自建 5 个节点的 Hadoop 集群，以及完成 MapReduce 作业

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

› Apache Hadoop

› Hortonworks Sandbox

› Intel Hadoop Distribution

› Treasure Data

这是一个创建于 2144 天前的主题，其中的信息可能已经有所发展或是发生改变。

集群规划和搭建过程

搭建过程和配置文件专门用 VuePress 记录了一下：前往日志

集群单个节点的配置：1VCPUs 2GB 5Mbps , 内存分配策略：参考了 Linode 的 2GB 节点配置教程
服务器用的廉价的阿里云的轻量应用服务器学生版，几个同学一人一台，拼凑了一个拥有 5 个节点的集群。

数据处理

任务

使用 Hive 导入社交用户数据 CSV 文件，使用 SQL 塞选出用户表中的共同爱好、共同好友。

Map Reduce 作业问题

在这个集群上做简单的 Map 和 Reduce 作业是极其缓慢的，从 0% 跳到 100%可能会经历数十分钟，效率堪忧。由于各个节点是同学自己买的，不能走 VPC 内网互通，只好用公网互通。👈怀疑问题会出现在这里

Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
2019-01-09 19:56:25,499 Stage-1 map = 0%,  reduce = 0%
INFO  : Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
INFO  : 2019-01-09 19:56:25,499 Stage-1 map = 0%,  reduce = 0%
2019-01-09 19:57:26,238 Stage-1 map = 0%,  reduce = 0%
INFO  : 2019-01-09 19:57:26,238 Stage-1 map = 0%,  reduce = 0%
2019-01-09 19:58:26,818 Stage-1 map = 0%,  reduce = 0%
INFO  : 2019-01-09 19:58:26,818 Stage-1 map = 0%,  reduce = 0%
2019-01-09 19:59:27,374 Stage-1 map = 0%,  reduce = 0%
INFO  : 2019-01-09 19:59:27,374 Stage-1 map = 0%,  reduce = 0%
2019-01-09 20:00:27,878 Stage-1 map = 0%,  reduce = 0%

...

2019-01-09 20:17:32,700 Stage-1 map = 100%,  reduce = 0%, Cumulative CPU 1.69 sec
INFO  : 2019-01-09 20:17:32,700 Stage-1 map = 100%,  reduce = 0%, Cumulative CPU 1.69 sec
2019-01-09 20:18:33,218 Stage-1 map = 100%,  reduce = 0%, Cumulative CPU 1.69 sec
INFO  : 2019-01-09 20:18:33,218 Stage-1 map = 100%,  reduce = 0%, Cumulative CPU 1.69 sec

测试

使用相同的 SQL 语句换做在 E-MapReduce 上能很块跑出结果（加钱世界可及）。

还未结束

Q1: 同样的 2G 内存节点，在本地虚拟机上就能正常运行，不会在 MapReduce 作业上卡数十分钟

12 条回复 • 2019-01-10 18:54:03 +08:00

skyqqcc

2019-01-09 20:57:25 +08:00

没玩过，看不懂

jbiao520

2019-01-09 21:04:57 +08:00

公网肯定不行的，这个带宽，说不定还不是一个地区的，延迟感人

trafficMGR

2019-01-09 21:08:01 +08:00

@jbiao520 其实都是广州区的，带宽可能会不够，实际上我们数据量是很小的，绰绰有余了，至于节点之间会不会交换很大的数据块，这个我到不清楚。平均延迟 <=2ms

823036978

2019-01-09 21:08:05 +08:00 via iPhone

查看 hivesql 执行计划

trafficMGR

2019-01-09 21:26:18 +08:00

@823036978 具体使用什么命令查看呢，我还完全是个新手，对 Hive 不熟悉。之前一直用的 Beeline 作为客户端，元数据库就用的默认的 Derby。目前之间打开 hive 命令的行工具的话，会报出 Java 运行时错误，无法实例化`..SessionHiveMetaStoreClient'，看起来还是没有配置正确的样子=.=||

823036978

2019-01-09 21:39:11 +08:00 via iPhone

@trafficMGR explain hivesql

823036978

2019-01-09 21:41:00 +08:00 via iPhone

@trafficMGR 用 CDH 吧

cye3s

2019-01-09 21:45:35 +08:00 via Android

你们 5 个人笔记本跑 linux，lan 下搭个

whatsmyip

2019-01-09 23:11:33 +08:00

数据数据量不是很大的话，应该是配置的问题吧，玩的少，具体不清楚。

跑作业任务的话，8G 的笔记本就可以了，或者向楼上说的一样，把你们每个人的笔记本放在一起，做集群。

我之前用渣渣笔记本跑了一个 master，3 个 worker，绰绰有余，就是跑起来会卡。

如果你对 docker 略微熟悉的话，这是之前基于 docker 部署 hadoop 跟 hive 的两篇文档：

https://blog.newnius.com/how-to-quickly-setup-a-hadoop-cluster-in-docker.html

https://blog.newnius.com/setup-apache-hive-in-docker.html

trafficMGR

2019-01-09 23:21:05 +08:00

@whatsmyip Docker 这个主意不错，正好我也喜欢玩 Docker，而小内存节点跑 CDH 会很吃力，非常感谢！

scalaer

2019-01-10 01:13:51 +08:00 via Android

hadoop 生态圈的服务已经被集成了，比如像楼上说的 cdh, 还有 hdp，有兴趣的话可以看看 apache ambari

kex0916

2019-01-10 18:54:03 +08:00

看看 NameNode DataNode，NodeManager 等日志，有没有通信警告什么的