Hadoop的安装包可以从以下渠道获取：
- Apache tarballs：Hadoop官网提供的tar包，包括二进制和源码文件，使用这种方式部署Hadoop集群灵活性比较高，但是要自己进行很多额外的操作
- Packages：Hadoop也提供RPM和Debian包，先对比tar包，rpm可以简化部署时候的配置路径等繁琐的操作，并且和Hadoop生态圈中的各个组件版本都兼容对应
- Hadoop cluster management tools：例如Cloudera Manager和Apache Ambari，这些工具将部署的整个证明周期封装起来，通过可视化的界面简单操作和配置
集群配置规范
Hadoop被设计为运行在大量廉价的商用机器上，各个公司所使用的机器配置各不相同
举例说明，2014年运行Datanode和NodeManager的机器配置如下：
- 两个8或者16核，3GHz的CPU
- 64-512GB的ECC内存
- 12-24块1-4TB的SATA硬盘
集群规模
到底要部署多大的集群才适合我的场景呢？
这个问题其实可以更好的换成：集群数据的增长量是多少呢？
因为Hadoop可以动态的添加和删除节点，所以当当前的集群资源不够时，只要将新节点上线即可
当集群规模很小的时候，将Namenode、SecondaryNamenode和ResourceManager等进程运行在一个节点是可以接受的
但是当集群内的文件或者数据量变得很大的时候，这么做显然不行了
因为这三个进程都十分耗内存（即使SecondaryNamenode平时是闲置的，但是当checkpoint工作的时候也会非常吃内存）
所以这个时候应该将这三个进程分开在独立的机器上
网络拓扑
Hadoop的网络拓扑有两级：节点与节点之间，机架与机架之间
当集群的机器处理同一个机架下的时候用户无需任务配置，因为这是默认的
但是当集群的机器分散在不同的机架中时，Hadoop需要知道哪些机器在哪个机架中
由此才能智能的判断节点间的距离，存放副本和分配任务
用户可以自定义一个脚本文件，并通过net.topology.script.file.name属性设置该脚本的路径
该脚本的内容就是定义机器和机架之间的映射关系
一个示例脚本可以在这里查看
配置文件管理
搭建过Hadoop集群的人都知道，每个节点上都有自己的一份配置文件
如果进行集群间的配置文件同步是一个很头疼的问题，尽管我们可以通过rsync这类工具来实现
Hadoop的环境变量设置在hadoop-env.sh文件中，另外还单独提供了mapred-env.sh和yarn-env.sh文件
前者是全局的，后两者是专门为MapReduce和Yarn来配置的，后两者会覆盖前者的设置
Java环境设置
JAV_HOME可以设置在用户的shell环境中，但是最好在hadoop-env.sh文件中也设置以确保集群的Java环境是相同的
进程内存设置
默认情况下，Hadoop会为每个进程分配1GB的内存
对应hadoop-env.sh文件中的HADOOP_HEAPSIZE选项
用户也可以单独为某个进程指定内存，例如ResourceManager的设置在yarn-env.sh中的YARN_RESOURCEMANAGER_HEAPSIZE
Namenode的内存分配
对于默认的1GB内存，Namenode很可能会全部吃光
因为该进程的内存需求量是取决于HDFS中的目录数、块数量和文件名长度等因素
根据经验来看，1GB的内存足够Namenode来管理100万个Block
以一个200节点的集群为例，每个节点的硬盘位24T，块大小为128M，副本数量为3
那么该集群最多能够存放的Block数量为：
200 * 24 * 1000 * 1000 / 128 / 3 = 12500000
1250万个Block，根据之前1G管理100万个Block
那么此时Namenode的内存最好一开始就设置为12-13G
用户可以在hadoop-env.sh中通过HADOOP_NAMENODE_OPTS选项来控制Namenode的内存大小
例如-Xmx12000m将会按照之前讨论的内存分配给Namenode
当你改变了Namenode分配的内存时，不要忘记SecondaryNamenode的设置：
HADOOP_SECONDARYNAMENODE_OPTS
因为SecondaryNamenode的内存使用量和Namenode基本是持平的
作业内存分配相关
由于container在工作节点启动，分配container的内存时需要考虑到该节点上有多少进程在运行
如果Datanode和NodeManager同时运行在工作节点上，默认情况下他们将会占据2G的内存
再加上该机器上其他任务的进程，剩下的内存才能专门分配给container
确定了节点上有多少内存可以给container使用之后，就要确定如何为每个单独的作业分配内存
控制该因素主要有两点：
1.Yarn分配的container内存大小
2.container中运行的Java程序的内存
第一个通过mapreduce.map.memory.mb和mapreduce.reduce.memory.mb来控制，默认为1024M
第二个通过mapred.child.java.opts来控制，默认为-Xmx200m，也可以使用mapred.map.java.opts和mapred.reduce.java.opts控制更细粒度的map和reduce任务内存的分配
需要注意的是，map和reduce任务的内存不可以超出container分配的内存
这些参数通常在客户端通过Configuration来设置，因为每个作业的需求量都不一样
具体如何确定作业的内存，可以借助计数器功能
PHYSICAL_MEMORY_BYTES,VIRTUAL_MEMORY_BYTES和COMMITTED_HEAP_BYTES这三个指标可以帮助用户决定分配作业的内存
此处参见《Hadoop权威指南》第十章第三节中的关键属性配置
CPU配置
在Yarn中，CPU也被作为一种可以分配的资源来呗container请求
一个节点上最多可用的CPU核心数通过yarn.nodemanager.resource.cpu-vcores控制
每个作业也可以在客户端通过
mapreduce.map.cpu.vcores
mapreduce.reduce.cpu.vcores
两个属性来单独设置，设置的规则和之前讨论的内存分配相似
系统日志文件
Hadoop的日志文件默认保存在$HADOOP_HOME/logs目录下
用户可以通过hadoop-env.sh中的HADOOP_LOG_DIR选项来修改
最好将日志目录设置在Hadoop的安装目录之外
这样一来即使Hadoop升级时候目录结构发生变化也不会影响到日志文件
各个Hadoop进程会产生两种日志：
1.通过log4j产生的.log后缀文件：该文件记录了大部分的程序信息，是排错的首选
2.记录标准输出和错误的.out文件：由于使用log4j输出日志，这类文件通常内容很少甚至为空
第一类日志系统不会自动删除，需要用户手动归档或者删除处理，以免磁盘空间不够用
第二类日志系统只会保留最新的5个文件，1-5依次表示从新到老文件
日志文件的命名格式采用用户名-进程名-机器名的形式
其中可以通过hadoop-env.sh中的HADOOP_IDENT_STRING选项来修改
其他属性配置
集群成员管理
为了方便对集群中的节点进行上下线等操作，Hadoop在配置文件中也提供了对应的属性：
- dfs.hosts：允许作为Datanode节点加入集群的主机列表
- dfs.hosts.exclude：不允许作为Datanode节点加入集群的主机列表
- yarn.resourcemanager.nodes.include-path：允许作为NodeManager节点加入集群的主机列表
- yarn.resourcemanager.nodes.exclude-path：不允许作为NodeManager节点加入集群的主机列表
以上选项的值可以是一个文件路径，该文件中每行一个主机名，具体的操作可以参考：
[Hadoop 添加删除Slave][http://www.xiaohei.info/2016/01/14/hadoop-delete-slave/]
文件操作的缓冲区大小
Hadoop使用一个4k的缓冲区来辅助I/O操作，对于现代的硬件和操作系统来说，这个值太过保守
适合当的提高可以优化性能，通过core-site.xml文件中的io.file.buffer.size来设置（通常选择为128k）
HDFS的块大小
HDFS的Block大小默认为128MB，但是为了降低Namenode的内存压力，并提高mapper任务数据输入量
很多集群将其设置为256MB，根据用户自己的集群配置来设置
磁盘空间保留
默认情况下，Datanode将会使用其安装目录下的所有磁盘空间
如果希望保留一些空间给其他非HDFS文件存放可以通过dfs.datanode.du.reservrd来设定（以字节为单位）
回收站设置
Hadoop也有回收站的设置，通过core-site.xml中的fs.trash.interval选项来控制回收站中的文件保留多久
默认为0表示不启用回收站机制
启用了回收站，通过shell删除的文件都会先移动到回收站的文件夹中
但是如果通过程序，文件将直接删除，除非使用了Trash类的moveToTrash方法
集群构建和安装
详细步骤参考：
大数据平台生产环境部署指南
格式化文件系统
使用一个新的Hadoop集群之前，需要将HDFS文件系统格式化，命令为：
hdfs namenode -format格式化程序将会创建存储目录和初始的Namenode持久化数据的结构版本
启动和停止进程
启动HDFS的命令为：
start-dfs.sh该脚本将会进行一下操作：
- 在hdfs getconf -namenodes命令得到的ip机器上启动Namenode进程
- 在slaves文件中记录的所有机器上启动Datanode进程
- 在hdfs getconf -secondarynamenodes命令得到的ip机器上启动SecondaryNamenode进程
其中hdfs getconf -namenodes命令获得的机器ip是根据配置文件中的fs.defaultFS选项来获得的
启动Yarn的命令为：
start-yarn.sh和启动HDFS类似，该脚本会进行一下操作：
- 在本地启动ResourceManager进程
- 在slaves文件中记录的所有机器上启动NodeManager进程
作者：@小黑
