第一部分 大数据简介 第一节 大数据的定义 大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 第二节 大数据
大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
大数据的特点可以用IBM曾经提出的“5V”来描述，如下：
Volume 大量
采集、存储和计算的数据量都非常大
计算机存储单位一般都用B、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB来表示，他们之间的关系是：
1GB = 1024 MB 1TB = 1024 GB
1PB = 1024 TB 1EB = 1024 PB
1ZB = 1024 EB 1YB = 1024 ZB 1BB = 1024 YB
1NB = 1024 BB
1DB = 1024 NB
以PB为例，PB级数据量有多大？是怎样的一个概念？
假如手机播放MP3的速度为平均每分钟1MB，而1首歌曲的平均时长为4分钟，那么1PB存量的歌曲可以连续
播放2000年。
1PB 也相当于50%的全美学术研究图书馆藏书咨询内容。
（1）1986年，全球只有0.02EB也就是约21000TB的数据量
（2）2007年，全球就是280EB也就是约300000000TB的数据量，翻了14000倍
（3）近些年，由于移动互联网及物联网的出现，各种终端设备的接入，各种业务形式的普及，平均每40个月，全球的数据量就会翻倍！2012年，每天会产生2.5EB的数据量
（4）基于IDC的报告预测，从2013年到2020年，全球数据量会从4.4ZB猛增到44ZB！而到了2025年，全球会有163ZB的数据量！
全球的数据量已经大到爆了！而传统的关系型数据库根本处理不了如此海量的数据！
Velocity 高速
在大数据时代，数据的创建、存储、分析都要求被高速处理，比如电商网站的个性化推荐尽可能要求实时完成，这也是大数据区别于传统数据挖掘的显著特征。
Variety 多样
数据的形式和来源多样化。包括结构化、半结构化和非结构化数据，具体表现为网络日志、音频、视频、图片、地理位置信息等等，多类型的数据对数据的处理能力提出了更高的要求。
Veracity 真实
确保数据的真实性，才能保证数据分析的正确性。
Value 低价值
数据价值密度相对较低，或者说是浪里淘沙却又弥足珍贵。互联网发展催生了大量数据，信息海量但价值
随着大数据的发展，大数据技术已经广泛应用在众多行业，比如仓储物流、电商零售、汽车、电信、生物医学、人工智能、智慧城市等等领域，包括在疫情防控战中，大数据技术也发挥了重要的作用。
仓储物流
大数据技术驱动了仓储物流领域的智能化发展，以苏宁为例，苏宁物流可在全国的各级仓库间实现只能分仓、就近备货和预测试调拨，实现“客户需要的商品就在离客户最近的配送中心”。
电商零售
汽车
利用了大数据和物联网技术的无人汽车驾驶，在不远的未来将走入我们的日常生活
电信
移动联通根据用户年龄、职业、消费情况，分析统计那种套餐适合哪类人，对市场人群精准定制
生物医学
大数据可以帮助我们实现流行病预测、智慧医疗、健康管理，同时还可以帮助我们解读DNA，了解更多的生命奥秘。比如影像大数据支撑下的早起肺癌支撑平台，基于大量病例数据样本，制定早期肺癌高危人群预警指标。
智慧城市
大数据有效支撑智慧城市发展，成为城市的“数据大脑”。比如，在智慧城市建设上，杭州始终走在全国前列。如覆盖面广的移动支付、新颖的在线医疗模式、创新的物流运输模式，都受到较大关注。2016年，杭州被《中国新型智慧城市》白皮书评委“中国最智慧的城市”。
hadoop是一个适合大数据的分布式存储和计算平台。
如前所述，狭义上说Hadoop就是一个框架平台，广义上讲Hadoop代表了大数据的一个技术生态圈，包括很多其他的软件框架：
hadoop的发展历程可以用如下过程概述：
Nutch
Hadoop最早起源于Nutch，Nutch 的创始人是Doug Cutting。
Nutch 是一个开源 Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和WEB爬虫，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。
Google论文（老三驾马车 GFS、MapReduce、BigTable）
2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。GFS，可用于处理海量网页的存储；
MapReduce，可用于处理海量网页的索引计算问题。
Google的三篇论文（三驾马车）
GFS：Google的分布式文件系统（Google File System）
MapReduce：Google的分布式计算框架
BigTable：大型分布式数据库
发展演变关系：
GFS —> HDFS
Google MapReduce —> Hadoop MapReduce
BigTable —> HBase
Hadoop产生
Google公布了部分GFS和MapReduce思想的细节，Doug Cutting等人用2年的业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
成为Apache顶级项目
2005年，Hadoop 作为Lucene的子项目Nutch的一部分引入Apache
2006年，Hadoop从Nutch剥离出来独立
2008年，Hadoop成为Apache的顶级项目
Cloudera公司成立
目前Hadoop发行版非常多，有Cloudera发行版（CDH）、Hortonworks发行版、华为发行版、Intel发行版等，所有这些发行版均是基于Apache Hadoop衍生出来的，之所以有这么多的版本，是由Apache Hadoop的开源协议决定的（任何人可以对其进行修改，并作为开源或商业产品发布/销售）。
企业中主要用到的三个版本分别是：Apache Hadoop版本（最原始的，所有发行版均基于这个版本进行改进）、Cloudera版本（Cloudera’s Distribution Including Apache Hadoop，简称“CDH”）、Hortonworks版本（Hortonworks Data PlatfORM，简称“HDP”）。
Apache Hadoop 原始版本
官网地址：Http://hadoop.apache.org/
优点：拥有全世界的开源贡献，代码更新版本比较快
缺点：版本的升级，版本的维护，以及版本之间的兼容性，学习非常方便
Apache所有软件的下载地址（包括各种历史版本）：http://archive.apache.org/dist/
软件收费版本ClouderaManager CDH版本 --生产环境使用
官网地址：https://www.cloudera.com/
Cloudera主要是美国一家大数据公司在Apache开源Hadoop的版本上，通过自己公司内部的各种补丁，实现版本之间的稳定运行，大数据生态圈的各个版本的软件都提供了对应的版本，解决了版本的升级困难，版本兼容性等各种问题，生产环境强烈推荐使用
免费开源版本HortonWorks HDP版本--生产环境使用
官网地址：https://hortonworks.com/ hortonworks主要是雅虎主导Hadoop开发的副总裁，带领二十几个核心成员成立Hortonworks，核心产品软件HDP（ambari），HDF免费开源，并且提供一整套的web管理界面，供我们可以通过web界面管理我们的集群状态，web管理界面软件HDF网址（http://ambari.apache.org/）
0.x 系列版本：Hadoop当中最早的一个开源版本，在此基础上演变而来的1.x以及2.x的版本
x 版本系列：Hadoop版本当中的第二代开源版本，主要修复0.x版本的一些bug等
x 版本系列：架构产生重大变化，引入了yarn平台等许多新特性
x 版本系列：EC技术、YARN的时间轴服务等新特性
Hadoop = HDFS（分布式文件系统） + MapReduce（分布式计算框架） + Yarn（资源协调框架） + Common模块
Hadoop HDFS：（Hadoop Distribute File System）一个高可靠、高吞吐量的分布式文件系统，比如：100T数据存储
将数据切割，100T数据拆分为10G一个数据块由一个电脑节点存储这个数据块。
数据切割、制作副本、分散存储
图片中涉及到的几个角色：
Namenode（nn）：存储文件的元数据，比如文件名、文件目录结构、文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
SecondaryNameNode（2nn）：辅助NameNode更好的工作，用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据快照。
DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验
注意：NN，2NN，DN这些即使角色名称，进程名称，代指电脑节点名称！！
Hadoop MapReduce：一个分布式的离线并行计算框架
拆解任务、分散处理、汇整结果
Map阶段就是“分”的阶段，并行处理输入数据；
Reduce阶段就是“合”的节点，对Map阶段结果进行汇总；
Hadoop YARN：作业调度与集群资源管理的框架
计算资源协调
Yarn中有如下几个主要角色，同样，即使用户名、也是进程名，也代指所在的计算机节点名称。
ResourceManager(rm)：处理客户端请求，启动/监控ApplicationMaster、监控nodeManager、资源分配与调度；
NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；
ApplicationMaster(am)：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。
Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。
直白点来说，ResourceManager是老大，NodeManager是小弟，ApplicationMaster是计算任务专员。
软件和操作系统版本
Hadoop搭建方式
单机模式：单节点模式，非集群，生产环境不会使用
单机伪分布式模式：单节点，多线程模拟集群的效果，生产不会使用这种方式
完全分布式集群模式：多台节点，真正的分布式Hadoop集群的搭建（生产环境）
三台虚拟机（静态IP，关闭防火墙，修改主机名，配置免密登录）
配置过程详见上一章...
在/opt目录下创建文件夹
mkdir -p /opt/software --软件安装包存放目录
mkdir -p /opt/servers --软件安装目录
Hadoop下载地址：
https://archive.apache.org/dist/hadoop/common/hadoop-2.9.2/
Hadoop官网地址：
http://hadoop.apache.org/
上传hadoop安装文件到/opt/software
| 框架 | wanglj01 | wanglj02 | wanglji03 |
|---|---|---|---|
| HDFS | NameNode、DataNode | DataNode | SecondaryNameNode、DataNode |
| YARN | NodeManager | NodeManager | NodeManager、ResourceManager |
登录wanglj01节点；进入/opt/software,解压安装文件到/opt/servers
tar -zxvf hadoop-2.9.2.tar.gz -C ../servers/
添加Hadoop到环境变量中
vim /etc/profile
# 添加以下内容
## HADOOP_HOME
export HADOOP_HOME=/opt/servers/hadoop-2.9.2
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
# 保存文件修改后使环境变量生效
source /etc/profile
验证hadoop
hadoop version
校验结果：
hadoop目录
drwxr-xr-x. 2 501 dialout 194 Nov 13 2018 bin
drwxr-xr-x. 3 501 dialout 20 Nov 13 2018 etc
drwxr-xr-x. 2 501 dialout 106 Nov 13 2018 include
drwxr-xr-x. 3 501 dialout 20 Nov 13 2018 lib
drwxr-xr-x. 2 501 dialout 239 Nov 13 2018 libexec
-rw-r--r--. 1 501 dialout 106210 Nov 13 2018 LICENSE.txt
-rw-r--r--. 1 501 dialout 15917 Nov 13 2018 NOTICE.txt
-rw-r--r--. 1 501 dialout 1366 Nov 13 2018 README.txt
drwxr-xr-x. 3 501 dialout 4096 Nov 13 2018 sbin
drwxr-xr-x. 4 501 dialout 31 Nov 13 2018 share
1. bin目录:对Hadoop进行操作的相关命令，如hadoop,hdfs等
2. etc目录：Hadoop的配置文件目录，入hdfs-site.xml,core-site.xml等
3. lib目录：Hadoop本地库（解压缩的依赖）
4. sbin目录：存放的是Hadoop集群启动停止相关脚本，命令
5. share目录：Hadoop的一些jar,官方案例jar，文档等
Hadoop集群配置 = HDFS集群配置 + MapReduce集群配置 + Yarn集群配置
/etc/hadoop/slaves文件，每个节点配置信息占一行）cd /opt/servers/hadoop-2.9.2/ect/hadoop
配置JDK路径（Hadoop-env.sh）
vim hadoop-env.sh
export JAVA_HOME=/opt/servers/jdk1.8.0_231
指定NameNode节点以及数据存储目录（修改core-site.xml）
vim core-site.xml
fs.defaultFS
hdfs://wanglj01:9000
hadoop.tmp.dir
/opt/servers/hadoop-2.9.2/data/tmp
core-site.xml的默认配置官方文档：
https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-common/core- default.xml
注意：如果希望在web页面可以操作hdfs文件系统，需要增加以下配置：
hadoop.http.staticuser.user
root
dfs.permissions.enabled
false
指定SecondaryNameNode节点（修改hdfs-site.xml）
vim hdfs-site.xml
dfs.namenode.secondary.http-address
wanglj03:50090
dfs.replication
3
官方默认配置：
https://hadoop.apache.org/docs/r2.9.2/hadoop-project-dist/hadoop-hdfs/hdfs- default.xml
指定dataNode从节点（修改slaves文件，每个节点配置信息占一行）
vim slaves
wanglj01
wanglj02
wnaglj03
注意：该文件中添加的内容结尾不允许有空格，文件中不允许有空行。
指定MapReduce使用的JDK路径（修改mapred-env.sh）
vim mapred-env.sh
export JAVA_HOME=/opt/servers/jdk1.8.0_231
指定MapReduce计算框架运行Yarn资源调度框架（修改mapred-site.xml）
mv mapred-site.xml.template mapred-site.xml
vim mapred-site.xml
mapreduce.framework.name
yarn
mapred-site.xml默认配置
https://hadoop.apache.org/docs/r2.9.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml
指定JDK路径
vim yarn-env.sh
export JAVA_HOME=/opt/servers/jdk1.8.0_231
指定ResourceManager的master节点信息（修改yarn-site.xml）
vim yarn-site.xml
yarn.resourcemanager.hostname
wanglj03
yarn.nodemanager.aux-services
mapreduce_shuffle
yarn-site.xml的默认配置
https://hadoop.apache.org/docs/r2.9.2/hadoop-yarn/hadoop-yarn-common/yarn-default.xml
指定NodeManager节点（slaves文件已修改）
注意：Hadoop安装目录所属用户和所属用户组信息，默认是501 dialout，而我们操作Hadoop集群的用户使
用的是虚拟机的root用户，
所以为了避免出现信息混乱，修改Hadoop安装目录所属用户和用户组！！
chown -R root:root /opt/servers/hadoop-2.9.2
rsync 远程同步工具
rsync主要用于备份和镜像。具有速度快，避免复制相同内容和支持符号链接的优点。
rsync和scp的区别：用rsync做文件的复制要比scp的速度快，rsync只对差异文件做更新，scp是把所有文件都复制过去。
基本语法
rsync -rvl $pdir/$fname $user@$host:$pdir/$fname
# rsync 命令
# -rvl 选项参数
# $pdir/$fname 要拷贝的文件路径/名称
# $user@$host:$pdir/$fname 目的用户@主机:目的路径/名称
选项参数说明
| 选项 | 功能 |
|---|---|
| -r | 递归 |
| -v | 显示复制过程 |
| -l | 拷贝符号链接 |
rsync 案例
三台虚拟机安装rsync
yum install -y rsync
把wanglj01机器上的/opt/software目录同步到wanglj02服务器的root用户下的/opt/目录
rsync -rvl /opt/software/ root@wanglj02:/opt/software
集群分发脚本编写
需求：循环复制文件到集群所有节点的相同目录下
rsync命令原始拷贝：
rsync -rvl /opt/module root@wanglj03:/opt/
期望脚本
脚本+要同步的文件名称
说明
在/user/local/bin这个目录下存放的脚本，root用户可以在系统任何地方直接执行。
脚本实现
# 创建脚本
cd /usr/local/bin
touch rsync-script
# 编辑脚本
vim rsync-script
# 以下是shell脚本内容：
#!/bin/bash
#1 获取命令输入参数的个数，如果个数为0，直接退出命令
paramnum=$#
if((paramnum==0)); then
echo no params;
exit;
fi
#2 根据传入参数获取文件名称
p1=$1
file_name=`basename $p1`
echo fname=$file_name
#3 获取输入参数的绝对路径
pdir=`cd -P $(dirname $p1); pwd`
echo pdir=$pdir
#4 获取用户名称
user=`whoami`
#5 循环执行rsync
for((host=1; host<4; host++)); do
echo ------------------- wanglj0$host --------------
rsync -rvl $pdir/$file_name $user@wanglj0$host:$pdir
done
修改脚本权限
chmod 777 rsync-script
测试脚本
调用脚本形式：rsync-script 文件名称
rsync-script /opt/servers/hadoop-2.9.2
注意：如果集群是第一次启动，需要在NameNode所在的节点格式化NameNode，飞第一次不用执行格式化NameNode操作。
hadoop namenode -format
格式化后创建的文件：/opt/servers/hadoop-2.9.2/data/tmp/dfs/name/current
启动HDFS
cd /opt/servers/hadoop-2.9.2/sbin/
# 启动集群
./start-dfs.sh
# 查看所有java进城
jps
其它两台机器上执行jsp命令：
[root@wanglj02 ~]# jps
30758 DataNode
30847 Jps
[root@wanglj03 ~]# jps
19159 DataNode
19258 SecondaryNameNode
19307 Jps
启动YARN（在wanglj03上）
./start-yarn.sh
注意：NameNode和ResourceManager不是在同一台机器上，不能在NameNode上启动YARN，应该在ResourceManager所在的机器上启动YARN。
web端查看HDFS界面（这里直接用wanglj01是因为有提前配置hosts）
http://wanglj01:50070/dfshealth.html#tab-overview
各个服务组件逐一启动/停止
分别启动/停止HDFS组件
hadoop-daemon.sh start / stop namenode / datanode / secondarynamenode
启动/停止YARN
yarn-daemon.sh start / stop resourcemanager / nodemanager
各个模块分开启动/停止（配置ssh是前提）常用
（1）整体启动/停止HDFS
./start-dfs.sh
./stop-dfs.sh
（2）整体启动/停止YARN
start-yarn.sh
stop-yarn.sh
HDFS 分布式存储测试
从linux本地文件系统上传下载文件验证HDFS集群工作正常
hdfs dfs -mkdir -p /test/input
#本地hoome目录创建一个文件
cd /root
vim test.txt
hello hdfs
#上传linxu文件到Hdfs
hdfs dfs -put /root/test.txt /test/input
#从Hdfs下载文件到linux本地
hdfs dfs -get /test/input/test.txt
MapReduce 分布式计算测试
在HDFS文件系统根目录下创建一个wcinput文件夹
hdfs dfs -mkdir /wcinput
在 /root/目录下创建一个wc.txt文件（本地系统文件）
cd /root/
# 创建文件
touch wc.txt
# 编辑文件
vim wc.txt
在文件中输入如下内容
hadoop mapreduce yarn hdfs hadoop mapreduce mapreduce yarn spark flink ZooKeeper
上传wc.txt到HDFS目录/wcinput下
hdfs dfs -put wc.txt /wcinput
回到Hadoop目录/opt/servers/hadoop-2.9.2执行程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar Wordcount /wcinput /wcoutput
查看结果
hdfs dfs -cat /wcoutput/part-r-00000
doop 1
flink 1
hadoop 1
hdfs 1
mapreduce 3
spark 1
yarn 2
zookeeper 1
也可以在web页面访问到该文件：
在Yarn中运行的任务产生的日志数据不能查看，为了查看程序的历史运行情况，需要配置一下历史服务器日志。具体配置步骤如下：
配置mapred-site.xml
vim mapred-site.xml
# 增加如下配置
mapreduce.jobhistory.address
wanglj01:10020
mapreduce.jobhistory.webapp.address
wanglj01:19888
分发到其它节点
rsync-script mapred-site.xml
启动历史服务器
./mr-jobhistory-daemon.sh start historyserver
查看jobHistory
http://wanglj01:19888/jobhistory
日志聚集：应用（job）运行完成以后，将应用运行日志信息从各个task汇总上传到hdfs系统上。
日志聚集的优势：可以方便的查看到程序运行详情，方便开发调试。
注意：开启日志聚集功能，需要重新启动NodeManager、ResourceManager和HistoryManager。
开启日志聚集功能具体步骤如下：
yarn-site.xmlvim yarn-site.xml
# 在文件里面增加如下配置
yarn.log-aggregation-enable
true
yarn.log-aggregation.retain-seconds
604800
分发到其它节点
rsync-script yarn-site.xml
重启NodeManager、ResourceManager和HistoryManager
cd /opt/servers/hadoop-2.9.2/
# 全部关闭
./sbin/yarn-daemon.sh stop resourcemanager
./sbin/yarn-daemon.sh stop nodemanager
./sbin/mr-jobhistory-daemon.sh stop historyserver
# 重新开启
./sbin/yarn-daemon.sh start resourcemanager
./sbin/yarn-daemon.sh start nodemanager
./sbin/mr-jobhistory-daemon.sh start historyserver
删除HDFS上已经存在的输出文件
hdfs dfs -rm -R /wcoutput
执行WordCount程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.9.2.jar wordcount /wcinput /wcoutput
查看日志
http://wanglj01:19888/jobhistory
--结束END--
本文标题: 大数据学习记录_02_hadoop基础以及集群安装
本文链接: https://lsjlt.com/news/8525.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
2024-10-23
2024-10-22
2024-10-22
2024-10-22
2024-10-22
2024-10-22
2024-10-22
2024-10-22
2024-10-22
2024-10-22
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
官方手机版
微信公众号
商务合作
0