【七】Hadoop3.3.4基于ubuntu24的分布式集群安装

文章目录

1. 下载和准备工作
- 1.1 安装包下载
- 1.2 前提条件
2. 安装过程
- STEP 1: 解压并配置Hadoop
- - 选择环境变量添加位置的原则
  - 检查环境变量是否生效
- STEP 2: 配置Hadoop
- - 2.1. 修改`core-site.xml`
  - 2.2. 修改`hdfs-site.xml`
  - 2.3. 修改`mapred-site.xml`
  - 2.4. 修改`yarn-site.xml`
  - 2.5. 修改`hadoop-env.sh`
- STEP 3: 配置workers和slaves文件
- STEP 4: 分发Hadoop到其他节点
- STEP 5: 格式化Hadoop文件系统
- STEP 6: 启动Hadoop
3. 验证HDFS
4. 用world count和pi测试mapreduce
- 4.1 运行Pi计算示例
- 4.2 运行WordCount示例
- 验证集群状态
5. 安装报错
- 5.1 datanode无法通信
- - 问题描述
  - 解决方案
  - 修复ClusterID不匹配问题
  - - 停止所有Hadoop服务
    - 在所有节点上删除`datanode`数据目录
    - 格式化`namenode`<br /> 在`ubuntu1`上执行：
    - 确保所有配置文件在所有节点上一致
    - 重新格式化namenode
    - 启动Hadoop集群
  - 验证修复
- 5.2 mapreduce报错
- - 问题描述
  - 步骤一：编辑 `mapred-site.xml`
  - 步骤二：验证环境变量
  - 步骤三：重启Hadoop和YARN服务
  - 步骤四：再次运行示例程序

1. 下载和准备工作

1.1 安装包下载

https://archive.apache.org/dist/hadoop/common/hadoop-3.3.4/
访问apche官网源，下载3.3.4版本，我们用二进制通用版即可，因为hadoop运行在java环境，跨平台性使得无需编译arm架构版本。Hadoop 3.3.4 是当前稳定版本，兼容性和长期支持较好。此版本对最新的Spark和Flink以及Hive也有良好的支持。
然后将文件传到服务器ubuntu1节点。

1.2 前提条件

本次安装实验基于苹果m2芯片的mac系统，使用vmware fusion搭建三台ubuntu24分布式虚拟机，确保在三台机器上安装了Java jdk8，并配置了免密码登录，网络互通，防火墙关闭，授时服务器已经同步。如无提示，本次所有安装步骤均在root用户权限下进行。

hostname	ip
ubuntu1	172.16.167.131
ubuntu2	172.16.167.132
ubuntu3	172.16.167.133

2. 安装过程

安装过程中遇到的报错已经在5. 安装报错小节中体现。本小节的所有配置和步骤均为优化后的无坑版安装方式。

STEP 1: 解压并配置Hadoop

首先，使用su rootroot权限，在Ubuntu1上解压Hadoop并配置环境变量：

tar -xzf hadoop-3.3.4.tar.gz
mv hadoop-3.3.4 /usr/local/hadoop# 配置环境变量
vim ~/.bashrc
# 添加JDK路径到PATH
export JAVA_HOME=/usr/local/jdk1.8.0_411
export PATH=$PATH:$JAVA_HOME/bin
# 设置Hadoop环境变量
export HADOOP_HOME=/usr/local/hadoop
export HADOOP_INSTALL=$HADOOP_HOME
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
# 添加Hadoop路径到PATH
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin# 刷新环境
source ~/.bashrc

首先要有java jdk的环境变量，java在此前已经成功配置。
如果已经在 ~/.bashrc 中添加了Hadoop和JDK的环境变量，并且是以 root 用户登录和运行Hadoop，那么通常情况下不需要在 /etc/profile 中再次添加这些环境变量。配置在 ~/.bashrc 中已经足够确保在每次以 root 用户打开新的终端时，这些环境变量都会生效。

选择环境变量添加位置的原则

仅需要特定用户生效：在用户的 ~/.bashrc 文件中添加环境变量，当前我们以root用户权限登录。
需要所有用户生效：在 /etc/profile 文件中添加环境变量。

如果你希望这些环境变量在所有用户登录时都生效（例如，你有多个用户需要运行Hadoop），可以考虑将这些配置添加到 /etc/profile 中。这可以确保所有用户登录时都能够使用这些环境变量。

检查环境变量是否生效

在控制台打印以下内容，如果回显出正确路径，即为配置成功。

echo $JAVA_HOME
echo $HADOOP_HOME
echo $PATH

STEP 2: 配置Hadoop

修改Hadoop配置文件。其中HADOOP_HOME已经设置为/usr/local/hadoop。

2.1. 修改`core-site.xml`

请在三台服务器上创建目录/home/hadoop/tmp并赋予777权限，赋予777权限在生产环境并不是安全的方式，请注意。
目录权限的推荐分配方式：

专用用户和组：通常情况下，Hadoop会运行在一个专用用户（例如，hadoop 用户）和一个专用组（例如，hadoop 组）下。确保这些目录的所有者是该用户和组，在这里我们为了方便，只用root用户。
适当的权限设置：通常情况下，目录的权限设置为750（即，所有者具有读、写和执行权限，组具有读和执行权限，其他人没有任何权限）或700（即，只有所有者具有读、写和执行权限）。这可以有效地保护数据不被非授权用户访问和修改。

vim $HADOOP_HOME/etc/hadoop/core-site.xml添加以下内容：

<configuration><property><name>fs.defaultFS</name><value>hdfs://ubuntu1:9000</value></property><!--指定hadoop 数据的存储目录默认为/tmp/hadoop-${user.name} --><property><name>hadoop.tmp.dir</name><value>/home/hadoop/tmp</value></property><!--hive.hosts 允许 root 代理用户访问 Hadoop 文件系统设置 --><property><name>hadoop.proxyuser.root.hosts</name><value>*</value></property><!--hive.groups 允许 Hive 代理用户访问 Hadoop 文件系统设置 --><property><name>hadoop.proxyuser.root.groups</name><value>*</value></property>
<!-- 配置 HDFS 网页登录使用的静态用户为 root --><property><name>hadoop.http.staticuser.user</name><value>root</value></property>
<!--配置缓存区的大小，实际可根据服务器的性能动态做调整--><property><name>io.file.buffer.size</name><value>4096</value></property>
<!--开启hdfs垃圾回收机制，可以将删除数据从其中回收，单位为分钟--><property><name>fs.trash.interval</name><value>10080</value></property>
</configuration>

配置Hadoop核心的通用设置：

fs.defaultFS：指定HDFS的默认文件系统URI。
hadoop.tmp.dir：Hadoop的临时文件目录。
hadoop.proxyuser.root.hosts和hadoop.proxyuser.root.groups：允许root代理用户访问Hadoop文件系统。
hadoop.http.staticuser.user：配置HDFS网页登录的静态用户为root。
io.file.buffer.size：配置文件缓冲区大小。
fs.trash.interval：设置HDFS垃圾回收机制的时间间隔。

2.2. 修改`hdfs-site.xml`

在$HADOOP_HOME/etc/hadoop/hdfs-site.xml中添加以下内容：
请在三台服务器创建目录/home/hadoop/dfs/name和/home/hadoop/dfs/data并赋予777权限。

<configuration>
<property><name>dfs.replication</name><value>2</value></property><property><name>dfs.namenode.secondary.http-address</name><value>ubuntu2:9868</value></property><property><name>dfs.namenode.name.dir</name><value>file:/home/hadoop/dfs/name</value></property><!--指定datanode数据存储节点位置--><property><name>dfs.datanode.data.dir</name><value>file:/home/hadoop/dfs/data</value></property>
</configuration>

配置HDFS的相关设置：

dfs.replication：HDFS中每个块的副本数。
dfs.namenode.secondary.http-address：Secondary NameNode的HTTP地址。
dfs.namenode.name.dir：NameNode数据的存储路径。
dfs.datanode.data.dir：DataNode数据的存储路径。

2.3. 修改`mapred-site.xml`

在$HADOOP_HOME/etc/hadoop/mapred-site.xml中添加以下内容：

<configuration>
<property><name>mapred.local.dir</name><value>/home/hadoop/var</value> 
</property>
<property><name>mapreduce.framework.name</name><value>yarn</value></property><property><name>yarn.app.mapreduce.am.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value></property><property><name>mapreduce.map.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value></property><property><name>mapreduce.reduce.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value></property></configuration>

配置MapReduce框架的相关设置：

mapred.local.dir：MapReduce本地目录。
mapreduce.framework.name：MapReduce框架名称（这里设置为YARN）。
yarn.app.mapreduce.am.env、mapreduce.map.env、mapreduce.reduce.env：指定MapReduce的环境变量。

2.4. 修改`yarn-site.xml`

在$HADOOP_HOME/etc/hadoop/yarn-site.xml中添加以下内容：

<configuration><!-- Site specific YARN configuration properties --><property><name>yarn.resourcemanager.hostname</name><value>172.16.167.131</value></property><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property></configuration>

配置YARN的相关设置：

yarn.resourcemanager.hostname：ResourceManager的主机名。
yarn.nodemanager.aux-services：NodeManager的辅助服务（如MapReduce Shuffle）。

2.5. 修改`hadoop-env.sh`

在$HADOOP_HOME/etc/hadoop/hadoop-env.sh中添加以下内容：

export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root# Java path
export JAVA_HOME=/usr/local/jdk1.8.0_411
# Hadoop Heap Size
export HADOOP_HEAPSIZE=1024
# Log Directory
export HADOOP_LOG_DIR=/var/log/hadoop

HDFS_NAMENODE_USER、HDFS_DATANODE_USER、HDFS_SECONDARYNAMENODE_USER、YARN_RESOURCEMANAGER_USER、YARN_NODEMANAGER_USER：Hadoop和YARN组件的用户为root。
JAVA_HOME：Java路径。
HADOOP_HEAPSIZE：Hadoop的堆内存大小。
HADOOP_LOG_DIR：Hadoop日志目录。

STEP 3: 配置workers和slaves文件

在$HADOOP_HOME/etc/hadoop/workers和$HADOOP_HOME/etc/hadoop/slaves文件中添加以下内容：

ubuntu1
ubuntu2
ubuntu3

用于指定Hadoop和YARN集群中工作节点的列表。
slaves为集群中的所有DataNode和NodeManager节点的主机名。
workers为YARN集群中的所有NodeManager节点的主机名。

STEP 4: 分发Hadoop到其他节点

将Hadoop分发到其他两台机器，即为ubuntu2和ubuntu3：

scp -r /usr/local/hadoop root@172.16.167.132:/usr/local/
scp -r /usr/local/hadoop root@172.16.167.133:/usr/local/

STEP 5: 格式化Hadoop文件系统

这一步是必须的，因为它在HDFS的NameNode上创建文件系统元数据，并设置基本的存储结构。
在主节点（Ubuntu1）上格式化HDFS：

hdfs namenode -format

STEP 6: 启动Hadoop

在主节点（Ubuntu1）上启动Hadoop：

start-all.sh

3. 验证HDFS

通过Web界面验证Hadoop集群状态：

NameNode: http://172.16.167.131:9870
ResourceManager: http://172.16.167.131:8088

通过命令行验证：

hdfs dfsadmin -report

root@ubuntu1:/usr/local/hadoop/etc/hadoop# hdfs dfsadmin -report
2024-07-19 15:12:18,038 WARN util.NativeCodeLoader: Unable to load native-hadoop liasses where applicable
Configured Capacity: 58028212224 (54.04 GB)
Present Capacity: 28156723200 (26.22 GB)
DFS Remaining: 28156649472 (26.22 GB)
DFS Used: 73728 (72 KB)
DFS Used%: 0.00%
Replicated Blocks:Under replicated blocks: 0Blocks with corrupt replicas: 0Missing blocks: 0Missing blocks (with replication factor 1): 0Low redundancy blocks with highest priority to recover: 0Pending deletion blocks: 0
Erasure Coded Block Groups: Low redundancy block groups: 0Block groups with corrupt internal blocks: 0Missing block groups: 0Low redundancy blocks with highest priority to recover: 0Pending deletion blocks: 0-------------------------------------------------
Live datanodes (3):Name: 172.16.167.131:9866 (ubuntu1)
Hostname: ubuntu1
Decommission Status : Normal
Configured Capacity: 19342737408 (18.01 GB)
DFS Used: 24576 (24 KB)
Non DFS Used: 9780330496 (9.11 GB)
DFS Remaining: 8553865216 (7.97 GB)
DFS Used%: 0.00%
DFS Remaining%: 44.22%
Configured Cache Capacity: 0 (0 B)
Cache Used: 0 (0 B)
Cache Remaining: 0 (0 B)
Cache Used%: 100.00%
Cache Remaining%: 0.00%
Xceivers: 0
Last contact: Fri Jul 19 15:12:18 UTC 2024
Last Block Report: Fri Jul 19 15:11:30 UTC 2024
Num of Blocks: 0Name: 172.16.167.132:9866 (ubuntu2)
Hostname: ubuntu2
Decommission Status : Normal
Configured Capacity: 19342737408 (18.01 GB)
DFS Used: 24576 (24 KB)
Non DFS Used: 8600797184 (8.01 GB)
DFS Remaining: 9733398528 (9.06 GB)
DFS Used%: 0.00%
DFS Remaining%: 50.32%
Configured Cache Capacity: 0 (0 B)
Cache Used: 0 (0 B)
Cache Remaining: 0 (0 B)
Cache Used%: 100.00%
Cache Remaining%: 0.00%
Xceivers: 0
Last contact: Fri Jul 19 15:12:17 UTC 2024
Last Block Report: Fri Jul 19 15:11:35 UTC 2024
Num of Blocks: 0Name: 172.16.167.133:9866 (ubuntu3)
Hostname: ubuntu3
Decommission Status : Normal
Configured Capacity: 19342737408 (18.01 GB)
DFS Used: 24576 (24 KB)
Non DFS Used: 8464809984 (7.88 GB)
DFS Remaining: 9869385728 (9.19 GB)
DFS Used%: 0.00%
DFS Remaining%: 51.02%
Configured Cache Capacity: 0 (0 B)
Cache Used: 0 (0 B)
Cache Remaining: 0 (0 B)
Cache Used%: 100.00%
Cache Remaining%: 0.00%
Xceivers: 0
Last contact: Fri Jul 19 15:12:18 UTC 2024
Last Block Report: Fri Jul 19 15:11:30 UTC 2024
Num of Blocks: 0

能够看到三个节点的信息，至此，Hadoop分布式安装完成。

4. 用world count和pi测试mapreduce

我们可以使用Hadoop自带的示例程序进行测试，如pi或wordcount。以下是STEP：

4.1 运行Pi计算示例

运行Pi计算示例 在ubuntu1节点上执行以下命令：

hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar pi 10 100

查看输出 执行上述命令后：

4.2 运行WordCount示例

准备输入文件 创建一个输入文件夹并准备一个输入文件：

hadoop fs -mkdir -p /user/root/input
echo "Hello Hadoop" > input.txt
hadoop fs -put input.txt /user/root/input/

运行WordCount示例 在ubuntu1节点上执行以下命令：

hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar wordcount /user/root/input /user/root/output

查看输出 运行上述命令后，查看输出结果：

hadoop fs -cat /user/root/output/part-r-00000

会看到如下的输出：

验证集群状态

检查JobTracker和TaskTracker状态 通过Hadoop Web UI来检查集群状态。默认端口为9870和8088，分别用于HDFS和YARN资源管理器。可以在浏览器中访问http://ubuntu1:9870和http://ubuntu1:8088。

检查日志 如果有任务失败，请查看相关日志文件。可以通过以下命令查看日志：

yarn logs -applicationId <application_id>

通过上述STEP，你可以验证Hadoop集群是否配置正确并正常运行。如果示例程序运行成功，则说明集群配置和操作均正常。

5. 安装报错

5.1 datanode无法通信

问题描述

在执行完hadoop namenode -format后，显示成功：

但是此时是有问题的，start-all.sh之后，虽然三台机器的jps组件都启动了，但是节点没有正确挂载。
执行hdfs dfsadmin -report时，hdfs显示空间都是0B。

在web界面查看时，也会发现没有datanode被挂载。

解决方案

检查日志后发现，最后一行回显SHUTDOWN_MSG: Shutting down DataNode at ubuntu1/127.0.1.1问题很大，ubuntu1的ip地址疑似错误，部分报错回显如下：

2024-07-19 15:03:16,943 WARN org.apache.hadoop.hdfs.server.common.Storage: Failed to add storage directory [DISK]file:/home/hadoop/dfs/data
java.io.IOException: Incompatible clusterIDs in /home/hadoop/dfs/data: namenode clusterID = CID-350e5541-e6fd-4878-97eb-99e5f49ce6bc; datanode clusterID = CID-74ae0627-07d0-42e3-88d2-80192d548e60at org.apache.hadoop.hdfs.server.datanode.DataStorage.doTransition(DataStorage.java:746)at org.apache.hadoop.hdfs.server.datanode.DataStorage.loadStorageDirectory(DataStorage.java:296)at org.apache.hadoop.hdfs.server.datanode.DataStorage.loadDataStorage(DataStorage.java:409)at org.apache.hadoop.hdfs.server.datanode.DataStorage.addStorageLocations(DataStorage.java:389)at org.apache.hadoop.hdfs.server.datanode.DataStorage.recoverTransitionRead(DataStorage.java:561)at org.apache.hadoop.hdfs.server.datanode.DataNode.initStorage(DataNode.java:1739)at org.apache.hadoop.hdfs.server.datanode.DataNode.initBlockPool(DataNode.java:1675)at org.apache.hadoop.hdfs.server.datanode.BPOfferService.verifyAndSetNamespaceInfo(BPOfferService.java:394)at org.apache.hadoop.hdfs.server.datanode.BPServiceActor.connectToNNAndHandshake(BPServiceActor.java:295)at org.apache.hadoop.hdfs.server.datanode.BPServiceActor.run(BPServiceActor.java:854)at java.lang.Thread.run(Thread.java:750)
2024-07-19 15:03:16,945 ERROR org.apache.hadoop.hdfs.server.datanode.DataNode: Initialization failed for Block pool <registering> (Datanode Uuid 472a02d9-87da-4dfd-8869-b82769b840f7) service to ubuntu1/127.0.1.1:9000. Exiting. 
java.io.IOException: All specified directories have failed to load.at org.apache.hadoop.hdfs.server.datanode.DataStorage.recoverTransitionRead(DataStorage.java:562)at org.apache.hadoop.hdfs.server.datanode.DataNode.initStorage(DataNode.java:1739)at org.apache.hadoop.hdfs.server.datanode.DataNode.initBlockPool(DataNode.java:1675)at org.apache.hadoop.hdfs.server.datanode.BPOfferService.verifyAndSetNamespaceInfo(BPOfferService.java:394)at org.apache.hadoop.hdfs.server.datanode.BPServiceActor.connectToNNAndHandshake(BPServiceActor.java:295)at org.apache.hadoop.hdfs.server.datanode.BPServiceActor.run(BPServiceActor.java:854)at java.lang.Thread.run(Thread.java:750)
2024-07-19 15:03:16,945 WARN org.apache.hadoop.hdfs.server.datanode.DataNode: Ending block pool service for: Block pool <registering> (Datanode Uuid 472a02d9-87da-4dfd-8869-b82769b840f7) service to ubuntu1/127.0.1.1:9000
2024-07-19 15:03:16,946 INFO org.apache.hadoop.hdfs.server.datanode.DataNode: Removed Block pool <registering> (Datanode Uuid 472a02d9-87da-4dfd-8869-b82769b840f7)
2024-07-19 15:03:18,947 WARN org.apache.hadoop.hdfs.server.datanode.DataNode: Exiting Datanode
2024-07-19 15:03:18,950 INFO org.apache.hadoop.hdfs.server.datanode.DataNode: SHUTDOWN_MSG: 
/************************************************************
SHUTDOWN_MSG: Shutting down DataNode at ubuntu1/127.0.1.1
************************************************************/

从日志中可以看出，问题的关键是namenode和datanode的clusterID不匹配，导致datanode无法启动。每个HDFS集群都有一个唯一的clusterID，在集群初始化时会生成。如果clusterID不匹配，datanode将拒绝连接到namenode。
由于挂载datanode时的报错，我已经重启了多次，格式化了多次，会出现clusterID问题。要解决这个问题，我们需要确保所有节点的clusterID一致。以下是修复步骤：

修复ClusterID不匹配问题

停止所有Hadoop服务

stop-all.sh

在所有节点上删除`datanode`数据目录

rm -rf /home/hadoop/dfs/data/*

格式化`namenode`
在`ubuntu1`上执行：

hdfs namenode -format

确保所有配置文件在所有节点上一致

core-site.xml
hdfs-site.xml

如果不放心，可以scp hadoop文件重新分法到两个节点。

确保所有节点的hosts文件一致
在所有节点上检查并编辑/etc/hosts文件，确保如下配置：

127.0.0.1 localhost
172.16.167.131 ubuntu1
172.16.167.132 ubuntu2
172.16.167.133 ubuntu3

而我的ubuntu原先的hosts配置如下：
域名映射127.0.1.1 ubuntu1确实存在问题，随即删除该行，同理ubuntu2和ubuntu3的hosts文件也有这个错误的配置。

重新格式化namenode

hadoop namenode -format
再次格式化后ubuntu1的ip已经正确。

启动Hadoop集群

在ubuntu1上执行：

start-all.sh

验证修复

验证所有节点的状态

xcallx.sh jps

确认所有节点都启动了相关的Hadoop服务。

检查HDFS状态

hdfs dfsadmin -report
hdfs dfs -ls /

确认DataNode已经注册并且HDFS工作正常。进入web界面，三台datanode也正常挂载并在线。

5.2 mapreduce报错

问题描述

在用hadoop自带案例测试worldcount时，报如下错误Could not find or load main class org.apache.hadoop.mapreduce.v2.app.MRAppMaster，根据错误回显提示，是因为少了配置文件内容。

state FAILED due to: Application application_1721401895971_0001 failed 2 times due to AM Container for appattempt_1721401895971_0001_000002 exited with  exitCode: 1
Failing this attempt.Diagnostics: [2024-07-19 15:32:36.368]Exception from container-launch.
Container id: container_1721401895971_0001_02_000001
Exit code: 1[2024-07-19 15:32:36.386]Container exited with a non-zero exit code 1. Error file: prelaunch.err.
Last 4096 bytes of prelaunch.err :
Last 4096 bytes of stderr :
Error: Could not find or load main class org.apache.hadoop.mapreduce.v2.app.MRAppMasterPlease check whether your <HADOOP_HOME>/etc/hadoop/mapred-site.xml contains the below configuration:
<property><name>yarn.app.mapreduce.am.env</name><value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>
<property><name>mapreduce.map.env</name><value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>
<property><name>mapreduce.reduce.env</name><value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>[2024-07-19 15:32:36.387]Container exited with a non-zero exit code 1. Error file: prelaunch.err.
Last 4096 bytes of prelaunch.err :
Last 4096 bytes of stderr :
Error: Could not find or load main class org.apache.hadoop.mapreduce.v2.app.MRAppMasterPlease check whether your <HADOOP_HOME>/etc/hadoop/mapred-site.xml contains the below configuration:
<property><name>yarn.app.mapreduce.am.env</name><value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>
<property><name>mapreduce.map.env</name><value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>
<property><name>mapreduce.reduce.env</name><value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>For more detailed output, check the application tracking page: http://ubuntu1:8088/cluster/app/application_1721401895971_0001 Then click on links to logs of each attempt.
. Failing the application.
2024-07-19 15:32:36,815 INFO mapreduce.Job: Counters: 0
Job job_1721401895971_0001 failed!
root@ubuntu1:/home/guoyachao#

根据错误日志，Hadoop在运行示例程序时无法找到或加载 org.apache.hadoop.mapreduce.v2.app.MRAppMaster 类。该问题通常与环境变量配置不正确有关。以下是解决该问题的步骤：

步骤一：编辑 `mapred-site.xml`

在 mapred-site.xml 文件<configuration>中添加以下配置，以确保 Hadoop 能正确找到 HADOOP_MAPRED_HOME 路径。已经在前文配置更新，按照前文配置，是不会有此报错的。

  <property><name>yarn.app.mapreduce.am.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value></property><property><name>mapreduce.map.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value></property><property><name>mapreduce.reduce.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value></property>

步骤二：验证环境变量

确保 HADOOP_HOME 和其他相关环境变量已经正确设置。

export HADOOP_HOME=/usr/local/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_HOME=$HADOOP_HOME
export PATH=$HADOOP_HOME/bin:$PATH

将这些变量添加到 /etc/profile 或 ~/.bashrc 文件中，然后执行 source /etc/profile 或 source ~/.bashrc 以加载配置。
该配置也在前文中已经更新，要确保三台节点均更新成功。

步骤三：重启Hadoop和YARN服务

在所有节点上重启Hadoop和YARN服务。

stop-all.sh
start-all.sh

步骤四：再次运行示例程序

再次运行 pi 或 wordcount 示例程序。

# 运行Pi计算示例
hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar pi 10 100# 运行WordCount示例
hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jar wordcount /user/root/input /user/root/output

此时，mapreduce已经可以正常运行计算程序。
至此，Hadoop的安装完成，包括hdfs文件存储系统，mapreduce计算框架，yarn资源管理系统均能正常、稳定使用。