前言

Hadoop从存储上来说，是类似于冗余磁盘阵列(RAID)的存储方式，将数据分散存储并提供以提供吞吐量，它的存储系统就是HDFS（Hadoop Distuibute Fils System）；从计算上来说，它通过MapReduce模型，将大数据的计算分发到多台计算机上完成，再将结果合并，减少计算的时间。

Hadoop适合于：

1、超大数据的计算；

2、一次写入、多次读取的模式；

3、可以跑在普通的硬件上。

Hadoop不适合：

1、低延迟的数据访问，它是为高数据吞吐量应用优化的；

2、大量的小文件

Hadoop客户端需要和namenode进行交互，而namenode中存放的是datanode的文件属性，且都是在内存中，如果小文件过多，namenode是存放不了的；

3、多用户写入，任意修改文件。

Hadoop适合于一次计算，多次读取的场景，如搜索引擎，只支持随机读取不支持随机写入，如Hadoop和Lucene的集成就不能够直接集成，因为Lucene支持随机写入。

本文将从使用的角度上谈了如何搭建Hadoop、如何配置Hadoop、如何验证Hadoop及在Hadoop上面执行计算，以及可能会遇到些什么样的问题。

一、Hadoop环境搭建

因为Hadoop需要在Linux运行，并且Hadoop是基于Java的，在继续进行下面的步骤之前，请确认你已经准备好Linux操作系统以及Java 6或以上版本，并且已经正确的设置了JAVA_HOME。

1、下载Hadoop

搭建Hadpp的版本为1.2.1 下载地址为：http://apache.fayea.com/apache-mirror/hadoop/common/hadoop-1.2.1/

2、安装Hadoop

解压缩Hadoop到任意目录，我当前的Hadoop是将其解压到目录/usr/local/hadoop-1.2.1，并在/etc/profile中设置好环境变量HADOOP_HOME（这个变量不是必须的，在1.2.1已经是Deprecated了，这里我之所以设置，还是为了方便），以及将$HADOOP_HOME/bin目录加入到PATH中，这样我们就可以在任意地方执行hadoop命令了，为了使用上的方便，再给”hadoop fs”设一个名为hdfs的alias方便使用，以下是我机器上/etc/profile增加的内容：

export JAVA_HOME=/usr/local/jdk1.6.0_33

export HADOOP_HOME=/usr/local/hadoop-1.2.1

export CLASSPATH=.:$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar

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

#Alias for hadoop

alias hdfs='hadoop fs'

注：该文件的编辑需要root权限，修改完成后，如果想立即生效，需要通过source命令操作一下：

source /etc/profile

否则就只有退出重新登陆才会生效。

3、准备ssh

Hadoop需要通过SSH和其它计算服务器进行沟通，所以首先要确定本机或者是其它Hadoop计算服务器，是否都已经安装了ssh。

（1）、确定系统是否安装了ssh和ssh-keygey

可以通过which命令来确认

which ssh

which ssh-keygen

如果出现

/usr/bin/which: no ssh in (/usr/.....)则表示系统里面没有安装SSH服务，可以通过www.openssh.com下载安装

（2）、发布公钥证书

执行如下命令：

ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa

在~/.ssh/ 目录会生成id_rsa和id_rsa.pub两个文件，将id_rsa.pub复制一份在~/.ssh/目录下，并重命名为authorized_keys，如果是单机搭建伪分布式，此时ssh的准备工作已经完成了，如果使用全分布式环境，那么需要将authorized_keys（或authorized_keys中的内容追加到需要无密码登陆的服务器的~/.ssh/authorized_keys文件中）及id_rsa（或id_rsa中的内容追加到需要无密码登陆的服务器的~/.ssh/id_rsa文件中）两个文件复制到各台分布式slave机器的“~/.ssh目录中”中，这样任意两台机器之间互相通过ssh访问，都不需要输入密码了，如果只是拷贝到authorized_keys到slave机器中，就只能够实现主到从的不输密码访问。