既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
-
NameNode(master) / DataNodes(slave) HDFS 遵循主/从架构
master/slave
,由 单个 NameNode(NN) 和多个 DataNode(DN) 组成:- NameNode : 负责执行有关 文件系统命名空间
the file system namespace
的操作,大多数文件系统类似 (如 Linux) , 支持 增删改查 文件和目录等。它同时还负责集群元数据的存储,记录着文件中各个数据块的位置信息。 - DataNode:负责提供来自文件系统客户端的读写请求,执行块的创建,删除等操作。
- NameNode : 负责执行有关 文件系统命名空间
-
HDFS 将每一个文件存储为一系列块,每个块由多个副本来保证容错,这些块存储在
DN
中, 当然这些块的大小和复制因子可以自行配置( 默认情况下,块大小是 128M,默认复制因子是 3 )。 -
环境运行在 GNU/Linux 中. HDFS 用的是 Java 语言
举例
一个a.txt 共有150M 一个blocksize为128M
则会拆分两个block 一个是block1: 128M ; 另个block2: 22M
那么问题来了, block1 和block2 要存放在哪个DN里面?
这个 对于用户是透明的 , 这个就要用 HDFS来完成
-
NameNode(master)
1)负责客户端请求的响应
2)负责元数据(文件的名称、副本系数、Block存放的DataNodes)的管理 -
DataNodes(slave)
1)存储用户的文件对应的数据块(Block)
2)要定期向NameNode发送心跳信息,汇报本身及其所有的block信息,健康状况 -
副本系数
- It stores each file as a sequence of blocks. The blocks of a file are replicated for fault tolerance. The block size and replication factor are configurable per file.( 默认情况下,块大小是 128M,默认复制因子是 3)
- An application can specify the number of replicas of a file. The replication factor can be specified at file creation time and can be changed later.( 复制因子和块大小, 可以改的)
环境搭建
- 下载Hadoop
http://archive.cloudera.com/cdh5/cdh/5/
2.6.0-cdh5.7.0
wget http://archive.cloudera.com/cdh5/cdh/5/hadoop-2.6.0-cdh5.7.0.tar.gz
2)安装jdk
下载
解压到app目录:tar -zxvf jdk-7u51-linux-x64.tar.gz -C ~/app/
验证安装是否成功:~/app/jdk1.7.0_51/bin ./java -version
建议把bin目录配置到系统环境变量(~/.bash_profile)中
export JAVA_HOME=/home/hadoop/app/jdk1.7.0_51
export PATH=$JAVA_HOME/bin:$PATH
3)机器参数设置
- 修改机器名:
vi /etc/sysconfig/network
NETWORKING=yes
HOSTNAME=hadoop001
- 设置ip和hostname的映射关系:
vi /etc/hosts
192.168.199.200 hadoop001
127.0.0.1 localhost
- ssh免密码登陆(本步骤可以省略,但是后面你重启hadoop进程时是需要手工输入密码才行)
ssh-keygen -t rsa
cp ~/.ssh/id_rsa.pub ~/.ssh/authorized_keys
4)Hadoop配置文件修改:~/app/hadoop-2.6.0-cdh5.7.0/etc/hadoop
- hadoop-env.sh
配置Java目录export JAVA_HOME=/home/hadoop/app/jdk1.7.0_51
- core-site.xml
配置伪分布式
<property>
<name>fs.defaultFS</name>
<value>hdfs://hadoop001:8020</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/app/tmp</value>
</property>
- hdfs-site.xml
调整副本系数
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
5)格式化HDFS
注意:这一步操作,只是在第一次时执行 ,每次如果都格式化的话,那么HDFS上的数据就会被清空
~/app/hadoop-2.6.0-cdh5.7.0/bin/hdfs namenode -format
看到下面日志表示成功
X X X X Xhas been successfully formatted.
6)启动HDFS
~/app/hadoop-2.6.0-cdh5.7.0/sbin/start-dfs.sh
验证是否启动成功:
jps
DataNode
SecondaryNameNode
NameNode
浏览器
http://hadoop001:50070/
7)停止HDFS
sbin/stop-dfs.sh
HDFS命令
[hadoop@hadoop000 bin]$ ./hadoop
Usage: hadoop [--config confdir] COMMAND
where COMMAND is one of:
fs run a generic filesystem user client
version print the version
jar <jar> run a jar file
checknative [-a|-h] check native hadoop and compression libraries availability
distcp <srcurl> <desturl> copy file or directories recursively
archive -archiveName NAME -p <parent path> <src>* <dest> create a hadoop archive
classpath prints the class path needed to get the
credential interact with credential providers
Hadoop jar and the required libraries
daemonlog get/set the log level for each daemon
s3guard manage data on S3
trace view and modify Hadoop tracing settings
or
CLASSNAME run the class named CLASSNAME
Most commands print help when invoked w/o parameters.
[hadoop@hadoop000 bin]$ ./hadoop fs
Usage: hadoop fs [generic options]
[-appendToFile <localsrc> ... <dst>]
[-cat [-ignoreCrc] <src> ...]
[-chgrp [-R] GROUP PATH...]
[-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...]
[-chown [-R] [OWNER][:[GROUP]] PATH...]
[-copyFromLocal [-f] [-p] [-l] <localsrc> ... <dst>]
[-copyToLocal [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-count [-q] [-h] [-v] [-x] <path> ...]
[-cp [-f] [-p | -p[topax]] <src> ... <dst>]
[-df [-h] [<path> ...]]
[-du [-s] [-h] [-x] <path> ...]
[-find <path> ... <expression> ...]
[-get [-p] [-ignoreCrc] [-crc] <src> ... <localdst>]
[-getfacl [-R] <path>]
[-getfattr [-R] {-n name | -d} [-e en] <path>]
[-getmerge [-nl] <src> <localdst>]
[-help [cmd ...]]
[-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [<path> ...]]
[-mkdir [-p] <path> ...]
[-moveFromLocal <localsrc> ... <dst>]
[-moveToLocal <src> <localdst>]
[-mv <src> ... <dst>]
[-put [-f] [-p] [-l] <localsrc> ... <dst>]
[-rm [-f] [-r|-R] [-skipTrash] <src> ...]
[-rmdir [--ignore-fail-on-non-empty] <dir> ...]
[-test -[defsz] <path>]
[-text [-ignoreCrc] <src> ...]
[-touchz <path> ...]
[-usage [cmd ...]]
- 常用命令
hadoop fs -ls /
hadoop fs -cat /``hadoop fs -text /
hadoop fs -put /``hadoop fs -copyFromLocal /
hadoop fs -get /README.txt ./
hadoop fs -mkdir /hdfs-test
hadoop fs -mv
hadoop fs -rm
hadoop fs -rmdir
hadoop fs -rmr
==hadoop fs -rm -r
hadoop fs -getmerge
hadoop fs -mkdir /hdfs-test
### MapReduce
MapReduce
性能远低于Spark
并且只适合做离线处理不适合做实时处理和流式处理
YARN架构详解
Apache YARN (Yet Another Resource Negotiator) 是 hadoop 2.0 引入的集群资源管理系统。用户可以将各种服务框架部署在 YARN 上,由 YARN 进行统一地管理和资源分配。
The fundamental idea of MRv2 is to split up the two major functionalities of the JobTracker, resource management and job scheduling /monitoring, into separate daemons. The idea is to have a global ResourceManager (RM) and per-application ApplicationMaster (AM). An application is either a single job in the classical sense of Map-Reduce jobs or a DAG of jobs.
1 RM(ResourceManager) + N NM(NodeManager)
- Client
- 向
RM
提交任务 - 杀死任务
- ResourceManager
ResourceManager
通常在独立的机器上以后台进程的形式运行,一个集群active状态的`ResourceManager`只有一个 ,它是整个 集群资源的主要协调者和管理者 。
-2)启动/监控`ApplicationMaster`(一个作业对应一个AM)和监控`NodeManager`- 负责给用户提交的所有应用程序分配资源 ,它根据应用程序优先级、队列容量、ACLs、数据位置等信息,做出决策,然后以共享的、安全的、多租户的方式制定分配策略,调度集群资源。
- NodeManager
整个集群中有N个,负责单个节点的资源管理和使用以及task的运行情况
-
NodeManager
是 YARN 集群中的每个具体 节点的管理者 。 -
主要 负责该单个节点内所有容器的生命周期的管理,监视资源和跟踪节点健康 。具体如下:
- 定时启动时向
ResourceManager
注册并定时发送心跳消息,等待ResourceManager
的指令; - 维护
Container
的生命周期,监控Container
的资源使用情况和启停的各种命令; - 管理任务运行时的相关依赖,根据
ApplicationMaster
的需要,在启动Container
之前将需要的程序及其依赖拷贝到本地。
- 定时启动时向
- ApplicationMaster
每个应用/作业对应一个,负责应用程序的管理
-
在用户提交一个应用程序时,YARN 会启动一个轻量级的 进程
ApplicationMaster
。 -
ApplicationMaster
负责协调来自ResourceManager
的资源,并通过NodeManager
监视容器内资源的使用情况,同时还负责任务的监控与容错。具体如下:- 根据应用的运行状态来决定动态计算资源需求;
- 向
ResourceManager
申请资源,为应用程序向RM申请资源(container),并分配给内部任务 - 跟踪任务状态和进度,NM通信以启停task, task是运行在container中的
- 负责任务的容错。
- Container
Container
是 YARN 中的 资源抽象 ,它封装了某个节点上的多维度资源,如内存、CPU、磁盘、网络等。- 当 AM 向 RM 申请资源时,RM 为 AM 返回的资源是用
Container
表示的。 - YARN 会为每个任务分配一个
Container
,该任务只能使用该Container
中描述的资源。ApplicationMaster
可在Container
内运行任何类型的任务。例如,MapReduce ApplicationMaster
请求一个容器来启动 map 或 reduce 任务
YARN执行流程
- 客户端
client
向yarn集群
提交作业 , 首先①向ResourceManager
申请分配资源 Resource Manager
会为作业分配一个Container(Application manager)
,Container
里面运行这(Application Manager)Resource Manager
会找一个对应的NodeManager
通信②,要求NodeManager
在这个container
上启动应用程序Application Master
③Application Master
向Resource Manager
申请资源④(采用轮询的方式通过RPC
协议),Resource scheduler
将资源封装发给Application master
④,Application Master
将获取到的资源分配给各个Node Manager
,并监控运行情况⑤Node Manage
得到任务和资源开始执行作业⑥- 再细分作业的话可以分为 先执行
Map Task
,结束后在执行Reduce Task
最后再将结果返回給Application Master
等依次往上层递交⑦
YARN环境搭建
[hadoop@hadoop001 hadoop]$ pwd
/home/hadoop/app/hadoop-2.6.0-cdh5.7.0/etc/hadoop
- mapred-site.xml
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
- yarn-site.xml
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
启动yarn:sbin/start-yarn.sh
验证是否启动成功
jps
ResourceManager
NodeManager
web: http://hadoop001:8088
停止yarn: sbin/stop-yarn.sh
提交mr作业到yarn上运行: wc
hadoop jar /home/hadoop/app/hadoop-2.6.0-cdh5.7.0/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.0-cdh5.7.0.jar wordcount /input/wc/hello.txt /output/wc/
[hadoop@hadoop001 sbin]$ hadoop fs -ls /output/wc
20/10/16 05:17:27 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Found 2 items
-rw-r--r-- 1 hadoop supergroup 0 2020-10-16 04:54 /output/wc/_SUCCESS
-rw-r--r-- 1 hadoop supergroup 26 2020-10-16 04:54 /output/wc/part-r-00000
[hadoop@hadoop001 sbin]$ hadoop fs -cat /output/wc/part-r-00000
20/10/16 05:17:52 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
hello 2
welcome 2
world 1
Hive环境搭建
Hive | RDBMS | |
---|---|---|
查询语言 | Hive SQL | SQL |
数据储存 | HDFS | Raw Device or Local FS |
索引 | 无(支持比较弱) | 有 |
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
MS |
| — | — | — |
| 查询语言 | Hive SQL | SQL |
| 数据储存 | HDFS | Raw Device or Local FS |
| 索引 | 无(支持比较弱) | 有 |
[外链图片转存中…(img-xefFQd2P-1715308384035)]
[外链图片转存中…(img-FMe4W52Y-1715308384035)]
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!