Hadoop 2.0+YARN启动脚本分析与实战经验 - 郑文亮 - 博客园 http://www.cnblogs.com/zhwl/p/3670997.html
总的来说这个启动过程分为多个层次，分别是：整个集群级别的配置，单台机器OS级别的配置，单个JVM级别的配置。
对那句话“系统总是不可靠的，我们要通过软件冗余来使得系统更加可靠”有了更深层次的认识。
start-all.sh脚本现在已经废弃，推荐使用start-dfs.sh和start-yarn.sh分别启动HDFS和YARN。
在新一代的Hadoop里面HDFS称为了统一存储的平台，而YARN成为了统一计算的平台。
（1）调用start-dfs.sh启动HDFS。之后JPS会出现NameNode,DataNode,SecondaryNameNode
（2）调用start-yarn.sh启动YARN。之后JPS会出现ResourceManager,NodeManager
对于每个start脚本首先甚至启动过程中用到的所有脚本，首先都是调用libexec/hadoop-config.sh配置相关环境变量
//
hadoop-config.sh
设置各种环境变量，包括：
HADOOP_PREFIX 整个Hadoop的安装目录
HADOOP_CONF_DIR 配置文件的目录，一般是Hadoop安装目录下的etc/hadoop/
JAVA_HOME 从操作系统环境变量获取，但是在SSH登陆到slave节点可能会出现问题，所以推荐在hadoop-env.sh中也设置一下。
JAVA_HEAP_MAX 启动每个JVM默认的堆大小，目前是-Xmx1000m
CLASSPATH 找Jar包的地方，一般情况下Jar包存在Hadoop安装目录下的share/hadoop/目录下的common,hdfs,httpfs,mapreduce,tools几个子目录下
HADOOP_LOG_DIR 就是存放日志的地方，默认是Hadoop安装目录下的logs目录，这个很重要，运行中出了问题都是要通过log定位的。
NameNode，DataNode，SecondNameNode，ResourceManager，NodeManager的日志默认都在这个目录下。
不过要注意默认的container的log是在/tmp/logs目录下，害得我找container的log找了很长时间也没找到。
HADOOP_LOGFILE
HADOOP_POLICYFILE
JAVA_LIBRARY_PATH Java运行时需要通过JNI调用native lib的环境变量。因为在Hadoop代码中与操作系统紧密相关的一些操作和一些压缩算法是有通过C编写的native的系统实现的。就是libhadoop.so和libhdfs.so这样的系统库，通常放在Hadoop安装目录下的lib/native/里面。
HADOOP_OPTS 这个是启动每个JVM时传递过去的参数
HADOOP_COMMON_HOME
HADOOP_HDFS_HOME
YARN_HOME
HADOOP_MAPRED_HOME
这些环境变量是运行Hadoop和YARN程序的环境变量，和我们把Hadoop安装在哪个目录下有关系。
//
start-dfs.sh
（1）执行hdfs-config.sh设置HDFS专有的环境变量。但是目前貌似没有HDFS专有的环境变量，在这个文件里再次执行了下hadoop-config.sh
（2）启动参数:upgrade,rollback还是正常启动。
（3）然后就是分别调用对应的脚本启动对应的模块
NameNode
DataNode
SecondaryNameNode
ZooKeeper Failover
每个模块都是调用hadoop-daemos.sh启动的。
hadoop-daemons.sh和hadoop-daemon.sh的区别是：前者启动多台机器上的daemon，后者负责在一台机器上启动daemon，前者调用后者。连接这两着的桥梁就是sbin/slave.sh，就是通过ssh登陆到slave机器上，然后在每台slave机器上执行hadoop-daemon.sh。
//
首先看看hadoop-daemons.sh
这个脚本的参数类似这样：
--config /home/orange/hadoop-2.0.0-alpha/etc/hadoop --hostnames localhost --script /home/orange/hadoop-2.0.0-alpha/sbin/hdfs start namenode
因为上面这个例子是启动NameNode，所以带了–hostnames参数，用于指明分别到哪台机器上去运行hadoop-daemon.sh去启动namenode。如果是启动DataNode则不需要这个参数，因为如果不设定这个参数，会通过读取etc/hadoop/slaves文件获取slaves机器信息。
这个脚本的最后有个非常长的命令：
1
exec "$bin/slaves.sh" --config $HADOOP_CONF_DIR cd "$HADOOP_PREFIX" ; "$bin/hadoop-daemon.sh" --config $HADOOP_CONF_DIR "$@"
这个命令表示：在本shell内执行slaves.sh脚本，参数是后面那么一堆东西。
我们去slave.sh那打印出它接收到的参数看看：
1
--config /home/orange/hadoop-2.0.0-alpha/etc/hadoop cd /home/orange/hadoop-2.0.0-alpha ; /home/orange/hadoop-2.0.0-alpha/sbin/hadoop-daemon.sh --config /home/orange/hadoop-2.0.0-alpha/etc/hadoop --script /home/orange/hadoop-2.0.0-alpha/sbin/hdfs start namenode
在这个脚本里面通过ssh登陆到各个slave节点上，然后执行后面的cd进入slave节点的Hadoop安装目录，然后调用hadoop-daemon.sh去执行对应的操作。
hadoop-daemon.sh的参数是
1
localhost: --config /home/orange/hadoop-2.0.0-alpha/etc/hadoop --script /home/orange/hadoop-2.0.0-alpha/sbin/hdfs start namenode
执行hadoop-env.sh设置环境变量，因为即将启动的JVM是由这个shell启动的，所以这个环境变量会传给JVM。
配置启动单点NameNode或者DataNode的运行环境：除了hadoop-config.sh里面的以外还有HADOOP_LOG_DIR，HADOOP_PID_DIR，HADOOP_IDENT_STRING等，这些都是与运行这个daemon的本机相关的变量
最后通过
1
nohup nice -n $HADOOP_NICENESS $hdfsScript --config $HADOOP_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &
启动对应的进程，也就是hdfs start namenode命令。其实是调用 bin/hdfs脚本，启动JVM。
hadoop-daemon.sh这个脚本是在每台机器上启动各种JVM前的准备工作，包括设置环境变量什么的。因为每个脚本基本都会调用hadoop-config.sh，这个也不例外，所以我们理解一般情况下hadoop-config.sh里面的环境变量。但是从我的实际使用经验来看，由于操作系统和SSH的问题，会导致SSH登陆到slave节点之后执行shell脚本的时候获取系统环境变量失效的问题。例如，$JAVA_HOME环境变量，看hadoop-config.sh这个文件可知$JAVA_HOME直接从操作系统环境变量获取。但是当hadoop-daemons.sh调用slaves.sh通过ssh登陆到各个slave节点之后去执行hadoop-daemon.sh时，在获取$JAVA_HOME时出现失败的情况。而如果在对应的那台机器上执行 echo $JAVA_HOME是没有问题的。也就是SSH之后的环境变量获取失败。我的debian上就出现了这个问题，这个坑害死人。而在我的CentOS上却没有这样的问题。通过搜索网络得知是因为/.bashrc不会被SSH调用，而/.bash_profile或者/.profile是会被SSH调用的。所以需要在/.bash_profile或者/.profile中通过类似下面的语句执行/.bashrc
1
2
3
if [ -f ~/.bashrc ]; then
. ~/.bashrc
fi
但是在我的debian上还是搞不定，至今原因未明。有对Debian熟悉的同学如果知道是什么原因可以Email我。
还好hadoop社区为了防止类似的问题，也做了很严谨的策略。在SSH登陆到每台slave之后，都会去调用hadoop-env.sh。这个文件很重要啊。我在看别人的攻略时，看别人在说要在这个hadoop-env.sh文件里设置$JAVA_HOME，但是就在想，我的系统环境变量里已经设置了$JAVA_HOME，难道你一个应用程序的环境变量比我系统的还管用？所以就试了下这个hadoop-env.sh不设置$JAVA_HOME，结果就出现了上面所说的问题。看来hadoop-env.sh正如其名，有关Hadoop的环境变量应该设置在这里，这样才能在社么样的底层系统环境下都能稳定运行。
start-yarn.sh
注意到这个脚本里不再执行hadoop-config.sh，而是执行yarn-config.sh。配置环境变量。（实际上yarn-config.sh还是会调用hadoop-config.sh的）
1
"$bin"/yarn-daemon.sh --config $YARN_CONF_DIR start resourcemanager
指定日志和pid的格式，也就是：yarn-orange-nodemanager-orange.log
yarn-orange-resourcemanager-orange.log
yarn-orange-nodemanager.pid
yarn-orange-resourcemanager.pid
通过执行下面这行代码，启动ResourceManager对应的JVM
1
nohup nice -n $YARN_NICENESS "$YARN_HOME"/bin/yarn --config $YARN_CONF_DIR $command "$@" > "$log" 2>&1 < /dev/null &
1
"$bin"/yarn-daemons.sh --config $YARN_CONF_DIR start nodemanager
和启动DataNode类似，也是通过SSH到每台slave节点上之后，执行yarn-daemon.sh启动对应的NodeManager。
1
exec "$bin/slaves.sh" --config $YARN_CONF_DIR cd "$YARN_HOME" ; "$bin/yarn-daemon.sh" --config $YARN_CONF_DIR "$@"
注意这里面也存在和上面一样的问题，所以推荐在yarn-env.sh里面也设置相关环境变量，要不然就会出现启动Job的时候找不到类。。。
总的来说这个启动过程分为多个层次，分别是：整个集群级别的配置，单台机器OS级别的配置，单个JVM级别的配置。
对那句话“系统总是不可靠的，我们要通过软件冗余来使得系统更加可靠”有了更深层次的认识。
