Hadoop学习笔记

实验环境：
1、Linux操作系统
2、Hadoop的介质
3、Spark的介质

学习路线和课程简介：
1、基础：Java语言：Java基础（Java SE）：变量 类型 循环 if
面向对象：类、封装、集成、多态
I/O：输入流、输出流
反射、泛型
JDBC: 操作关系型数据库
Linux基础

大数据：数据的处理 （1）离线计算 （2）实时计算

2、Hadoop
（1）数据储存：HDFS
（2）数据计算：MapReduce（Java程序） ---> 离线计算
（3）其他组件（生态圈）：HBase、Hive、Pig、Flume、Sqoop*****

3、Storm：实时计算框架（Java语言）
（1）NoSQL：Redis内存数据库
（2）Storm中的内容

4、Spark：数据计算
（1）Scala编程语言：看成是Java的升级
（2）Spark Core：整个Spark的核心 ---> 相当于MapReduce
（3）Spark SQL
（4）Spark Streaming：实时计算框架

5、项目实战



第一章、Linux基础

一、Linux的实验环境
（*）版本：RedHat 7.4 64位 自带netcat服务器（测试：Spark Streaming）
（*）VM：12
（*）类型：Redhat Linx 7 64位
（*）网卡：仅主机模式
（*）一共5台虚拟机：安装JDK、配置主机名、关闭防火墙
192.168.157.11 bigdata11
192.168.157.12 bigdata12
192.168.157.13 bigdata13
192.168.157.14 bigdata14
192.168.157.15 bigdata15

二、配置Linux和Linux的目录结构
1、对Linux了解
2、关闭防火墙
查看防火墙的状态：systemctl status firewalld.service
关闭防火墙： systemctl stop firewalld.service
禁用防火墙（永久）systemctl disable firewalld.service

3、设置主机名 （配置文件） /etc/hosts
vi /etc/hosts

192.168.157.11 bigdata11

三、vi编辑器：相当于linux的记事本
三种模式：
1、编辑模式：等待命令的输入
按i--> 进入：插入模式
按：（冒号）进入命令模式

2、插入模式: 按esc键回到编辑模式

3、命令模式
(*) w: 保存
(*) q: 退出
(*) wq: 保存退出
(*) 打开行号：set number
关闭行号: set nonumber
(*) 换行: set wrap
set nowrap

四、文件目录操作命令（重点掌握：后面操作HDFS的时候，很方便）

（*）ls 显示文件和目录列表
-l 列出文件的详细信息
-a 列出当前目录所有文件，包含隐藏文件

隐藏文件：.bash_profile 设置环境变量：JAVA_HOME、HADOOP_HOME
隐藏目录：.ssh ----> 配置Hadoop和Spark的免密码登录

查询Hadoop的中文件：hdfs dfs -ls /

（*）当前目录：pwd
/root ---> root用户的HOME目录（快捷方式： ~）

（*）mkdir 创建目录
-p 父目录不存在情况下先生成父目录

约定：mkdir /root/tools ---> 所有的安装包
mkdir /root/training ---> 安装目录

在Hadoop中创建目录：hdfs dfs -mkdir /aaa

（*）cd 切换目录

（*）touch 生成一个空文件
echo 生成一个带内容文件 ----> 更常用的用法：查看环境变量
echo $JAVA_HOME

（*）cat、tac 显示文本文件内容
cat是从第一行开始写；tac是从最后一行开始写
举例: cat a.txt
查看Hadoop中文件的内容： hdfs dfs -cat /a.txt

（*）cp 复制文件或目录
cp a.txt data.txt

在Hadoop中拷贝数据: hdfs dfs -cp /a.txt /b.txt

（*）rm 删除文件
-r 同时删除该目录下的所有文件
-f 强制删除文件或目录

rm -rf a.txt
在Hadoop中删除文件：hdfs dfs -rmr /a.txt

（*）kill：杀死
参数: -9 强制杀死
-3

（*）tar命令：打包压缩

五、Linux的权限管理（Hadoop的HDFS权限非常像）
1、权限的类型：r 读
w 写
x 执行

2、使用ls -l或者ll命令查看权限


六、安装常用软件：安装JDK的时候，讲讲tar命令
tar -zxvf jdk-8u144-linux-x64.tar.gz -C ~/training/
设置环境变量：vi ~/.bash_profile
JAVA_HOME=/root/training/jdk1.8.0_144
export JAVA_HOME

PATH=$JAVA_HOME/bin:$PATH
export PATH

生效环境变量: source ~/.bash_profile


七、案例：Java的死锁分析 ---> 介绍一个工具(kill -3 的命令)
目的：找到死锁 性能诊断
Java提供了一个非常强大的性能诊断工具：Thread Dump（文本信息）
1、Linux：kill -3 PID（就是Java的进程号）

2、Windows: 按ctrl+break（fn+B）键


学习大数据，学什么？怎么学？
1、原理和运行机制、体系结构（非常重要）
2、动手：搭建环境、写程序

目的：1、学习内容 2、熟悉一些名词

一、各章概述（Hadoop部分）
(一)、Hadoop的起源与背景知识
1、什么是大数据？两个例子、大数据的核心问题是什么？
举例：（1）商品推荐：问题1：大量的订单如何存储？ 问题2：大量的订单如何计算？
（2）天气预报：问题1：大量的天气数据如何存储？ 问题2：大量的天气数据如何计算？

大数据的核心问题：（1）数据的存储：分布式文件系统（分布式存储）
（2）数据的计算：分布式计算

2、概念：数据仓库（Data warehouse）
（1）我们可以把Hadoop和Spark看成是数据仓库的一种实现方式
（2）数据仓库就是一个数据库，一般只做select
（3）重要：掌握数据仓库搭建的过程
（4）数据仓库又是一种OLAP的应用系统

3、概念：OLTP和OLAP
（1）OLTP：online transaction processing 联机事务处理
（2）OLAP：online analytic processing 联机分析处理 ------> 一般：不会修改（删除）数据

4、（最重要的内容）Google的几篇论文：3篇
（1）GFS：Google File System -----> HDFS ----> 解决：数据的存储
（2）MapReduce计算模型 -----> Hadoop MapReduce ----> 解决：数据的计算
（3）BigTable大表 -----> HBase是NoSQL数据库

(二)、实验环境

(三)、Apache Hadoop的体系结构（重要）：实现Google的思想论文
1、HDFS：Hadoop Distributed File System
（*）主从结构
（*）主节点：NameNode名称节点
（*）从节点：DataNode数据节点
（*）SecondaryNameNode：第二名称节点

2、Yarn:是一个容器，运行MapReduce程序
（*）主从结构
（*）主节点：ResourceManager 资源管理器
（*）从节点：NodeManager 节点管理器

3、HBase：需要单独安装
（*）主从结构
（*）主节点：HMaster
（*）从节点：RegionServer

(四)、Hadoop 2.X的安装与配置
Hadoop有三种安装模式
1、本地模式 一台Linux
2、伪分布模式 一台Linux
3、全分布模式 三台Linux
4、掌握免密码登录的原理和配置

(五)、Hadoop应用案例分析
1、大数据背景下，企业级系统的架构的变化
2、HBase进行日志分析
3、了解：Hadoop在淘宝的应用

(六)、HDFS：Hadoop的分布式文件系统，数据存储
1、操作HDFS：（1）命令行 （2）Java API （3）网页：Web Console
2、原理：数据上传的过程
数据下载的过程
3、HDFS的底层实现：RPC和Java动态代理
RPC：remote procedure call
4、高级特性
（*）回收站
（*）快照snapshot：是一种备份
（*）配额quota：（1）名称配额 （2）空间配额
（*）安全模式：safemode
（*）权限

(七)、MapReduce：是一个计算模型，可以用Java来实现
1、Demo：经典WordCount
2、重点：MapReduce处理数据的过程
3、原理：Yarn执行MapReduce的过程
4、MapReduce的高级特性
（*）序列化
（*）排序
（*）分区
（*）合并
5、MapReduce的核心：Shuffle（洗牌）
6、编程案例：
（*）排序：order by
（*）去重：distinct
（*）多表查询
（*）倒排索引

补充：MySQL数据库
(八)、Hive：蜂巢 数据分析的引擎：翻译器 SQL ---------------> MapReduce
(九)、Pig： 猪 数据分析的引擎：翻译器 PigLatin语言 ------> MapReduce

(十)、HBase: NoSQL数据库
1、是基于Hadoop之上的NoSQL
2、体系结构：HMaster、RegionServer
3、搭建：本地模式、伪分布模式、全分布模式
4、操作：命令行、Java API、Web Console
5、过滤器：实现复杂的查询
6、HBase上的MapReduce

(十一)、Sqoop：数据采集引擎，采集关系型数据库中的数据
(十二)、Flume：数据采集引擎，采集日志

(十三)、HUE：基于Web的管理工具

(十四)、ZooKeeper： 相当于是一个”数据库“，实现HA（High Avaiblity高可用性）

(十五)、Hadoop的集群和HA
1、HDFS的联盟（Federation）
2、Hadoop的HA（High Avaiblity高可用性）

(十六)、Redis：基于内存的NoSQL数据库，提高性能

(十七)、Storm：处理流式数据（实时计算）
集成Storm和Redis


一、Google的基本思想
1、GFS
2、MapReduce：计算模型，进行大数据计算
问题的来源：PageRank（网页排名）

核心：先拆分，再合并

3、BigTable：大表，NoSQL数据库：HBase 基于HDFS之上的NoSQL数据库、列式数据库
表 ----> 目录
数据 ----> 文件

思想：通过牺牲存储的空间，来换取性能
把所有的数据存入一张表中，完全违背了关系型数据库范式的要求

二、Hadoop 2.X的安装与配置
习惯：SecureCRT
准备：1、安装Linux和JDK
2、关闭防火墙
3、配置主机名

解压：tar -zxvf hadoop-2.7.3.tar.gz -C ~/training/
设置环境变量：vi ~/.bash_profile
HADOOP_HOME=/root/training/hadoop-2.7.3
export HADOOP_HOME

PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
export PATH
source ~/.bash_profile

介绍Hadoop的目录结构

Hadoop有三种安装模式
1、本地模式 一台Linux
（*）特点：没有HDFS，只能测试MapReduce程序（本地数据：Linux的文件）
（*）配置：hadoop-env.sh
26行 export JAVA_HOME=/root/training/jdk1.8.0_144

（*）Demo：测试MapReduce程序
example: /root/training/hadoop-2.7.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar
hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount ~/temp/data.txt ~/temp/mr/wc1


2、伪分布模式 一台Linux
（*）特点：在单机上，模拟一个分布式的环境，具备Hadoop的所有功能
（*）hdfs-site.xml

<!--数据块的冗余度，默认是3-->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>

<!--是否开启HDFS的权限检查，默认：true-->
<!--
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
-->

core-site.xml
<!--NameNode的地址-->
<property>
<name>fs.defaultFS</name>
<value>hdfs://bigdata11:9000</value>
</property>

<!--HDFS数据保存的目录，默认是Linux的tmp目录-->
<property>
<name>hadoop.tmp.dir</name>
<value>/root/training/hadoop-2.7.3/tmp</value>
</property>

mapred-site.xml
<!--MR程序运行的容器是Yarn-->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>

yarn-site.xml
<!--ResourceManager的地址-->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>bigdata11</value>
</property>

<!--NodeManager运行MR任务的方式-->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>

对NameNode进行格式化: hdfs namenode -format
日志：Storage directory /root/training/hadoop-2.7.3/tmp/dfs/name has been successfully formatted.

启动：start-all.sh = start-dfs.sh + start-yarn.sh

（*）Demo：测试MapReduce程序
example: /root/training/hadoop-2.7.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar
hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount /input/data.txt /output/wc1204


3、全分布模式 三台Linux
（*）特点：真正的分布式环境，用于生产


4、掌握免密码登录的原理和配置



第二章
一、搭建Hadoop的全分布模式

1、三台机器：bigdata12 bigdata13 bigdata14
2、每台机器准备工作：安装JDK、关闭防火墙、设置主机名
systemctl stop firewalld.service
systemctl disable firewalld.service

设置主机名 vi /etc/hosts
192.168.157.12 bigdata12
192.168.157.13 bigdata13
192.168.157.14 bigdata14

3、配置免密码登录
（1）在每台机器上产生公钥和私钥
ssh-keygen -t rsa

（2）需要将每台机器的公钥复制给其他机器（下面的三句话，需要在每台机器上执行）
ssh-copy-id -i .ssh/id_rsa.pub root@bigdata12
ssh-copy-id -i .ssh/id_rsa.pub root@bigdata13
ssh-copy-id -i .ssh/id_rsa.pub root@bigdata14

4、保证每台机器的时间同步的
5、安装Hadoop的全分布环境（在主节点bigdata12上安装）
（1）解压设置环境变量
（2）修改配置文件
hadoop-env.sh
26行 export JAVA_HOME=/root/training/jdk1.8.0_144

hdfs-site.xml

<!--数据块的冗余度，默认是3-->
<property>
<name>dfs.replication</name>
<value>2</value>
</property>

<!--是否开启HDFS的权限检查，默认：true-->
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>


core-site.xml
<!--NameNode的地址-->
<property>
<name>fs.defaultFS</name>
<value>hdfs://bigdata12:9000</value>
</property>

<!--HDFS数据保存的目录，默认是Linux的tmp目录-->
<property>
<name>hadoop.tmp.dir</name>
<value>/root/training/hadoop-2.7.3/tmp</value>
</property>

mapred-site.xml
<!--MR程序运行的容器是Yarn-->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>

yarn-site.xml
<!--ResourceManager的地址-->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>bigdata12</value>
</property>

<!--NodeManager运行MR任务的方式-->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>

slaves: 配置的是所有的从节点
bigdata13
bigdata14

（3）格式化NameNode: hdfs namenode -format


6、将配置好的目录复制到bigdata13和bigdata14上
scp -r hadoop-2.7.3/ root@bigdata13:/root/training
scp -r hadoop-2.7.3/ root@bigdata14:/root/training

7、启动Hadoop集群（在主节点上）: start-all.sh
stop-all.sh

8、验证
（*）命令行：hdfs dfsadmin -report
（*）网页：HDFS：http://192.168.157.12:50070/
Yarn：http://192.168.157.12:8088

第四章：Hadoop的体系结构（非常重要）:原理、结构、运行机制
问题：Putty或者SecureCRT连不上

一、HDFS的体系结构和运行原理
1、主节点：NameNode
（*）职责：管理HDFS
接收客户端的请求:上传数据、下载数据
管理和维护日志（edits文件）和元信息（指的是：数据块的位置信息：fsimage文件）

（*）HDFS的日志：edits文件
举例： 创建目录 ---> 产生日志
hdfs dfs -mkdir /mydemo1
查找edits文件：find . -name edits*

（1） edits_inprogress_0000000000000000105是二进制文件
（2）HDFS提供一个工具：edits viewer 日志查看器，转换成一个XML文件
hdfs oev -i edits_inprogress_0000000000000000105 -o ~/a.xml
<RECORD>
<OPCODE>OP_MKDIR</OPCODE>
<DATA>
<TXID>107</TXID>
<LENGTH>0</LENGTH>
<INODEID>16416</INODEID>
<PATH>/mydemo1</PATH>
<TIMESTAMP>1512565581211</TIMESTAMP>
<PERMISSION_STATUS>
<USERNAME>root</USERNAME>
<GROUPNAME>supergroup</GROUPNAME>
<MODE>493</MODE>
</PERMISSION_STATUS>
</DATA>
</RECORD>

（*）HDFS的元信息：fsimage文件：记录数据块的位置信息、冗余信息等等
查找fsimage文件：find . -name fsimage*
也是二进制的
HDFS也提供了一个工具：image viewer ，把fsimage文件转成文本、XML的文件

（*）问题：edits文件和fsimage文件，哪个文件体现了HDFS的最新状态？

2、从节点：DataNode
（*）按数据块保存数据：1.x：64M 2.x：128M
（*）数据块在操作系统的位置：
find . -name blk*
/root/training/hadoop-2.7.3/tmp/dfs/data/current/BP-156326068-192.168.157.11-1512395988927/current/finalized/subdir0/subdir0

（*）设置数据块冗余度的基本原则
一般，冗余度跟数据节点的个数一样，最大不要超过3

（*）一定做一下实验

3、第二名称节点：SecondaryNameNode，默认就跟NameNode在一起
（*）职责：定期进行日志信息的合并，edits ---> fsimage中
（*）掌握日志合并过程（重要）

二、Yarn的体系结构和运行原理：运行MapReduce的容器
hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount /input/data.txt /output/wc1206

1、主节点：ResourceManager
职责：（*）接收任务请求
（*）资源的分配
（*）任务分配

2、从节点：NodeManager
职责：（*）从ResourceManager获取任务和资源
（*）执行

3、调度MR任务的过程
4、资源分配方式
（1）FIFO Scheduler：先来先得
（2）Capacity Scheduler：容器管理
（3）Fair Scheduler：公平调度管理 ，前提：假设任务具有相同优先级，平均分配资源

三、HBase的体系结构和运行原理
HBase是基于HDFS之上的NoSQL数据库

1、主节点：HMaster
2、从节点：RegionServer


四、主从结构的单点故障问题及解决方案（了解）


第五章：HDFS

一、操作HDFS
1、Web Console：端口50070
2、命令行：有两种类型
（1）普通操作命令： hdfs dfs ******
命令
-mkdir：在HDFS上创建目录
hdfs dfs -mkdir /aaa
hdfs dfs -mkdir /bbb/ccc
如果父目录不存在，使用-p参数先创建父目录

-ls 查看HDFS的某个目录
-ls -R 查看HDFS的某个目录，包含子目录
简写： -lsr

-put 上传数据
-copyFromLocal 上传数据
-moveFromLocal 上传数据，相当于ctrl+x

-copyToLocal 下载数据
-get 下载数据
举例: hdfs dfs -get /input/data.txt .

-rm： 删除目录
-rmr: 删除目录，包括子目录
hdfs dfs -rmr /bbb
日志：
17/12/08 20:32:10 INFO fs.TrashPolicyDefault: Namenode trash configuration: Deletion interval = 0 minutes, Emptier interval = 0 minutes.
Deleted /bbb

-getmerge：把某个目录下的文件，合并后再下载

-cp：拷贝 hdfs dfs -cp /input/data.txt /input/data2.txt
-mv：移动 hdfs dfs -cp /input/data.txt /aaa/a.txt

-count: 举例：hdfs dfs -count /students

-du: 类似-count，信息更详细
hdfs dfs -du /students

例子：
# hdfs dfs -count /students
1 2 29 /students
# hdfs dfs -ls /students
Found 2 items
-rw-r--r-- 1 root supergroup 19 2017-12-08 20:35 /students/student01.txt
-rw-r--r-- 1 root supergroup 10 2017-12-08 20:35 /students/student02.txt
# hdfs dfs -du /students
19 /students/student01.txt
10 /students/student02.txt

-text、-cat： 查看文本的内容
hdfs dfs -cat /input/data.txt
balancer：平衡操作
hdfs balancer

（2）管理命令：hdfs dfsadmin ******
-report: 打印HDFS的报告
举例：hdfs dfsadmin -report

-safemode：安全模式
hdfs dfsadmin -safemode
Usage: hdfs dfsadmin [-safemode enter | leave | get | wait]

# hdfs dfsadmin -safemode get
Safe mode is OFF
# hdfs dfsadmin -safemode enter
Safe mode is ON
# hdfs dfs -mkdir /dddd
mkdir: Cannot create directory /dddd. Name node is in safe mode.
# hdfs dfsadmin -safemode leave
Safe mode is OFF

3、Java API
（1）创建一个目录：mkdir ----> 告诉：权限的问题
（2）上传数据、下载数据
（3）查询数据的元信息

依赖的jar包：
/root/training/hadoop-2.7.3/share/hadoop/common
/root/training/hadoop-2.7.3/share/hadoop/common/lib

/root/training/hadoop-2.7.3/share/hadoop/hdfs
/root/training/hadoop-2.7.3/share/hadoop/hdfs/lib


二、HDFS输出数据的原理（画图）：比较重要
1、数据上传的原理（过程）
2、数据下载的原理（过程）

三、HDFS的高级特性
1、回收站
2、快照snapshot：备份
3、配额quota：（1）名称配额
（2）空间配额

4、HDFS安全模式: safemode
5、HDFS的权限
6、HDFS的集群：（1）联盟Federation
（2）HA

四、HDFS底层的原理：Java程序
1、Java的动态代理
2、RPC：remote procedure call 远程过程调用



第五章：HDFS

一、操作HDFS
1、Web Console：端口50070
2、命令行：有两种类型
3、Java API

二、HDFS输出数据的原理（画图）：比较重要
1、数据上传的原理（过程）
2、数据下载的原理（过程）

缓存元信息的内存：1000M
文件：hadoop-env.sh
# The maximum amount of heap to use, in MB. Default is 1000.
#export HADOOP_HEAPSIZE=
#export HADOOP_NAMENODE_INIT_HEAPSIZE=""


三、HDFS的高级特性
1、回收站: recyclebin
日志
-rmr: 删除目录，包括子目录
hdfs dfs -rmr /bbb
日志：
17/12/08 20:32:10 INFO fs.TrashPolicyDefault: Namenode trash configuration: Deletion interval = 0 minutes, Emptier interval = 0 minutes.
Deleted /bbb

（*）默认，HDFS的回收站是关闭
（*）启用回收站：参数---> core-site.xml
本质：删除数据的时候，实际是一个ctrl+x操作

<property>
<name>fs.trash.interval</name>
<value>1440</value>
</property>

日志：
hdfs dfs -rmr /folder1
rmr: DEPRECATED: Please use 'rm -r' instead.
17/12/11 21:05:57 INFO fs.TrashPolicyDefault: Namenode trash configuration: Deletion interval = 1440 minutes, Emptier interval = 0 minutes.
Moved: 'hdfs://bigdata11:9000/folder1' to trash at: hdfs://bigdata11:9000/user/root/.Trash/Current
（*）恢复：实际就是cp，拷贝
hdfs dfs -cp /user/root/.Trash/Current/input/data.txt /input

清空：hdfs dfs -expunge

（*）补充：Oracle数据库也有回收站
SQL> select * from tab;

TNAME TABTYPE CLUSTERID
------------------------------ ------- ----------
BIN$WBSNMvxJpWvgUAB/AQBygg==$0 TABLE
BONUS TABLE
DEPT TABLE
EMP TABLE
RESULT TABLE
SALGRADE TABLE

6 rows selected.

SQL> -- drop table mydemo1;
SQL> show recyclebin;
ORIGINAL NAME RECYCLEBIN NAME OBJECT TYPE DROP TIME
---------------- ------------------------------ ------------ -------------------
MYDEMO1 BIN$WBSNMvxJpWvgUAB/AQBygg==$0 TABLE 2017-09-01:06:56:15
SQL> select count(*) from mydemo1;
select count(*) from mydemo1
*
ERROR at line 1:
ORA-00942: table or view does not exist


SQL> select count(*) from BIN$WBSNMvxJpWvgUAB/AQBygg==$0;
select count(*) from BIN$WBSNMvxJpWvgUAB/AQBygg==$0
*
ERROR at line 1:
ORA-00933: SQL command not properly ended


SQL> select count(*) from "BIN$WBSNMvxJpWvgUAB/AQBygg==$0";

COUNT(*)
----------
30

SQL> flashback table mydemo1 to before drop;

Flashback complete.

SQL> show recyclebin;
SQL> select count(*) from mydemo1;

COUNT(*)
----------
30

2、快照snapshot：备份 ---> 一般来说：不建议使用快照

（*）默认：HDFS的快照是禁用的
（*）第一步：管理员开启某个目录的快照功能
[-allowSnapshot <snapshotDir>]
[-disallowSnapshot <snapshotDir>]

hdfs dfsadmin -allowSnapshot /mydir1

（*）第二步：使用HDFS的操作命令，创建快照
[-createSnapshot <snapshotDir> [<snapshotName>]]
[-deleteSnapshot <snapshotDir> <snapshotName>]
[-renameSnapshot <snapshotDir> <oldName> <newName>]

hdfs dfs -createSnapshot /mydir1 mydir1_backup_01
日志：Created snapshot /mydir1/.snapshot/mydir1_backup_01
本质：将数据拷贝一份到当前目录的一个隐藏目录下

（*）继续试验
hdfs dfs -put student02.txt /mydir1
hdfs dfs -createSnapshot /mydir1 mydir1_backup_02

对比快照： hdfs snapshotDiff /mydir1 mydir1_backup_01 mydir1_backup_02
Difference between snapshot mydir1_backup_01 and snapshot mydir1_backup_02 under directory /mydir1:
M .
+ ./student02.txt

3、配额quota：（1）名称配额: 规定某个目录下，存放文件（目录）的个数
实际的个数：N-1个
[-setQuota <quota> <dirname>...<dirname>]
[-clrQuota <dirname>...<dirname>]

hdfs dfs -mkdir /quota1
设置该目录的名称配额：3
hdfs dfsadmin -setQuota 3 /quota1

当我们放第三个文件的时候
hdfs dfs -put data.txt /quota1
put: The NameSpace quota (directories and files) of directory /quota1 is exceeded: quota=3 file count=4


（2）空间配额: 规定某个目录下，文件的大小
[-setSpaceQuota <quota> [-storageType <storagetype>] <dirname>...<dirname>]
[-clrSpaceQuota [-storageType <storagetype>] <dirname>...<dirname>]

hdfs dfs -mkdir /quota2
设置该目录的空间配额是：10M
hdfs dfsadmin -setSpaceQuota 10M /quota2

正确的做法：hdfs dfsadmin -setSpaceQuota 130M /quota2

放一个小于10M的文件，会出错
Caused by: org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.hdfs.protocol.DSQuotaExceededException): The DiskSpace quota of /quota2 is exceeded: quota = 10485760 B = 10 MB but diskspace consumed = 134217728 B = 128 MB

注意：尽管数据不到128M，但是占用的数据块依然是128M
切记：当设置空间配额的时候，这个值不能小于128M


4、HDFS安全模式: safemode ---> HDFS只读
命令: hdfs dfsadmin -safemode get|wait|leave|enter
作用：检查数据块的副本率，如果副本率不满足要求，就会进行水平复制

5、HDFS的权限


6、HDFS的集群：开个头
集群的两大功能：负载均衡，高可用(失败迁移)

（1）NameNode联盟（Federation） ----> HDFS

（2）HA: HDFS、Yarn、HBase、Storm、Spark ---> 都需要ZooKeeper


四、HDFS底层的原理：Java程序
1、Java的动态代理
2、RPC：remote procedure call 远程过程调用
HDFS的底层原理
1、Java的动态代理对象
再举一个例子：数据库的连接池 ----> 返回的Connection，不是真正的Connection，而是一个代理对象
实现一个接口：DataSource
准备环境：安装一个MySQL数据库

Hive的安装
在虚拟机上安装MySQL：
yum remove mysql-libs
rpm -ivh mysql-community-common-5.7.19-1.el7.x86_64.rpm
rpm -ivh mysql-community-libs-5.7.19-1.el7.x86_64.rpm
rpm -ivh mysql-community-client-5.7.19-1.el7.x86_64.rpm
rpm -ivh mysql-community-server-5.7.19-1.el7.x86_64.rpm
rpm -ivh mysql-community-devel-5.7.19-1.el7.x86_64.rpm （可选）

启动MySQL：service mysqld start
或者：systemctl start mysqld.service

查看root用户的密码：cat /var/log/mysqld.log | grep password
登录后修改密码：alter user 'root'@'localhost' identified by 'Welcome_1';

MySQL数据库的配置：
创建一个新的数据库：create database hive;
创建一个新的用户：
create user 'hiveowner'@'%' identified by 'Welcome_1';

给该用户授权
grant all on hive.* TO 'hiveowner'@'%';
grant all on hive.* TO 'hiveowner'@'localhost' identified by 'Welcome_1';

2、RPC:RPC（Remote Procedure Call）——远程过程调用，类似Web Service


六、MapReduce程序开发

1、Demo：WordCount单词计数
/root/training/hadoop-2.7.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar

执行:
hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount /input/data.txt /output/mr/wc1213

分析WordCount程序数据处理的过程（非常重要）

2、开发自己的WordCount程序
开发一个MapReduce：求每个部门的工资总额

3、MapReduce的一些高级特性
（1）序列化：类似Java的序列化
（2）排序：默认排序：数字 升序
字符串 字典顺序
对象的排序：按照员工的薪水排序

（3）分区：Partition，默认情况下，MapReduce只有一个分区，意思是：只有一个输出文件
（4）合并：Combiner，在Mapper端，先做一次Reducer，用于减少输出到Reducer中的数据，从而提高效率
（5）MapReduce的核心：Shuffle（洗牌）



七、MapReduce的编程案例

六、MapReduce程序开发

1、Demo：WordCount单词计数
/root/training/hadoop-2.7.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar

执行:
hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount /input/data.txt /output/mr/wc1213

分析WordCount程序数据处理的过程（非常重要）

2、开发自己的WordCount程序
需要包含的jar：
/root/training/hadoop-2.7.3/share/hadoop/common
/root/training/hadoop-2.7.3/share/hadoop/common/lib

/root/training/hadoop-2.7.3/share/hadoop/mapreduce
/root/training/hadoop-2.7.3/share/hadoop/mapreduce/lib

再举一个例子：开发一个MapReduce：求每个部门的工资总额
数据：员工表
SQL> select deptno,sum(sal) from emp group by deptno order by deptno;

DEPTNO SUM(SAL)
---------- ----------
10 8750
20 10875
30 9400



3、MapReduce的一些高级特性
（1）序列化：类似Java的序列化
如果一个类实现了的Hadoop的序列化机制（接口：Writable），这个类的对象就可以作为输入和输出的值
举例1：使用Employee类来封装员工信息，并且作为Map和Reduce的输入和输出

一定注意：序列化的顺序和反序列化的顺序要一致

举例2：使用序列化Employee重写 求每个部门的工资总额



（2）排序：注意：按照key2进行排序

默认排序：数字 升序
字符串 字典顺序
对象的排序：按照员工的薪水排序

如果要改变默认的排序规则，需要创建一个自己的比较器

（3）分区：Partition，默认情况下，MapReduce只有一个分区，意思是：只有一个输出文件
（4）合并：Combiner，在Mapper端，先做一次Reducer，用于减少输出到Reducer中的数据，从而提高效率
（5）MapReduce的核心：Shuffle（洗牌）



七、MapReduce的编程案例


一、排序：按照key2进行排序
1、数字的排序
2、字符串的排序
3、对象的排序: 实现WritableComparable接口 （1）序列化 （2）可被排序

员工数据 Employee.java ----> 作为key2输出
复习SQL：order by 后面 + 列名、表达式、别名、序号 desc
desc 只作用于离他最近的一个列
order by a desc,b desc

（1）一个列的排序
（2）多个列的排序

二、分区:Partition: 根据Map的输出（k2 v2）进行分区
1、默认情况下，MapReduce只有一个分区（只有一个输出文件）
2、什么是分区？（重要）
3、举例：Demo: 按照员工的部门号进行分区，相同部门号的员工输出到一个分区中
日志：
17/12/18 21:47:24 INFO mapreduce.Job: map 100% reduce 0%
17/12/18 21:47:49 INFO mapreduce.Job: map 100% reduce 33%
17/12/18 21:47:55 INFO mapreduce.Job: map 100% reduce 67%
17/12/18 21:47:56 INFO mapreduce.Job: map 100% reduce 100%

三、合并：Combiner
1、MapReduce的任务中，可以没有Combiner
2、Combiner是一种特殊的Reducer，是在Mapper端先做一次Reducer，用来减少Map的输出，从而提高的效率。
3、注意事项：
（1）有些情况，不能使用Combiner -----> 求平均值

（2）引入Combiner，不引人Combiner，一定不能改变原理的逻辑。（MapReduce编程案例：实现倒排索引）

错误：
Error: java.io.IOException: wrong value class: class org.apache.hadoop.io.DoubleWritable is not class org.apache.hadoop.io.IntWritable

四、什么时候Shuffle

五、MapReduce编程案例
一、什么是Shuffle（洗牌） ----> MapReduce核心
1、序列化
2、排序
3、分区
4、合并


二、MapReduce编程案例 ------> 掌握方法：如何开发一个程序
1、数据去重:
复习：SQL：distinct去掉重复的数据
作用于后面所有的列

复习（学习）：Oracle中的多表查询
根据连接条件的不同：
（1）等值连接
（2）不等值连接
（3）外链接
（4）自连接

注意：（1）多表查询和子查询，尽量使用哪个？（多表查询）
（2）一般：多表查询的表的个数<=3 如果超过5个表，性能就差

2、多表查询：等值连接
查询员工信息：部门名称、员工姓名

select d.dname,e.ename
from emp e,dept d
where e.deptno=d.deptno;

问题：如果实现三张表？？


3、多表查询：自连接: 通过表的别名，将同一张表看成多张表
查询员工信息：老板姓名 员工的姓名

select b.ename,e.ename
from emp b,emp e
where b.empno=e.mgr;

注意：产生的笛卡尔积= 原表的平方 ----> 自连接操作不适合操作大表
更好的方式：在Oracle中，使用层次查询（树）来取代自连接

4、倒排索引


5、使用单元测试：MRUnit

课程小结：

一、大数据的背景知识
1、什么是大数据？IBM五个v的特性。 举例：商品推荐、天气预报
2、数据仓库：就是一个数据库
3、OLTP和OLAP
4、Google的三篇论文
（1）GFS：HDFS
（2）MapReduce：PageRank搜索排名
（3）BigTable：大表---> HBase

二、Hadoop的体系结构
1、HDFS
（1）NameNode
（2）DataNode
（3）SecondaryNameNode

2、Yarn
（1）ResourceManager
（2）NodeManager

三、Hadoop的安装配置
1、注意：关闭防火墙、配置主机名、免密码登录（不对称加密）
2、三种模式：
（1）本地模式
（2）伪分布模式
（3）全分布模式

后面：HDFS的联盟、Hadoop的HA

四、HDFS
1、基本操作：命令行、Java、WebConsole
2、原理：上传和下载数据的过程
3、高级功能：回收站、快照、配额（名称、空间）、权限、安全模式
4、底层原理：代理对象和RPC

五、MapReduce