Day01
1. 大数据简介
1.1 大数据的由来
随着计算机技术的发展,互联网的普及,信息的积累已经到了一个非常庞大的地步,信息的增长也在不断的加快,随着互联网、物联网建设的加快,信息更是爆炸式增长,收集、检索、统计这些信息越发困难,必须使用新的技术来解决这些问题
1.2 什么是大数据
【1】定义
大数据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,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
【2】总结
大数据是指即从各种各样类型的数据中,获得有价值的信息
1.3 大数据特性
【1】大体量(Volume)
数据体量大,一般从TB级别开始计算,可从数百TB到数十数百PB甚至EB的规模
KB、MB、GB、TB、PB、EB、... ...
1KB = 1024Bytes
1MB = 1024K
1GB = 1024M
1TB = 1024G
1PB = 1024T
1EB = 1024P
... ...
【2】多样性(Variety)
数据的种类和来源多
【3】时效性(Velocity)
很多大数据需要在一定的时间限度下得到及时处理
【4】准确性(Veracity)
处理的结果要保证一定的准确性
【5】大价值(Value)
大数据包含很多深度的价值,大数据分析挖掘和利用将带来巨大的商业价值
【补充】
数据的价值密度越来越低,但是这并不意味着想要的数据越来越少,相反我们想要的数据是越来越多,但是样本总量的增长速度是要高于想要的数据的增长速度的
1.4 大数据与Hadoop
【1】Hadoop是什么?
1.1) Hadoop是一种分析和处理海量数据的软件平台
1.2) Hadoop是一款开源软件,使用JAVA开发
1.3) Hadoop可以提供一个分布式基础架构
1.5 带来的问题
【1】数据存储问题 - 存储速度、存储空间
【2】数据计算|分析问题 - 性能与效率问题
【说明】
1、numpy、pandas处理上GB的数据,如果处理TB、PB级别数据怎么办?
2、传统企业解决
3、谷歌解决方案:
使用MapReduce算法,将任务分成小份,并将他们分配到多台计算机,并且能够从多台计算机收集并合并,得到最终的结果。
谷歌实现了分布式存储、分布式计算
2. Hadoop简介
2.1 Hadoop概述
2.1.1 Hadoop概念
-
定义
Hadoop是Yahoo!开发,后贡献给了Apache的一套开源的、可靠的、可扩展的用于分布式计算的框架
-
Hadoop作者
Doug cutting
-
Hadoop名字由来
以Hadoop作者的孩子的一个棕黄色的大象样子的玩具的命名
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-E5Hw4qKj-1629858472685)(./img/01_hadoop_name.png)]
2.1.2 Hadoop特点
-
高可靠性
Hadoop按位存储和数据处理的能力值得信赖
-
高扩展性
Hadoop通过可用的计算机集群分配数据,完成存储和计算任务,这些集群可以方便地扩展到数以千计的节点中,具有高扩展性
-
高效性
Hadoop能够在节点之间进行动态地移动数据,并保证各个节点的动态平衡,处理速度非常快,具有高效性
-
高容错性
Hadoop能够自动保存数据的多个副本(默认是3个),并且能够自动将失败的任务重新分配
2.1.3 Hadoop能做什么
-
大数据量存储
分布式存储(各种云盘,百度,360~还有云平台均有hadoop应用)
-
日志处理
-
搜索引擎
如何存储持续增长的海量网页: 单节点 V.S. 分布式存储
如何对持续增长的海量网页进行排序: 超算 V.S. 分布式计算
-
数据挖掘
目前比较流行的广告推荐
2.1.4 Hadoop版本
-
Hadoop1.0
包含Common,HDFS和MapReduce,停止更新
-
Hadoop2.0
包含了Common,HDFS,MapReduce和YARN。Hadoop2.0和Hadoop1.0完全不兼容。
-
Hadoop3.0
包含了Common,HDFS,MapReduce,YARN。Hadoop3.0和Hadoop2.0是兼容的
2.2 Hadoop核心组件
2.2.1 HDFS(Hadoop Distributed File System)
-
HDFS
分布式存储,解决海量数据的存储
-
HDFS特点及原理
HDFS具有扩展性、容错性、海量数量存储的特点
原理为将大文件切分成指定大小的数据块, 并在分布式的多台机器上保存多个副本
-
HDFS角色和概念
-
Client
切分文件、访问HDFS、与NameNode交互获取文件位置信息、与DataNode交互读取和写入数据
-
Namenode
Master节点,管理HDFS的名称空间和数据块映射信息,配置副本策略,处理所有客户端请求
-
Secondarynode
定期同步NameNode,紧急情况下,可转正
-
Datanode
数据存储节点,存储实际的数据
汇报存储信息给NameNode
-
Block
每块默认128MB大小
每块可以多个副本
-
-
HDFS示意图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RAJcEDQU-1629858472687)(./img/02_hdfs1.png)]
-
HDFS原理图
1、每个数据块3个副本,分布在两个机架内的节点,2个副本在同一个机架上,另外一个副本在另外的机架上
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4QDdeKdN-1629858472692)(./img/02_hdfs2.png)]
2、心跳检测,datanode定期向namenode发送心跳消息。查看是否有datanode挂掉了
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-orKDM9dc-1629858472692)(./img/02_hdfs3.png)]
3、secondary namenode;定期同步元数据映像文件和修改日志,namenode发生故障,secondaryname会成为主namenode
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-3e2iN0bU-1629858472693)(./img/02_hdfs4.png)]
-
HDFS写文件流程
【1】客户端将文件拆分成固定大小128M的块,并通知namenode 【2】namenode找到可用的datanode返回给客户端 【3】客户端根据返回的datanode,对块进行写入 【4】通过流水线管道流水线复制 【5】更新元数据,告诉namenode已经完成了创建新的数据块,保证namenode中的元数据都是最新的状态
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tOpqhwmL-1629858472693)(./img/02_hdfsWrite.png)]
-
HDFS读文件流程
【1】客户端向namenode发起读请求,把文件名,路径告诉namenode 【2】namenode查询元数据,并把数据返回客户端 【3】此时客户端就明白文件包含哪些块,这些块在哪些datanode中可以找到
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-R831BdWX-1629858472694)(./img/02_hdfsRead.png)]
2.2.2 MapReduce
-
MapReduce实现了分布式计算
Hadoop的MapReduce是对google三大论文的MapReduce的开源实现,实际上是一种编程模型,是一个分布式的计算框架,用于处理海量数据的运算,由JAVA实现
-
MapReduce原理图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-O9A25xiw-1629858472694)(./img/03_mapreduce1.png)]
-
MapReduce角色及概念
-
JobTracker
–Master节点只有一个
–管理所有作业/任务的监控、错误处理等
–将任务分解成一系列任务,并分派给TaskTracker
-
TaskTracker
–Slave节点,一般是多台
–运行Map Task和Reduce Task
–并与JobTracker交互,汇报任务状态
-
Map Task
–解析每条数据记录,传递给用户编写的map()并执行,将结果输出
-
Reducer Task
–从Map Task的执行结果中,远程读取输入数据,对数据进行排序,将数据按照分组传递给用户编写的reduce函数执行
-
2.2.3 Yarn
-
作用
负责整个集群资源的管理和调度,是Hadoop的一个通用的资源管理系统
-
定义
Apache Hadoop YARN (Yet Another Resource Negotiator,另一种资源协调者)是一种新的 Hadoop 资源管理器,它是一个通用资源管理系统,可为上层应用提供统一的资源管理和调度,它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处
-
原理图
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8EJk93Kz-1629858472695)(./img/04_yarn.png)]
-
Yarn角色及概念
-
Resourcemanager
–处理客户端请求
–启动/监控ApplicationMaster
–监控NodeManager
–资源分配与调度
-
Nodemanager
–单个节点上的资源管理
–处理来自ResourceManager的命令
–处理来自ApplicationMaster的命令
-
ApplicationMaster
–为应用程序申请资源,并分配给内部任务
–任务监控与容错
-
Container
–对任务运⾏行环境的抽象,封装了CPU 、内存等
-
Client
–用户与Yarn交互的客户端程序
–提交应用程序、监控应用程序状态,杀死应用程序等
-
2.3 Hadoop总结
2.3.1 Hadoop组成
- 分布式存储 - HDFS
- 分布式计算 - MapReduce
- 资源管理 - Yarn
2.3.2 HDFS特点
-
HDFS优点
- 高可靠性
- 高扩展性
- 高效性
- 高容错性
- 低成本 :与一体机、商用数据仓库等相比,hadoop是开源的,项目的软件成本因此会大大降低
-
HDFS缺点
- 不能做到低延迟,由于hadoop针对高数据吞吐量做了优化,牺牲了获取数据的延迟,所以对于低延迟数据访问,不适合hadoop
- 不适合大量小文件存储,由于namenode将文件系统的元数据存储在内存中,因此该文件系统所能存储的文件总数受限于namenode的内存容量,根据经验,每个文件、目录和数据块的存储信息大约占150字节
- 对于上传到HDFS上的文件,不支持修改文件,HDFS适合一次写入,多次读取的场景
2.3.3 HDFS相关
-
名词
- NameNode
- DataNode
-
写入文件流程
- 客户端将文件拆分成固定大小128M的块,并通知namenode
- namenode找到可用的datanode返回给客户端
- 客户端根据返回的datanode,对块进行写入
- 通过流水线管道流水线复制
- 更新元数据,告诉namenode已经完成了创建新的数据块,保证namenode中的元数据都是最新的状态
-
读取文件流程
- 客户端向namenode发起独立请求,把文件名,路径告诉namenode
- namenode查询元数据,并把数据返回客户端
- 此时客户端就明白文件包含哪些块,这些块在哪些datanode中可以找到
3. 环境安装
3.1 安装方式
-
单机模式
只能启动MapReduce
-
伪分布式
能启动HDFS、MapReduce 和 YARN的大部分功能
-
完全分布式
能启动Hadoop的所有功能
3.2 安装JDK
3.2.1 JDK安装步骤
-
下载JDK安装包(下载Linux系统的 .tar.gz 的安装包)
https://www.oracle.com/java/technologies/javase/javase-jdk8-downloads.html
-
更新Ubuntu源
sudo apt-get update
-
将JDK压缩包解压到Ubuntu系统中 /usr/local/ 中
sudo tar -zxvf jdk-8u251-linux-x64.tar.gz -C /usr/local/
-
将解压的文件夹重命名为 jdk8
cd /usr/local/
sudo mv jdk1.8.0_251/ jdk8
-
添加到环境变量
cd /home/tarena/
sudo gedit .bashrc
在文件末尾添加如下内容:
export JAVA_HOME=/usr/local/jdk8 export JRE_HOME=$JAVA_HOME/jre export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib export PATH=.:$JAVA_HOME/bin:$PATH
source .bashrc
-
验证是否安装成功
java -version
<出现java的版本则证明安装并添加到环境变量成功 java version “1.8.0_251”>
3.3 安装Hadoop并配置伪分布式
3.3.1 Hadoop安装配置步骤
-
安装SSH
sudo apt-get install ssh
-
配置免登录认证,避免使用Hadoop时的权限问题
ssh-keygen -t rsa (输入此条命令后一路回车)
cd ~/.ssh
cat id_rsa.pub >> authorized_keys
ssh localhost (发现并未让输入密码即可连接)
exit (退出远程连接状态)
-
下载Hadoop 2.10(374M)
https://archive.apache.org/dist/hadoop/common/hadoop-2.10.0/hadoop-2.10.0.tar.gz
-
解压到 /usr/local 目录中,并将文件夹重命名为 hadoop,最后设置权限
sudo tar -zxvf hadoop-2.10.0.tar.gz -C /usr/local/
cd /usr/local
sudo mv hadoop-2.10.0/ hadoop2.10
sudo chown -R tarena hadoop2.10/
-
验证Hadoop
cd /usr/local/hadoop2.10/bin
./hadoop version (此处出现hadoop的版本)
-
设置JAVE_HOME环境变量
sudo gedit /usr/local/hadoop2.10/etc/hadoop/hadoop-env.sh
把原来的export JAVA_HOME=${JAVA_HOME}改为
export JAVA_HOME=/usr/local/jdk8 -
设置Hadoop环境变量
sudo gedit /home/tarena/.bashrc
在末尾追加
export HADOOP_HOME=/usr/local/hadoop2.10 export CLASSPATH=.:{JAVA_HOME}/lib:${HADOOP_HOME}/sbin:$PATH export PATH=.:${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin:$PATH
source /home/tarena/.bashrc
-
伪分布式配置,修改2个配置文件(core-site.xml 和 hdfs-site.xml)
-
修改core-site.xml
sudo gedit /usr/local/hadoop2.10/etc/hadoop/core-site.xml
添加如下内容
<configuration> <property> &l