary.http-address</name>
      <value>fedovm:9868</value>
    </property>
    <property>
      <name>dfs.datanode.data.dir</name>
      <value>datanodes</value>
    </property>
    <property>
      <name>dfs.datanode.http.address</name>
      <value>fedovm:9864</value>
    </property>
  </configuration>

  $HADOOP_HOME/etc/hadoop/mapred-site.xml

  <configuration>
    <property>
      <name>mapreduce.framework.name</name>
      <value>yarn</value>
    </property>
    <property>
      <name>mapreduce.application.classpath</name>
      <value>$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/*:$HADOOP_MAPRED_HOME/share/hadoop/mapreduce/lib/*</value>
    </property>
    <property>
      <name>mapreduce.jobhistory.webapp.address</name>
      <value>fedovm:19888</value>
    </property>
    <property>
      <name>mapreduce.jobhistory.intermediate-done-dir</name>
      <value>mr-history/tmp</value>
    </property>
    <property>
      <name>mapreduce.jobhistory.done-dir</name>
      <value>mr-history/done</value>
    </property>
  </configuration>

  $HADOOP_HOME/etc/hadoop/yarn-site.xml

  <configuration>
    <property>
      <name>yarn.resourcemanager.hostname</name>
      <value>fedovm</value>
    </property>
    <property>
      <name>yarn.resourcemanager.webapp.address</name>
      <value>fedovm:8088</value>
    </property>
    <property>
      <name>yarn.nodemanager.aux-services</name>
      <value>mapreduce_shuffle</value>
    </property>
    <property>
      <name>yarn.nodemanager.env-whitelist</name>
      <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_HOME,PATH,LANG,TZ,HADOOP_MAPRED_HOME</value>
    </property>
    <property>
      <name>yarn.nodemanager.webapp.address</name>
      <value>fedovm:8042</value>
    </property>
  </configuration>

  $HADOOP_HOME/etc/hadoop/workers

  fedovm

Mulakan servis

• Format NameNode:

  bash

  hdfs namenode -format

• Mulakan daemon HDFS dan YARN (contoh output):

  bash

  start-dfs.sh && start-yarn.sh && mapred --daemon start historyserver 

  Starting namenodes on [fedovm]
  Starting datanodes
  Starting secondary namenodes [fedovm]
  Starting resourcemanager
  Starting nodemanagers
  

• Semak proses-proses yang berlangsung dan contoh output:

  bash

  jps

  2289 NodeManager
  1970 SecondaryNameNode
  1749 DataNode
  2758 Jps
  1639 NameNode
  2190 ResourceManager
  2671 JobHistoryServer
  

Praktis 1 (using a built-in example program called “grep”)

• Tambah direktori pengguna ke dalam Distributed filesystem:

  bash

  # Return to $HOME
  cd ~
  
  # Create the user directory. 
  hdfs dfs -mkdir -p /user/hadoop
  
  # It will display 'mr-history' dir.
  hdfs dfs -ls /user/hadoop
  
  # Create the directory for the test.  
  hdfs dfs -mkdir -p /user/hadoop/p1_intro/input
  
  # Copy files from the local fs to the distributed fs.
  hdfs dfs -put $HADOOP_HOME/etc/hadoop/*.xml /user/hadoop/p1_intro/input
  
  # Run a MapReduce job.
  hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.4.1.jar \
    grep /user/hadoop/p1_intro/input /user/hadoop/p1_intro/output \
    'dfs[a-z.]+'

• Semak direktori:

  bash

  hdfs dfs -ls -C /user/hadoop/p1_intro
  hdfs dfs -ls -C /user/hadoop/p1_intro/output 

  /user/hadoop/p1_intro/output/_SUCCESS
  /user/hadoop/p1_intro/output/part-r-00000
  

• Output:

  bash

  hdfs dfs -cat /user/hadoop/p1_intro/output/part-r-00000 

  1	dfsadmin
  1	dfs.replication
  1	dfs.namenode.secondary.http
  1	dfs.namenode.name.dir
  1	dfs.namenode.http
  1	dfs.datanode.http.address
  1	dfs.datanode.data.dir
  

• Atau salin fail pengeluaran ke sistem lokal:

  bash

  # OR copy the outputs from the distributed fs to the local fs for observation.
  hdfs dfs -get /user/hadoop/p1_intro/output output1

• Sambung dengan latihan seterusnya.
  

Praktis 2 (WordCount2)

• Penyediaan:

  bash

  # Create the directories for Practice 2.
  hdfs dfs -mkdir -p /user/hadoop/p2_wordcount2/input
  
  # Create two files; file1 & file2.
  touch file1 file2  # residing in the local fs.
  echo 'Hello World, Bye World!' > file1
  echo 'Hello Hadoop, Goodbye to hadoop.' > file2
  
  # Move the files from the local fs to the distributed fs.
  hdfs dfs -moveFromLocal file1 /user/hadoop/p2_wordcount2/input 
  hdfs dfs -moveFromLocal file2 /user/hadoop/p2_wordcount2/input 
  
  ### Confirm the moved files.
  hdfs dfs -ls -C /user/hadoop/p2_wordcount2/input

  /user/hadoop/p2_wordcount2/input/file1
  /user/hadoop/p2_wordcount2/input/file2
  

• Penyediaan awal untuk menggunakan ciri DistributedCache dalam dua kerja terakhir nanti:

  bash

  touch patterns.txt
  
  # Create patterns.txt with specified lines. 
  echo -e '\\.\n\\,\n\\!\nto' > patterns.txt
  
  ### Confirm the contents of patterns.txt.
  cat patterns.txt

  \.
  \,
  \!
  to
  

• Pindahkan fail di atas dari sistem lokal ke sistem distribusi:

  bash

  hdfs dfs -moveFromLocal patterns.txt /user/hadoop/p2_wordcount2
  
  ### Display directories and files in p2_wordcount2.
  hdfs dfs -ls -C /user/hadoop/p2_wordcount2

  /user/hadoop/p2_wordcount2/input
  /user/hadoop/p2_wordcount2/patterns.txt
  

• Salin kod Java, “Example: WordCount v2.0 Source Code” ini ke dalam fail WordCount2.java (available in Hadoop documentation as Tutorial). Atau simpan pautan “WordCount2.java” ini sebagai kod sumber Java.
  

• Semak kod terlebih dahulu dengan perintah less:

  bash

  less WordCount2.java

• Penyusunan:

  bash

  # Compile the WordCount2 Java source code.
  hadoop com.sun.tools.javac.Main WordCount2.java
  
  # Package the compiled Java classes into a JAR file.
  jar cf wc.jar WordCount*.class
  
  ### List compiled files and jars.
  ls ~/ | grep -E 'wc\.jar|WordCount2.*\.class'

  wc.jar
  WordCount2$IntSumReducer.class
  WordCount2$TokenizerMapper$CountersEnum.class
  WordCount2$TokenizerMapper.class
  WordCount2.class
  

• Jalankan kerja MapReduce tanpa ciri DistributedCache:

  bash

  hadoop jar wc.jar WordCount2 \
    /user/hadoop/p2_wordcount2/input /user/hadoop/p2_wordcount2/output1
  
  ### Check generated files and view output.
  hdfs dfs -cat /user/hadoop/p2_wordcount2/output1/part-r-00000

  Bye	1
  Goodbye	1
  Hadoop,	1
  Hello	2
  World!	1
  World,	1
  hadoop.	1
  to	1
  

• Perhatikan perubahan output untuk proses MapReduce di bawah:
  = dengan menetapkan sensitiviti bagi jenis huruf kepada benar;
  = dengan mengaktifkan ciri DistributedCache melalui opsyen -skip.
  

  bash

  hadoop jar wc.jar WordCount2 -Dwordcount.case.sensitive=true \
    /user/hadoop/p2_wordcount2/input /user/hadoop/p2_wordcount2/output2 \
    -skip /user/hadoop/p2_wordcount2/patterns.txt
  
  ### Observe the output.
  hdfs dfs -cat /user/hadoop/p2_wordcount2/output2/part-r-00000

  Bye	1
  Goodbye	1
  Hadoop	1
  Hello	2
  World	2
  hadoop	1
  

• Begitu juga untuk proses MapReduce di bawah:
  = dengan menetapkan sensitiviti bagi jenis huruf kepada tidak benar;
  = dengan mengaktifkan ciri DistributedCache melalui opsyen -skip.

  bash

  hadoop jar wc.jar WordCount2 -Dwordcount.case.sensitive=false \
    /user/hadoop/p2_wordcount2/input /user/hadoop/p2_wordcount2/output3 \
    -skip /user/hadoop/p2_wordcount2/patterns.txt
  
  ### Observe the output.
  hdfs dfs -cat /user/hadoop/p2_wordcount2/output3/part-r-00000

  bye	1
  goodbye	1
  hadoop	2
  hello	2
  world	2
  

• Paparan web di:
  

1. NameNode: http://fedovm:9870/

2. ResourceManager: http://fedovm:8088/

3. MapReduce JobHistory Server: http://fedovm:19888/

• Setelah selesai, hentikan daemon YARN dan HDFS:
  bash

  mapred --daemon stop historyserver && stop-yarn.sh && stop-dfs.sh
  exit