Hadoop基础知识

一、Hadoop环境搭建

1、获取Linux安装环境

方法一：本机上装VMwave,再装对应的Linux系统

方法二：直接租用Linux系统

2、安装JDK

在获取完Linux系统后，使用命令 apt-get install openjdk-7-jdk 命令安装JDK，并修改/etc/profile文件中Java的安装路径，其中包括JAVA_HOME、JRE_HOME、PATH、CLASSPATH四个变量路径

3、下载Hadoop压缩文件

wget http://mirror.bit.edu.cn/apache/hadoop/common/hadoop-1.2.1/hadoop-1.2.1.tar.gz

并将源码包放置到/opt目录下，解压至当前文件夹下，进入到/opt/hadoop-1.2.1/con目录下，修改mapre-site.xml core-site.xml hdfs-site.xml hadoop-env.sh四个文件

1>、修改Hadoop-env.sh中JAVA_HOME中Java的安装路径，即为上步中的路径
2>、在core-site.xml中增加配置信息
3>、在hdfx-site.xml文件中新增文件系统和数据的存放位置
4>、最后修改mapre-site.xml文件，配置任务调度器的访问方式

4、修改/etc/profile文件中Hadoop的存放位置

5、执行hadoop之前要进行格式化操作
hadoop namenode -format
6、使用jps命令查看Hadoop是否正常运行

二、Hadoop两大核心

Hadoop两大核心是 HDFS分布式文件系统和 MapReduce

1、HDFS分布式文件系统

HDFS中，块是文件储存的逻辑单元，文件被分成了块进行储存，且它默认的块大小为64MB

HDFS中有两类节点，一种是NameNode，另外一种是DataNode

NameNode是管理节点，存放的是文件元数据，它包含

1>、文件与数据块的映射表

2>、数据块与数据节点对的映射表

DataNode是HDFS的工作节点，存放数据块

每个数据块有三个副本，分布在两个机架内

心跳检测
DataNode定期向NameNode发送心跳信息

二级NameNode，即SecondaryNameNode
二级NameNode定期同步元数据映象文件和日志信息，NameNode发生故障时，备胎转正

HDFS的特点

1>、数据冗余、硬件容错

2>、流式访问

3>、储存大文件

HDFS的适用性和局限性

适用性：

适合批量读取，吞吐量高

适合一次写入，多次读取，顺序读取

局限性：

不适合交互式应用，低延迟很难满足

不支持多用户并发写相同文件

HDFS的使用
hadoop fs -ls /
打印出当前HDFS的文件夹

hadoop fs -mkdir input
HDFS中创建input目录
hadoop fs -put hadoop-env.sh input/
将本地文件放入到HDFS中的input目录下
hadoop fs -cat input/hadoop-env.sh  
查看文件
hadoop fs -get input/hadoop-env.sh hadoop-env2.sh
从HDFS中下载指定文件
hadoop dfsadmin -report
查看HDFS中的信息

2、MapReduce

分而治之，一个大任务分成多个小的子任务（map）,并行执行后，合并结果（reduce）

每一个任务可以看做一个JobTracker，它分解成的小任务可以看做是TaskTracker

JobTracker的角色
1、作业的调度
2、分配任务、监控任务执行进度
3、监控TaskTracker的状态

TaskTracker的角色
1、执行任务
2、汇报任务进度

MapReduce的容错机制
1、重复执行（默认重复4次）
2、推测执行