原文 ? http://blog.csdn.net/yang_best/article/details/41280553 接下来的几节描述了如何配置hadoop集群。 配置文件 对Hadoop的配置通过 conf/ 目录下的两个重要配置文件完成： hadoop-default.xml 只读的默认配置。 hadoop-site.xml 集群特有的配置。 要
接下来的几节描述了如何配置hadoop集群。
配置文件
对Hadoop的配置通过 conf/ 目录下的两个重要配置文件完成：
- hadoop-default.xml – 只读的默认配置。
- hadoop-site.xml – 集群特有的配置。
要了解更多关于这些配置文件如何影响Hadoop框架的细节，请看 这里 。
此外，通过设置 conf/hadoop-env.sh 中的变量为集群特有的值，你可以对 bin/ 目录下的Hadoop脚本进行控制。
集群配置
要配置Hadoop集群，你需要设置Hadoop守护进程的 运行环境 和Hadoop守护进程的 运行参数 。
Hadoop守护进程指 NameNode / DataNode 和 JobTracker / TaskTracker 。
配置Hadoop守护进程的运行环境
管理员可在 conf/hadoop-env.sh 脚本内对Hadoop守护进程的运行环境做特别指定。
至少，你得设定 JAVA_HOME 使之在每一远端节点上都被正确设置。
管理员可以通过配置选项 HADOOP_*_OPTS 来分别配置各个守护进程。 下表是可以配置的选项。
| 守护进程 | 配置选项 |
|---|---|
| NameNode | HADOOP_NAMENODE_OPTS |
| DataNode | HADOOP_DATANODE_OPTS |
| SecondaryNamenode | HADOOP_SECONDARYNAMENODE_OPTS |
| JobTracker | HADOOP_JOBTRACKER_OPTS |
| TaskTracker | HADOOP_TASKTRACKER_OPTS |
例如，配置Namenode时,为了使其能够并行回收垃圾（parallelGC）， 要把下面的代码加入到 hadoop-env.sh :
export HADOOP_NAMENODE_OPTS=”-XX:+UseParallelGC ${HADOOP_NAMENODE_OPTS}”
其它可定制的常用参数还包括：
- HADOOP_LOG_DIR – 守护进程日志文件的存放目录。如果不存在会被自动创建。
- HADOOP_HEAPSIZE – 最大可用的堆大小，单位为MB。比如， 1000MB 。 这个参数用于设置hadoop守护进程的堆大小。缺省大小是 1000MB 。
配置Hadoop守护进程的运行参数
这部分涉及Hadoop集群的重要参数，这些参数在 conf/hadoop-site.xml 中指定。
| 参数 | 取值 | 备注 |
|---|---|---|
| fs.default.name | NameNode 的URI。 | hdfs://主机名/ |
| mapred.job.tracker | JobTracker 的主机（或者IP）和端口。 | 主机:端口 。 |
| dfs.name.dir | NameNode 持久存储名字空间及事务日志的本地文件系统路径。 | 当这个值是一个逗号分割的目录列表时，nametable数据将会被复制到所有目录中做冗余备份。 |
| dfs.data.dir | DataNode 存放块数据的本地文件系统路径，逗号分割的列表。 | 当这个值是逗号分割的目录列表时，数据将被存储在所有目录下，通常分布在不同设备上。 |
| mapred.system.dir | Map/Reduce框架存储系统文件的HDFS路径。比如/hadoop/mapred/system/。 | 这个路径是默认文件系统（HDFS）下的路径， 须从服务器和客户端上均可访问。 |
| mapred.local.dir | 本地文件系统下逗号分割的路径列表，Map/Reduce临时数据存放的地方。 | 多路径有助于利用磁盘i/o。 |
| mapred.tasktracker.{map|reduce}.tasks.maximum | 某一 TaskTracker 上可运行的最大Map/Reduce任务数，这些任务将同时各自运行。 | 默认为2（2个map和2个reduce），可依据硬件情况更改。 |
| dfs.hosts/dfs.hosts.exclude | 许可/拒绝DataNode列表。 | 如有必要，用这个文件控制许可的datanode列表。 |
| mapred.hosts/mapred.hosts.exclude | 许可/拒绝TaskTracker列表。 | 如有必要，用这个文件控制许可的TaskTracker列表。 |
通常，上述参数被标记为 final 以确保它们不被用户应用更改。
现实世界的集群配置
这节罗列在大规模集群上运行 sort 基准测试(benchmark)时使用到的一些非缺省配置。
- 运行sort900的一些非缺省配置值，sort900即在900个节点的集群上对9TB的数据进行排序：
参数 取值 备注 dfs.block.size 134217728 针对大文件系统，HDFS的块大小取128MB。 dfs.namenode.handler.count 40 启动更多的NameNode服务线程去处理来自大量DataNode的RPC请求。 mapred.reduce.parallel.copies 20 reduce启动更多的并行拷贝器以获取大量map的输出。 mapred.child.java.opts -Xmx512M 为map/reduce子虚拟机使用更大的堆。 fs.inmemory.size.mb 200 为reduce阶段合并map输出所需的内存文件系统分配更多的内存。 io.sort.factor 100 文件排序时更多的流将同时被归并。 io.sort.mb 200 提高排序时的内存上限。 io.file.buffer.size 131072 SequenceFile中用到的读/写缓存大小。 - 运行sort1400和sort2000时需要更新的配置，即在1400个节点上对14TB的数据进行排序和在2000个节点上对20TB的数据进行排序：
参数 取值 备注 mapred.job.tracker.handler.count 60 启用更多的JobTracker服务线程去处理来自大量TaskTracker的RPC请求。 mapred.reduce.parallel.copies 50 tasktracker.http.threads 50 为TaskTracker的Http服务启用更多的工作线程。reduce通过Http服务获取map的中间输出。 mapred.child.java.opts -Xmx1024M 使用更大的堆用于maps/reduces的子虚拟机
Slaves
通常，你选择集群中的一台机器作为 NameNode ，另外一台不同的机器作为JobTracker 。余下的机器即作为 DataNode 又作为 TaskTracker ，这些被称之为slaves 。
在 conf/slaves 文件中列出所有slave的主机名或者IP地址，一行一个。
日志
Hadoop使用 Apache log4j 来记录日志，它由 Apache Commons Logging 框架来实现。编辑 conf/log4j.properties 文件可以改变Hadoop守护进程的日志配置（日志格式等）。
历史日志
作业的历史文件集中存放在 hadoop.job.history.location ，这个也可以是在分布式文件系统下的路径，其默认值为 ${HADOOP_LOG_DIR}/history 。jobtracker的web UI上有历史日志的web UI链接。
历史文件在用户指定的目录 hadoop.job.history.user.location 也会记录一份，这个配置的缺省值为作业的输出目录。这些文件被存放在指定路径下的“_logs/history/”目录中。因此，默认情况下日志文件会在“mapred.output.dir/_logs/history/”下。如果将hadoop.job.history.user.location 指定为值 none ，系统将不再记录此日志。
用户可使用以下命令在指定路径下查看历史日志汇总
$ bin/hadoop job -history output-dir
这条命令会显示作业的细节信息，失败和终止的任务细节。
关于作业的更多细节，比如成功的任务，以及对每个任务的所做的尝试次数等可以用下面的命令查看
$ bin/hadoop job -history all output-dir
一但全部必要的配置完成，将这些文件分发到所有机器的 HADOOP_CONF_DIR 路径下，通常是 ${HADOOP_HOME}/conf 。
原文地址：Hadoop集群搭建, 感谢原作者分享。
