Hadoop介绍_hadoop介绍csdn-CSDN博客

本文链接：https://blog.csdn.net/aihaili/article/details/117425617

第1章大数据概论

1.1 什么是大数据

主要解决：海量数据的存储和海量数据的分析计算问题

大数据中的存储单位：bit，byte，KB，MB，GB，TB，PB，EB，ZB

1byte = 8bit 1KB = 1024byte 1MB = 1024KB 1GB = 1024MB 1TB = 1024GB …

1.2 大数据特点

Volume（大量）：数据量庞大
Velocity（高速）：比如淘宝双十一
Variety（多样）：数据库和文本为主的结构化数据，非结构化数据越来越多（mp4，音频，视频，图片，地理位置等信息）
Value（低价值密度）：大量数据其实有用的就那么一两条

1.3 大数据应用场景

物流仓储
零售
旅游
商品广告
保险
金融
房产
人工智能

1.4 发展前景

国家层面大力支持
人才缺口大
本科已经设立大数据专业
薪资高

1.5 大数据业务流程分析

产品人员提需求（统计总用户数、日活跃数、回流用户数、连续三天下单等等）
数据部门搭建数据平台、分析数据，分析指标
将分析得到的结果进行数据可视化（报表展示、邮件发送、大屏展示）

1.6 大数据部门组成结构

在这里插入图片描述

第二章 hadoop框架

2.1 Hadoop是什么

hadoop是一个由apache基金会所开发的分布式系统基础架构
主要解决海量数据的存储和海量数据的分析计算问题
广义上说，hadoop通常是指一个更广泛的——hadoop生态圈

2.2 Hadoop发展史

在这里插入图片描述

2.3 Hadoop三大发行版本

hadoop三大发行版本：Apache、Cloudera、Hortonworks
Apache版本最原始（最基础）的版本，对于入门学习最好。
Cloudera内部集成了很多大数据框架。对应产品CDH。
Hortonworks文档较好。对应产品HDP。

Apache Hadoop
官网地址：http://hadoop.apache.org/releases.html
下载地址：https://archive.apache.org/dist/hadoop/common/
Cloudera Hadoop
官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/
（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support
（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。Cloudera的标价为每年每个节点10000美元。
（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。
Hortonworks Hadoop
官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://hortonworks.com/downloads/#data-platform
（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
（3）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
（4）Hortonworks目前已经被Cloudera公司收购。

2.4 hadoop的优势

在这里插入图片描述

2.5 Hadoop组成

在这里插入图片描述

2.5.1 HDFS架构概述

NameNode（nn）：存储文件的元数据，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。
DataNode（dn）：在本地文件系统存储文件块数据，以及块数据的校验和。
Secondary NameNode（2nn）：每隔一段时间对NameNode元数据备份。

2.5.2 YARN架构概述

在这里插入图片描述

2.5.3 MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce

Map阶段并行处理输入数据
Reduce阶段对Map结果进行汇总

2.6 大数据技术生态体系

在这里插入图片描述

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HDFS上，或者将HDFS上数据导出到关系型数据库中。
Flume：Flume是一个高可用的，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；
Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
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。
Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算场景较多。
Oozie：Oozie是一个管理Hadoop作业（job）的工作流程调度管理系统。
Hbase：Hbase是一个分布式的，面向队列的开源数据库。Hbase不同于一般的关系型数据库，它是一个适合于非结构化数据存储的数据库。
Hive：Hive是一个基于Hadoop的一个数据仓库工具，可以将结构化是数据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。
Zookeeper：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。

2.7 推荐系统框架图

在这里插入图片描述

第3章 hadoop集群搭建（重要部分）

3.1 Hadoop目录结构

[atguigu@hadoop102 hadoop-3.1.3]$ ll
总用量 52
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

bin目录：存放对Hadoop相关服务（HDFS、YARN）进行操作的脚本
etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件
lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）
sbin目录：存放启动或停止Hadoop相关服务的脚本
share目录：存放Hadoop的依赖jar包、文档、和官方案例

第4章 Hadoop运行模式（重要部分）

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。
Hadoop官网：http://hadoop.apache.org/

4.1 完全分布式运行模式

准备3台客户机（关闭防火墙，改成静态ip，主机名称）
安装JDK
配置环境变量
安装Hadoop
配置hadoop环境变量
配置集群
单点启动
配置SSH
群起并测试集群

4.1.1 编写集群分发脚本xsync

scp（secure copy）安全拷贝

scp定义：
scp可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）
基本语法：

scp    -r          $pdir/$fname              $user@hadoop$host:$pdir/$fname
命令   递归        要拷贝的文件路径/名称          目的用户@主机:目的路径/名称

案例实操

在hadoop102上，将hadoop102中/opt/module/jdk1.8.0_212目录拷贝到hadoop103上。

[atguigu@hadoop102 ~]$ scp -r /opt/module/jdk1.8.0_212  atguigu@hadoop103:/opt/module

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    -av         $pdir/$fname              $user@hadoop$host:$pdir/$fname
命令   选项参数      要拷贝的文件路径/名称            目的用户@主机:目的路径/名称

案例实操

把hadoop102机器上的/opt/software目录同步到hadoop103服务器的/opt/software目录下

[atguigu@hadoop102 opt]$ rsync -av /opt/software/* atguigu@hadoop103:/opt/software

xsync集群分发脚本

1）需求：循环复制文件到所有节点的相同目录下
	rsync  -av     /opt/module  	 root@hadoop103:/opt/

在该文件中编写如下代码
#!/bin/bash
#1. 判断参数个数
if [ $# -lt 1 ]
then
  echo Not Enough Arguement!
  exit;
fi
#2. 遍历集群所有机器
for host in hadoop102 hadoop103 hadoop104
do
  echo ====================  $host  ====================
  #3. 遍历所有目录，挨个发送
  for file in $@
  do
    #4. 判断文件是否存在
    if [ -e $file ]
    then
      #5. 获取父目录
      pdir=$(cd -P $(dirname $file); pwd)
      #6. 获取当前文件的名称
      fname=$(basename $file)
      ssh $host "mkdir -p $pdir"
      rsync -av $pdir/$fname $host:$pdir
    else
      echo $file does not exists!
    fi
  done
done

4.1.2 配置SSH免密

原理

在这里插入图片描述

生成公钥和私钥：

[atguigu@hadoop102 .ssh]$ ssh-keygen -t rsa

然后敲（三个回车），就会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）

将公钥拷贝到要免密登录的目标机器上

[atguigu@hadoop102 .ssh]$ ssh-copy-id hadoop102
[atguigu@hadoop102 .ssh]$ ssh-copy-id hadoop103
[atguigu@hadoop102 .ssh]$ ssh-copy-id hadoop104

4.2 集群启停脚本

hadoop集群启停脚本（包含hdfs，yarn，historyserver）：myhadoop.sh

#!/bin/bash
if [ $# -lt 1 ]
then
    echo "No Args Input..."
    exit ;
fi
case $1 in
"start")
        echo " =================== 启动 hadoop集群 ==================="

        echo " --------------- 启动 hdfs ---------------"
        ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/start-dfs.sh"
        echo " --------------- 启动 yarn ---------------"
        ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/start-yarn.sh"
        echo " --------------- 启动 historyserver ---------------"
        ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver"
;;
"stop")
        echo " =================== 关闭 hadoop集群 ==================="

        echo " --------------- 关闭 historyserver ---------------"
        ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver"
        echo " --------------- 关闭 yarn ---------------"
        ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh"
        echo " --------------- 关闭 hdfs ---------------"
        ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh"
;;
*)
    echo "Input Args Error..."
;;
esac