通过容器搭建伪分布式 Hadoop 环境

# 以 Ubuntu 20.04 作为基础镜像
FROM ubuntu:20.04

# 环境变量：非交互安装
ENV DEBIAN_FRONTEND=noninteractive

# 更新并安装基础依赖
# 1. openssh-server：SSH服务
# 2. openjdk-8-jdk：Java 8（Hadoop通常与Java 8配合得更好）
# 3. vim、curl、wget 等常用工具（可按需添加或删除）
RUN apt-get update && \
    apt-get install -y --no-install-recommends \
        openssh-server \
        openjdk-8-jdk \
        vim \
        ssh \
        rsync \
        curl \
        wget \
    && rm -rf /var/lib/apt/lists/*

# 设置 JAVA_HOME
ENV JAVA_HOME /usr/lib/jvm/java-8-openjdk-amd64

# 创建运行Hadoop的用户 hadoop，并设置家目录
RUN useradd -m -s /bin/bash hadoop

# 设置 hadoop 用户的环境变量
RUN echo 'export HADOOP_HOME=/usr/local/hadoop' >> /home/hadoop/.profile && \
    echo 'export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin' >> /home/hadoop/.profile

# 下载并解压 Hadoop （示例以 3.3.2 为例，链接请自行替换为你需要的版本）
WORKDIR /usr/local
RUN wget https://archive.apache.org/dist/hadoop/common/hadoop-3.3.2/hadoop-3.3.2.tar.gz && \
    tar -xzf hadoop-3.3.2.tar.gz && \
    mv hadoop-3.3.2 hadoop && \
    rm -f hadoop-3.3.2.tar.gz

# 设置 Hadoop 环境变量
ENV HADOOP_HOME=/usr/local/hadoop
ENV PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

# 设置 Hadoop 的 JAVA_HOME
RUN echo "export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64" >> $HADOOP_HOME/etc/hadoop/hadoop-env.sh

# 准备 SSH 目录，并配置 SSH 无密码登录（在容器内使用 su - hadoop 执行集群脚本）
RUN mkdir /var/run/sshd
# 为 hadoop 用户生成 SSH Key 并配置无密码登录
# 注意：此处只在容器内部无密码互联，真实生产环境下不要用这种方法暴露SSH
RUN mkdir -p /home/hadoop/.ssh && \
    chown -R hadoop:hadoop /home/hadoop/.ssh && \
    chmod 700 /home/hadoop/.ssh && \
    \
    # 以 hadoop 用户身份生成密钥
    su - hadoop -c "ssh-keygen -t rsa -P '' -f /home/hadoop/.ssh/id_rsa" && \
    \
    # 将公钥加入 authorized_keys
    cat /home/hadoop/.ssh/id_rsa.pub >> /home/hadoop/.ssh/authorized_keys && \
    chmod 600 /home/hadoop/.ssh/authorized_keys

# 拷贝自定义脚本 start.sh 到 /usr/local/bin，并赋予执行权限
COPY start.sh /usr/local/bin/start.sh
RUN chmod +x /usr/local/bin/start.sh

# 暴露常见的 Hadoop 端口（可根据需求增减）
# 22：SSH
# 9870：NameNode Web UI (Hadoop 3.x)
# 8088：ResourceManager Web UI
# 8020 / 9000：HDFS 交互端口
EXPOSE 22 9870 8088 8020 9000

# 启动容器默认执行 start.sh
CMD ["/usr/local/bin/start.sh"]

#!/bin/bash

# ==========
# start.sh
# ==========

# 1. 如果尚未生成 SSH Host Key，则生成（容器首次启动时需要）
if [ ! -f /etc/ssh/ssh_host_rsa_key ]; then
    ssh-keygen -A
fi

# 2. 启动SSH服务
/usr/sbin/sshd

# 3. 根据配置环境变量设置 Namenode 的存储目录（可自行修改）
#    也可以在 core-site.xml/hdfs-site.xml 配置 dfs.namenode.name.dir = /data/hdfs/namenode
#    这里只是示例做法：如果不存在 VERSION 文件，说明未格式化过，需要进行格式化
HDFS_NAME_DIR=${HDFS_NAME_DIR:-/data/hdfs/namenode}
if [ ! -f "$HDFS_NAME_DIR/current/VERSION" ]; then
    echo "===> Detected namenode not formatted. Now formatting..."
    su - hadoop -c "hdfs namenode -format -force"
fi

# 4. 启动 HDFS 和 YARN
echo "===> Starting HDFS..."
su - hadoop -c "$HADOOP_HOME/sbin/start-dfs.sh"

echo "===> Starting YARN..."
su - hadoop -c "$HADOOP_HOME/sbin/start-yarn.sh"

# 5. （可选）让容器日志输出 Hadoop 日志文件，方便观察
# 如果你习惯在容器里 bash 进入查看日志，也可以改成 tail -f /dev/null
echo "===> Tail Hadoop logs (Press Ctrl+C to stop tail in foreground)..."
tail -F $HADOOP_HOME/logs/*.log