Hadoop基础知识

hadoop基本介绍

1、Hadoop是一个有apache基金会开发的分布式系统基础架构。
2、主要解决，海量数据的存储和海量数据的分析问题
3、hadoop泛指hadoop生态圈

hadoop三大发行版本(免费开源)

1、apache DKhadoop发行版

Apache版本最原始（最基础）的版本。

官网地址：地址
下载地址：地址

Cloudera版本（Cloudera’s Distribution Including Apache Hadoop，简称CDH）
在大型互联网企业中用的较多，在兼容性，安全性，稳定性上相对于hadoop有很大增强。
官网地址：添加链接描述
下载地址：添加链接描述

Hortonworks版本(Hortonworks Data Platform，简称“HDP”）
官网地址：添加链接描述
下载地址：添加链接描述
集成和测试封装 – HDP包括稳定版本的Apache Hadoop的所有关键组件，集成和测试封装。
安装方便– HDP包括一个现代化的，直观的用户界面的安装和配置工具。
管理和监控服务 – HDP包括直观的仪表板，为监测集群和建立警示。
数据集成服务 – HDP包括Talend大数据平台，领先的开源整合工具，轻松连接Hadoop集群，而无需编写Hadoop代码的数据系统集成工具。
元数据服务 – HDP包括的Apache HCatalog，从而简化了Hadoop的应用程序之间和Hadoop和其他数据系统之间的数据共享。
高可用性– HDP与成熟的高可用性解决方案的无缝集成。

2、传统的硬件厂商，华为，Intel也提供hadoop的版本

hadoop的优势

高可靠性：底层维护多个数据副本，如hadoop某个计算元素或存储出现故障，也不会导致数据的丢失
可扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点
高效性：在mapreduce的思想下，hadoop是并行工作的，以加快任务处理速度
高容错性：能够地总将失败的任务重新分配

hadoop1与hadoop2有什么区别

hadoop1:

Mapreduce：负责计算+资源调度

主要由两部分组成：编程模型和运行时环境。
编程模型为用户提供易用的编程接口，用户只需编写串行程序实现函数来实现一个分布式程序，其他如节点间的通信、节点失效，数据切分等，则由运行时环境完成。
基本编程模型将问题抽象成Map和Reduce两个阶段，Map阶段将输入数据解析成key/value，迭代调用map()函数后，再以key/value的形式输出到本地目录；Reduce阶段则将key相同的value进行归约处理，并将最终结果写入到HDFS。
运行时环境由JobTracker和TaskTracker两类服务组成，JobTracker负责资源管理和所有作业的控制，TaskTracker负责接收来自JobTracker的命令并执行。

HDFS:数据存储

在Hadoop1.x中的NameNode只可能有一个，虽然可以通过SecondaryNameNode与NameNode进行数据同步备份，但是总会存在一定的延时，如果NameNode挂掉，但是如果有部份数据还没有同步到SecondaryNameNode上，还是可能会存在着数据丢失的问题。
common：铺助工具

hadoop2：

MapReduce：负责计算

1、MapReduce将计算过程分为两个阶段：Map和Reduce
2、Map阶段并行处理输入数据
3、Reduce阶段对Map结果进行汇总计算

yml：资源调度

1、Yarn是一个资源调度平台，负责为运算程序提供服务器运算资源，相当于一个分布式的操作系统平台
2、resourceManager:处理客户端请求、启动、监听applicationMaster、监控nodemanager、资源分配与调度
3、nodeManager:单个节点上的资源管理，处理来自于resourceManager的命令、处理来自于applicationMaster的命令。
4、applicationMagter:数据切分，为应用程序申请资源，并分配给内部任务、任务架空与容错。
 4、container:对任务运行环境的抽象，封装了cpu，内存等多位资源以及环境变量，启动命令等任务相关的信息。

HDFS:数据存储

Hadoop建议存储大文件，如果是大量的小文件，会消耗大量内存。
NameNode:
整个文件系统的管理节点，维护着整个文件系统的文件目录树，文件/目录的元信息和每个文件对应的数据块列表。
DataNode:
保存具体的block数据，负责数据的读写操作和复制操作，DataNode启动时会向NameNode报告当前存储的数据块信息，后续也会定时报告修改信息，DataNode之间会进行通信，复制数据块，保证数据的冗余性.
分块存储 block块:基本存储单位 128M，默认副本3份

common：铺助工具

大数据技术架构图

1、

2、

涉及的技术名词解释如下：

1）Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
2）Flume：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
（1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
（2）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
（3）支持通过Kafka服务器和消费机集群来分区消息。
（4）支持Hadoop并行数据加载。
4）Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
5）Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
7）Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
8）Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
10）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
11）Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
12）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、 分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

hadoop运行环境搭建

环境：linux环境（centOS7）

虚拟机环境准备

1. 克隆虚拟机
2. 修改克隆虚拟机的静态IP
3. 修改主机名
4. 关闭防火墙
5. 创建普通用户
6. 配置普通用户具有root权限

安装JDK

查看是否安装了jdk：rpm -qa | grep java
卸载jdk：sudo rpm -e 软件包
查看jdk安装路径：which java

安装hadoop

查看hadoop：ll
drwxr-xr-x. 2 atguigu atguigu 4096 5月 22 2017 bin
drwxr-xr-x. 3 atguigu atguigu 4096 5月 22 2017 etc
drwxr-xr-x. 2 atguigu atguigu 4096 5月 22 2017 include
drwxr-xr-x. 3 atguigu atguigu 4096 5月 22 2017 lib
drwxr-xr-x. 2 atguigu atguigu 4096 5月 22 2017 libexec
-rw-r–r--. 1 atguigu atguigu 15429 5月 22 2017 LICENSE.txt
-rw-r–r--. 1 atguigu atguigu 101 5月 22 2017 NOTICE.txt
-rw-r–r--. 1 atguigu atguigu 1366 5月 22 2017 README.txt
drwxr-xr-x. 2 atguigu atguigu 4096 5月 22 2017 sbin
drwxr-xr-x. 4 atguigu atguigu 4096 5月 22 2017 share
（1）bin目录：存放对Hadoop相关服务（HDFS,YARN）进行操作的脚本
（2）etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件
（3）lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）
（4）sbin目录：存放启动或停止Hadoop相关服务的脚本
（5）share目录：存放Hadoop的依赖jar包、文档、和官方案例

hadoop运行模式

Hadoop运行模式包括：本地模式、伪分布式模式以及完全分布式模式。

本地运行模式

官方案例：

官方Grep案例

1. 创建在hadoop-2.7.2文件下面创建一个input文件夹
   mkdir input
2. 将Hadoop的xml配置文件复制到input
   cp etc/hadoop/*.xml input
3. 执行share目录下的MapReduce程序
   bin/hadoop jar
   share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output ‘dfs[a-z.]+’
4. 查看输出结果
   cat output/*

官方WordCount案例

1. 创建在hadoop-2.7.2文件下面创建一个wcinput文件夹
   mkdir wcinput
2. 在wcinput文件下创建一个wc.input文件
   cd wcinput
   touch wc.input
3. 编辑wc.input文件
   vi wc.input
   在文件中输入如下内容
   hadoop yarn
   hadoop mapreduce
   atguigu
   atguigu
   保存退出：：wq
4. 回到Hadoop目录/opt/module/hadoop-2.7.2
5. 执行程序
   hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount wcinput wcoutput
6. 查看结果
   cat wcoutput/part-r-00000

atguigu 2
hadoop 2
mapreduce 1
yarn 1

伪分布式运行模式

4.2.1 启动HDFS并运行MapReduce程序

1. 分析
   （1）配置集群
   （2）启动、测试集群增、删、查
   （3）执行WordCount案例
2. 执行步骤
   （1）配置集群
   （a）配置：hadoop-env.sh
   Linux系统中获取JDK的安装路径：
   echo $JAVA_HOME
   /opt/module/jdk1.8.0_144
   修改JAVA_HOME 路径：
   export JAVA_HOME=/opt/module/jdk1.8.0_144
   （b）配置：core-site.xml

fs.defaultFS hdfs://hadoop101:9000 hadoop.tmp.dir /opt/module/hadoop-2.7.2/data/tmp （c）配置：hdfs-site.xml dfs.replication 1 （2）启动集群 （a）格式化NameNode（第一次启动时格式化，以后就不要总格式化） bin/hdfs namenode -format （b）启动NameNode sbin/hadoop-daemon.sh start namenode （c）启动DataNode sbin/hadoop-daemon.sh start datanode （3）查看集群 （a）查看是否启动成功 jps 13586 NameNode 13668 DataNode 13786 Jps 注意：jps是JDK中的命令，不是Linux命令。不安装JDK不能使用jps （b）web端查看HDFS文件系统 http://hadoop101:50070/dfshealth.html#tab-overview 注意：如果不能查看，看如下帖子处理 http://www.cnblogs.com/zlslch/p/6604189.html （c）查看产生的Log日志 说明：在企业中遇到Bug时，经常根据日志提示信息去分析问题、解决Bug。 当前目录：/opt/module/hadoop-2.7.2/logs ls hadoop-atguigu-datanode-hadoop.atguigu.com.log hadoop-atguigu-datanode-hadoop.atguigu.com.out hadoop-atguigu-namenode-hadoop.atguigu.com.log hadoop-atguigu-namenode-hadoop.atguigu.com.out SecurityAuth-root.audit

cat hadoop-atguigu-datanode-hadoop101.log
（d）思考：为什么不能一直格式化NameNode，格式化NameNode，要注意什么？
cd data/tmp/dfs/name/current/
cat VERSION
clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837

[atguigu@hadoop101 hadoop-2.7.2]$ cd data/tmp/dfs/data/current/
clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837

注意：格式化NameNode，会产生新的集群id,导致NameNode和DataNode的集群id不一致，集群找不到已往数据。所以，格式NameNode时，一定要先删除data数据和log日志，然后再格式化NameNode。
（4）操作集群
（a）在HDFS文件系统上创建一个input文件夹
bin/hdfs dfs -mkdir -p /user/atguigu/input
（b）将测试文件内容上传到文件系统上
bin/hdfs dfs -put wcinput/wc.input
/user/atguigu/input/
（c）查看上传的文件是否正确
bin/hdfs dfs -ls /user/atguigu/input/
bin/hdfs dfs -cat /user/atguigu/ input/wc.input
（d）运行MapReduce程序
bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/input/ /user/atguigu/output
（e）查看输出结果
命令行查看：
bin/hdfs dfs -cat /user/atguigu/output/*
浏览器查看，如图2-34所示

图2-34 查看output文件
（f）将测试文件内容下载到本地
hdfs dfs -get /user/atguigu/output/part-r-00000 ./wcoutput/
（g）删除输出结果
hdfs dfs -rm -r /user/atguigu/output
4.2.2 YARN上运行MapReduce 程序

1. 分析
   （1）配置集群YARN上运行
   （2）启动、测试集群增、删、查
   （3）在YARN上执行WordCount案例
2. 执行步骤
   （1）配置集群
   （a）配置yarn-env.sh
   配置一下JAVA_HOME
   export JAVA_HOME=/opt/module/jdk1.8.0_144
   （b）配置yarn-site.xml

yarn.nodemanager.aux-services mapreduce_shuffle yarn.resourcemanager.hostname hadoop101

（c）配置：mapred-env.sh
配置一下JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_144
（d）配置： (对mapred-site.xml.template重新命名为) mapred-site.xml
mv mapred-site.xml.template mapred-site.xml
vi mapred-site.xml

mapreduce.framework.name yarn

 （2）启动集群
（a）启动前必须保证NameNode和DataNode已经启动
（b）启动ResourceManager
 sbin/yarn-daemon.sh start resourcemanager
	
	（c）启动NodeManager
  sbin/yarn-daemon.sh start nodemanager

（3）集群操作
（a）YARN的浏览器页面查看，如图2-35所示 xxxxx

图2-35 YARN的浏览器页面

	（b）删除文件系统上的output文件
    bin/hdfs dfs -rm -R /user/atguigu/output

	（c）执行MapReduce程序
     bin/hadoop jar
  share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/input  /user/atguigu/output
	
	（d）查看运行结果，如图2-36所示
    bin/hdfs dfs -cat /user/atguigu/output/*

图2-36 查看运行结果
4.2.3 配置历史服务器
为了查看程序的历史运行情况，需要配置一下历史服务器。具体配置步骤如下：

1. 配置mapred-site.xml
   [atguigu@hadoop101 hadoop]$ vi mapred-site.xml
   在该文件里面增加如下配置。
   
   mapreduce.jobhistory.address
   hadoop101:10020
   
   
   mapreduce.jobhistory.webapp.address
   hadoop101:19888
   

yarn.log.server.url http://hadoop101:19888/jobhistory/logs

2. 启动历史服务器
   sbin/mr-jobhistory-daemon.sh start historyserver

3. 查看历史服务器是否启动
   jps

4. 查看JobHistory
   http://hadoop101:19888/jobhistory

4.2.4 配置日志的聚集
日志聚集概念：应用运行完成以后，将程序运行日志信息上传到HDFS系统上。
日志聚集功能好处：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：

1.配置yarn-site.xml
[atguigu@hadoop101 hadoop]$ vi yarn-site.xml

在该文件里面增加如下配置。

<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>

yarn.log-aggregation.retain-seconds 604800

2.关闭NodeManager 、ResourceManager和HistoryManager
sbin/yarn-daemon.sh stop resourcemanager
sbin/yarn-daemon.sh stop nodemanager
sbin/mr-jobhistory-daemon.sh stop historyserver

3.启动NodeManager 、ResourceManager和HistoryManager
sbin/yarn-daemon.sh start resourcemanager
sbin/yarn-daemon.sh start nodemanager
sbin/mr-jobhistory-daemon.sh start historyserver

4.删除HDFS上已经存在的输出文件
bin/hdfs dfs -rm -R /user/atguigu/output

5.执行WordCount程序
hadoop jar
share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/input /user/atguigu/output

6.查看日志，如图2-37，2-38，2-39所示
http://hadoop101:19888/jobhistory

图2-37 Job History

图2-38 job运行情况

图2-39 查看日志
4.2.5 配置文件说明
Hadoop配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值。
（1）默认配置文件：
表2-1
要获取的默认文件 文件存放在Hadoop的jar包中的位置
[core-default.xml] hadoop-common-2.7.2.jar/ core-default.xml
[hdfs-default.xml] hadoop-hdfs-2.7.2.jar/ hdfs-default.xml
[yarn-default.xml] hadoop-yarn-common-2.7.2.jar/ yarn-default.xml
[mapred-default.xml] hadoop-mapreduce-client-core-2.7.2.jar/ mapred-default.xml
（2）自定义配置文件：
core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放在$HADOOP_HOME/etc/hadoop这个路径上，用户可以根据项目需求重新进行修改配置。