大数据技术——Hadoop3.X入门搭建+安装调优（1.入门）

一、大数据概论

1.1.大数据概念
大数据（Big Data）：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。

按顺序给出数据存储单位：
bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
1Byte = 8bit 1K = 1024Byte 1MB = 1024K
1G = 1024M 1T = 1024G 1P= 1024T

大数据主要解决，海量数据的采集、存储和分析计算问题。
1.2.大数据特点（4V）
（1）Volume（大量）

截至目前，人类生产的所有印刷材料的数据量是200PB，而历史上全人类总共说过的话的数据量大约是5EB。当前，典型个人计算机硬盘的容量为TB量级，而一些大企业的数据量已经接近EB量级。

（2）Velocity（高速）

这是大数据区分于传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报
告，预计到2025年，全球数据使用量将达到163ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。

（3）Variety（多样）

这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的以数据库/文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图 片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求。

（4）Value（低价值密度）

价值密度的高低与数据总量的大小成反比。如何快速对有价值数据“提纯”成为目前大数据背景下待解决的难题。

1.3.大数据应用场景
（1）抖音：推荐的都是你喜欢的视频
（2）电商站内广告推荐：给用户推荐可能喜欢的商品
（3）零售：分析用户消费习惯，为用户购买商品提供方便，从而提升商品销量。经典案例，纸尿布+啤酒。

（4）物流仓储：京东物流，上午下单下午送达、下午下单次日上午送达
（5）保险：海量数据挖掘及风险预测，助力保险行业精准营销，提升精细化定价能力。
（6）金融：多维度体现用户特征，帮助金融机构推荐优质客户，防范欺诈风险。
（7）房产：大数据全面助力房地产行业，打造精准投策与营销，选出更合适的地，建造更合适的楼，卖给更合适的人。
（8）人工智能 + 5G + 物联网 + 虚拟与现实

1.4.大数据发展前景
（1）党的十九大提出“推动互联网、大数据、人工智能和实体经济深度融合”。
（2）2020年初，中央推出34万亿“新基建”投资计划

（3）下一个风口
2020年是5G的元年，国家在大力铺设5G设备，2021年就是5G手机应用的开始，也是大数据要爆发的1年。5G带来的是每秒钟10g的数据，会给每家公司都带来海量的数据。那么传统的Java工具根本解决不了海量数据的存储。就更不用说海量数据的计算了。如果你对5G的感触不够深，可以回忆一下3G和4G的区别。3G时只能打电话、发短信，当时还觉得很好，觉得3G不错。但是4G来了后，大家很少打电话和发短信了，都改为语音、视频、直播、网上购物等生活方式，带火了淘宝、京东、美团、字节跳动等企业。没有跟上节奏的百度，有点摇摇欲坠。
自古不变的真理：先入行者吃肉，后入行者喝汤，最后到的买单！
（4）人才紧缺、竞争压力小
1.5.大数据部门间业务流程分析

1.6.大数据部门内组织结构

二、Hadoop概述

2.1. Hadoop 是什么
1） Hadoop是一个由Apache基金会所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计算问题。
3）广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。

2.2. Hadoop发展历史（了解）
1）Hadoop创始人Doug Cutting，为了实现与Google类似的全文搜索功能，他在Lucene框架基础上进行优化升级，查询引擎和索引引擎。
2）2001年年底Lucene成为Apache基金会的一个子项目。
3）对于海量数据的场景，Lucene框架面对与Google同样的困难，存储海量数据困难，检索海量速度慢。
4）学习和模仿Google解决这些问题的办法 ：微型版Nutch。
5）可以说Google是Hadoop的思想之源（Google在大数据方面的三篇论文）

GFS —>HDFS
Map-Reduce —>MR
BigTable —>HBase

6）2003-2004年，Google公开了部分GFS和MapReduce思想的细节，以此为基础Doug Cutting等人用
了2年业余时间实现了DFS和MapReduce机制，使Nutch性能飙升。
7）2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。
8）2006 年 3 月份，Map-Reduce和Nutch Distributed File System （NDFS）分别被纳入到 Hadoop 项目中，Hadoop就此正式诞生，标志着大数据时代来临。
9）名字来源于Doug Cutting儿子的玩具大象
2.3. Hadoop三大发行版本（了解）
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。2006
Cloudera 内部集成了很多大数据框架，对应产品 CDH。2008
Hortonworks 文档较好，对应产品 HDP。2011
Hortonworks 现在已经被 Cloudera 公司收购，推出新的品牌 CDP。


1 ）Apache Hadoop

官网地址：http://hadoop.apache.org
下载地址：https://hadoop.apache.org/releases.html

2 ）Cloudera Hadoop

官网地址：https://www.cloudera.com/downloads/cdh
下载地址：https://docs.cloudera.com/documentation/enterprise/6/release-
notes/topics/rg_cdh_6_download.html

（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 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。

3） 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 名专究 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）2018 年 Hortonworks 目前 已经被 Cloudera 公司收购。

2.4. Hadoop优势（4高）
1）高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。

2）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。

3）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。

4）高容错性：能够自动将失败的任务重新分配。

2.5. Hadoop组成（面试重点）

在 Hadoop1.x 时 代 ，Hadoop中的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。在Hadoop2.x时代，增加了Yarn。Yarn只负责资 源 的 调 度 ，MapReduce只负责运算。Hadoop3.x在组成上没有变化。
2.5.1 HDFS架构概述
Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。

1）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。
2）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。 3）Secondary
NameNode(2nn)：每隔一段时间对NameNode元数据备份。

2.5.2 YARN架构概述
Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。

1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
3）ApplicationMaster（AM）：单个任务运行的老大 2）NodeManager（NM）：单个节点服务器资源老大
4）Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。
说明1：客户端可以有多个
说明2：集群上可以运行多个ApplicationMaster
说明3：每个NodeManager上可以有多个Container

2.5.3. MapReduce架构概述
MapReduce 将计算过程分为两个阶段：Map 和 Reduce

1）Map 阶段并行处理输入数据
2）Reduce 阶段对 Map 结果进行汇总

2.5.4. HDFS、YARN、MapReduce三者关系

2.6. 大数据技术生态体系

图中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；
3）Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统； 4）Spark：Spark
是当前最流行的开源大数据内存计算框架。可以基Hadoop 上存储的大数据进行计算。 5）Flink：Flink
是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。 6）Oozie：Oozie 是一个管理 Hadoop
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。
9）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

三、Hadoop 运行环境搭建 （开发 重点）

3.1 模板虚拟机环境准备

0）安装模板虚拟机
IP地址192.168.10.100、主机名称hadoop100、内存4G、硬盘50G

参考链接: 大数据技术——模板虚拟机环境准备.

1）hadoop100虚拟机配置要求如下（本文Linux系统全部以CentOS-7.5-x86-1804为例）
（1）使用yum安装需要虚拟机可以正常上网，yum安装前可以先测试下虚拟机联网情况

（2）安装 epel-release

注：Extra Packages for Enterprise Linux 是为“红帽系”的操作系统提供额外的软件包，适用于RHEL、CentOS 和 Scientific Linux。相当于是一个软件仓库，大多数 rpm 包在官方repository中是找不到的）

[root@hadoop100 ~]# yum install -y epel-release

（3）注意：如果 Linux 安装的是最小系统版，还需要安装如下工具；如果安装的是 Linux桌面标准版，不需要执行如下操作
net-tool：工具包集合，包含 ifconfig 等命令

[root@hadoop100 ~]# yum install -y net-tools

vim：编辑器

[root@hadoop100 ~]# yum install -y vim

2 ） 关闭防火墙

[root@hadoop100 ~]# systemctl stop firewalld
[root@hadoop100 ~]# systemctl disable firewalld.service

注意：在企业开发时，通常单个服务器的防火墙时关闭的。公司整体对外会设置非常安全的防火墙
3 ） 创建 xusheng用户 ，并修改 xusheng用户的密码

[root@hadoop100 ~]# useradd xusheng
[root@hadoop100 ~]# passwd xusheng

自己设置名称和密码
4 ） 配置 xusheng用户具有 root 权限 ， 方便 后期加 加 sudo 执行 root 权限的命令

[root@hadoop100 ~]# vim /etc/sudoers

修改/etc/sudoers 文件，在%wheel 这行下面添加一行，如下所示：

## Allow root to run any commands anywhere
root ALL=(ALL) ALL
## Allows people in group wheel to run all commands
%wheel ALL=(ALL) ALL
xushengALL=(ALL) NOPASSWD:ALL

![在这里插入图片描述](https://img-blog.csdnimg.cn/8e9d8a84860d4f87a
注意：xusheng这一行不要直接放到 root 行下面，因为所有用户都属于 wheel 组，你先配置了 xusheng具有免密功能，但是程序执行到%wheel 行时，该功能又被覆盖回需要密码。所以 xusheng要放到%wheel 这行下面。

5 ） 在/opt 目录下创建文件夹 ，并修改所属主和所属组
（1）在/opt 目录下创建 module、software 文件夹

[root@hadoop100 ~]# mkdir /opt/module
[root@hadoop100 ~]# mkdir /opt/software

（2）修改 module、software 文件夹的所有者和所属组均为 xusheng用户

[root@hadoop100 ~]# chown xusheng:xusheng /opt/module
[root@hadoop100 ~]# chown xusheng:xusheng /opt/software

（3）查看 module、software 文件夹的所有者和所属组

[xusheng@hadoop100 opt]$ ll
总用量 0
drwxr-xr-x. 2 xusheng xusheng 6 4月   7 20:36 module
drwxr-xr-x. 2 xusheng xusheng 6 4月   7 20:36 software

6）卸载虚拟机自带的 JDK
注意：如果你的虚拟机是最小化安装不需要执行这一步。

[root@hadoop100 ~]# rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps

➢ rpm -qa：查询所安装的所有 rpm 软件包
➢ grep -i：忽略大小写
➢ xargs -n1：表示每次只传递一个参数
➢ rpm -e –nodeps：强制卸载软件
查询

卸载

7 ）重启虚拟机

[root@hadoop100 ~]# reboot

3.2 克隆虚拟机

1 ） 利用模板机 hadoop100 ，克隆 三台虚拟机： ：hadoop102 hadoop103 hadoop104
注意：克隆时，要先关闭 hadoop100
hadoop100右键–》管理–》克隆
2 ）修改 克隆机 IP ，以下以 hadoop102 举例说明
（1）修改克隆虚拟机的静态 IP

[root@hadoop100 ~]# vim /etc/sysconfig/network-scripts/ifcfg- ens33
[root@hadoop100 ~]# vim /etc/hostnam