大数据的入门之路——Hadoop基础学习

前言

目前人工智能和大数据火热，使用的场景也越来越广，日常开发中前端同学也逐渐接触了更多与大数据相关的开发需求。因此对大数据知识也有必要进行一些学习理解。

基础概念

大数据的本质

一、数据的存储：分布式文件系统(分布式存储)

二、数据的计算：分部署计算

基础知识

学习大数据需要具备Java知识基础及Linux知识基础

学习路线

(1)Java基础和Linux基础

(2)Hadoop的学习：体系结构、原理、编程

第一阶段：HDFS、MapReduce、HBase(NoSQL数据库)

第二阶段：数据分析引擎 -> Hive、Pig

数据采集引擎 -> Sqoop、Flume

第三阶段：HUE：Web管理工具

ZooKeeper：实现Hadoop的HA
Oozie：工作流引擎

(3)Spark的学习

第一阶段：Scala编程语言

第二阶段：Spark Core -> 基于内存、数据的计算

第三阶段：Spark SQL -> 类似于mysql 的sql语句

第四阶段：Spark Streaming ->进行流式计算：比如：自来水厂

(4)Apache Storm 类似：Spark Streaming ->进行流式计算

NoSQL：Redis基于内存的数据库

HDFS

分布式文件系统 解决以下问题：

• 硬盘不够大：多几块硬盘，理论上可以无限大

• 数据不够安全：冗余度，hdfs默认冗余为3 ，用水平复制提高效率，传输按照数据库为单位：Hadoop1.x 64M，Hadoop2.x 128M

• 管理员：NameNode 硬盘：DataNode

MapReduce

基础编程模型：把一个大任务拆分成小任务，再进行汇总

• MR任务：Job = Map + Reduce

Map的输出是Reduce的输入、MR的输入和输出都是在HDFS

MapReduce数据流程分析：

• Map的输出是Reduce的输入，Reduce的输入是Map的集合

HBase

什么是BigTable?: 把所有的数据保存到一张表中，采用冗余 —> 好处：提高效率

• 因为有了bigtable的思想：NoSQL：HBase数据库

• HBase基于Hadoop的HDFS的

• 描述HBase的表结构

核心思想是：利用空间换效率
Hadoop环境搭建

环境准备

Linux环境、JDK、http://mirrors.shu.edu.cn/apache/hadoop/common/hadoop-3.0.0/hadoop-3.0.0-src.tar.gz

安装

1、安装jdk、并配置环境变量

vim /etc/profile 末尾添加

2、解压hadoop-3.0.0.tar.gz、并配置环境变量

tar -zxvf hadoop-3.0.0.tar.gz -C /usr/local/ mv hadoop-3.0.0/ hadoop

vim /etc/profile 末尾添加

配置

Hadoop有三种安装模式：

本地模式 ：

• 1台主机
• 不具备HDFS，只能测试MapReduce程序

伪分布模式：

• 1台主机
• 具备Hadoop的所有功能，在单机上模拟一个分布式的环境
• (1)HDFS：主：NameNode，数据节点：DataNode
• (2)Yarn：容器，运行MapReduce程序
• 主节点：ResourceManager
• 从节点：NodeManager

全分布模式：

• 至少3台

我们以伪分布模式为例配置：

修改hdfs-site.xml：冗余度1、权限检查false

修改core-site.xml

修改mapred-site.xml

修改yarn-site.xml

格式化NameNode

hdfs namenode -format

看到common.Storage: Storage directory /usr/local/hadoop/tmp/dfs/name has been successfully formatted表示格式化成功

启动

start-all.sh

(*)HDFS：存储数据

(*)YARN：

访问

HDFS: http://192.168.56.102:50070

Yarn: http://192.168.56.102:8088

查看HDFS管理界面和yarn资源管理系统

基本操作：

HDFS相关命令

MapReduce示例

结果：

如上 一个最简单的MapReduce示例就执行成功了

为了帮助大家让学习变得轻松、高效，给大家免费分享一大批资料，帮助大家在成为大数据工程师，乃至架构师的路上披荆斩棘。在这里给大家推荐一个大数据学习交流圈：658558542 欢迎大家进群交流讨论，学习交流，共同进步。

当真正开始学习的时候难免不知道从哪入手，导致效率低下影响继续学习的信心。

但最重要的是不知道哪些技术需要重点掌握，学习时频繁踩坑，最终浪费大量时间，所以有有效资源还是很有必要的。

最后祝福所有遇到瓶疾且不知道怎么办的大数据程序员们，祝福大家在往后的工作与面试中一切顺利。