【学习课件】（私密）大数据概论、安装hadoop

大数据技术之Hadoop（入门）
一 大数据概论
预科内容
二 从Hadoop框架讨论大数据生态
名字起源
该项目的创建者，Doug Cutting解释Hadoop的得名 ：“这个名字是我孩子给一个棕黄色的大象玩具命名的
​​
项目起源
Hadoop由 Apache Software Foundation 公司于 2005 年秋天作为Lucene的子项目Nutch的一部分正式引入。它受到最先由 Google Lab 开发的 Map/Reduce 和 Google File System(GFS) 的启发
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
​​
Hadoop的优势
高可靠性：
因为Hadoop假设计算元素和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理。
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。
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。
高容错性：
自动保存多份副本数据，并且能够自动将失败的任务重新分配。
Hadoop组成

​​
Hadoop HDFS：
一个高可靠、高吞吐量的分布式文件系统。
Hadoop MapReduce：
一个分布式的离线并行计算框架。
Hadoop YARN：
作业调度与集群资源管理的框架。
Hadoop Common：
支持其他模块的工具模块（Configuration、RPC、序列化机制、日志操作）。

HDFS架构概述
Namenode：存储元数据
Datanode：存储数据的节点，会对数据块进行校验
Secondarynamenode：监控namenode 的元数据，每隔一定的时间进行元数据的合并
YARN架构概述
ResourceManager(rm)：
处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度
NodeManager(nm)：
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：
数据切分、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：
对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息
MapReduce架构概述
MapReduce将计算过程分为两个阶段：Map和Reduce
Map阶段并行处理输入数据
Reduce阶段对Map结果进行汇总
三 Hadoop运行环境搭建
环境配置
关闭防火墙
关闭防火墙：systemctl stop firewalld.service
禁用防火墙：systemctl disable firewalld.service
查看防火墙：systemctl status firewalld.service

关闭Selinux：vi /etc/selinux /config
将SELINUX=enforcing改为SELINUX=disabled

修改IP
善用Tab键
vi /etc/sysconfig/network-scripts/eno16777736
BOOTPROTO=static
ONBOOT=yes

IPADDR=192.168.X.51
GATEWAY=192.168.X.2
DNS1=8.8.8.8
DNS2=8.8.4.4
NETMASK=255.255.255.0

vi /etc/resolv.conf
nameserver 8.8.8.8
nameserver 8.8.4.4
重启网卡：servie network restart
修改主机名
hostnamectl set-hostname 主机名
IP和主机名关系映射
vi /etc/hosts
192.168.1.121 bigdata111
192.168.1.122 bigdata112
192.168.1.123 bigdata113

在windows的C:\Windows\System32\drivers\etc路径下找到hosts并添加
192.168.1.121 bigdata111
192.168.1.122 bigdata112
192.168.1.123 bigdata113
修改主机名：
vi /etc/hostname
bigdata111

Xshell
输入IP、用户名和密码

在opt目录下创建文件（此步可选）
创建itstar用户
adduser itstar
passwd itstar
设置itstar用户具有root权限
vi /etc/sudoers 92行 找到root ALL=(ALL) ALL
复制一行：itstar ALL=(ALL) ALL

安装jdk
卸载现有jdk
（1）查询是否安装java软件：
rpm -qa|grep java
（2）如果安装的版本低于1.7，卸载该jdk：
rpm -e 软件包名字
在/opt目录下创建两个子文件
mkdir /opt/mod /opt/soft
解压jdk到/opt/module目录下
tar -zxvf jdk-8u144-linux-x64.tar.gz -C /opt/mod/
配置jdk环境变量
vi /etc/profile
export JAVA_HOME=/opt/mod/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin
source /etc/profile
测试jdk安装成功
java -version
java version “1.8.0_144”
四 Hadoop运行模式
伪/完全分布式部署Hadoop
SSH无密码登录
生成公钥和私钥：ssh-keygen -t rsa
然后敲（三个回车），就会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）
将公钥拷贝到要免密登录的目标机器上
ssh-copy-id 主机名1
ssh-copy-id 主机名2
ssh-copy-id 主机名3
注：在另外两台机器上分别执行，共执行9遍
.ssh文件夹下的文件功能解释
（1）~/.ssh/known_hosts ：记录ssh访问过计算机的公钥(public key)
（2）id_rsa ：生成的私钥
（3）id_rsa.pub ：生成的公钥
（4）authorized_keys ：存放授权过得无秘登录服务器公钥
配置集群(表格版)
1.集群部署规划:
bigdata111 bigdata112 bigdata113
HDFS
NameNode
SecondaryNameNode
DataNode

DataNode

DataNode
YARN
NodeManager ResourceManager
NodeManager
NodeManager
1.配置文件：
文件 配置
core-site.xml

fs.defaultFS
hdfs://主机名1:9000

hadoop.tmp.dir /opt/module/hadoop-2.X.X/data/tmp hdfs-site.xml dfs.replication 3 dfs.namenode.secondary.http-address 主机名1:50090 dfs.permissions false yarn-site.xml yarn.nodemanager.aux-services mapreduce_shuffle yarn.resourcemanager.hostname 主机名1 yarn.log-aggregation-enable true yarn.log-aggregation.retain-seconds 604800 mapred-site.xml mapreduce.framework.name yarn mapreduce.jobhistory.address 主机名1:10020 mapreduce.jobhistory.webapp.address 主机名1:19888 hadoop-env.sh、yarn-env.sh、mapred-env.sh（分别在这些的文件中添加下面的路径）

export JAVA_HOME=/opt/module/jdk1.8.0_144（注：是自己安装的路径）
slaves bigdata111、bigdata112、bigdata113（自己设置的主机名）
格式化Namenode：
hdfs namenode -format

为什么要格式化？
NameNode主要被用来管理整个分布式文件系统的命名空间(实际上就是目录和文件)的元数据信息，同时为了保证数据的可靠性，还加入了操作日志，所以，NameNode会持久化这些数据(保存到本地的文件系统中)。对于第一次使用HDFS，在启动NameNode时，需要先执行-format命令，然后才能正常启动NameNode节点的服务。
格式化做了哪些事情？
在NameNode节点上，有两个最重要的路径，分别被用来存储元数据信息和操作日志，而这两个路径来自于配置文件，它们对应的属性分别是dfs.name.dir和dfs.name.edits.dir，同时，它们默认的路径均是/tmp/hadoop/dfs/name。格式化时，NameNode会清空两个目录下的所有文件，之后，会在目录dfs.name.dir下创建文件
hadoop.tmp.dir 这个配置，会让dfs.name.dir和dfs.name.edits.dir会让两个目录的文件生成在一个目录里

启动集群得命令：
start-all.sh
Namenode的主节点：sbin/start-dfs.sh
Yarn的主节点：sbin/start-yarn.sh

注意：Namenode和ResourceManger如果不是同一台机器，不能在NameNode上启动 yarn，应该在ResouceManager所在的机器上启动yarn。
scp文件传输
实现两台远程机器之间的文件传输（bigdata112主机文件拷贝到bigdata113主机上）
scp -r [文件] 用户@主机名：绝对路径
注：伪分布式是一台、完全分布是三台
完全分布式
步骤：
1）克隆2台客户机（关闭防火墙、静态ip、主机名称）
2）安装jdk
3）配置环境变量
4）安装hadoop
5）配置环境变量
export JAVA_HOME=/opt/mod/jdk1.8.0_144
export HADOOP_HOME=/opt/mod/hadoop-2.8.4
export PATH=$PATH:$JAVA_HOME/bin:KaTeX parse error: Undefined control sequence: \bin at position 12: HADOOP_HOME\̲b̲i̲n̲:HADOOP_HOME\sbin

6）安装ssh
7）配置集群
8）启动测试集群
注：此配置直接使用虚拟机克隆伪分布式两台即可
自带官方wordcount案例
随意上传一个文本文件
上传命令：hadoop fs -put 文件名 /
执行命令：
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.X.X.jar wordcount /入 /出

命令解析：
hadoop jar 路径的jar包 全类名 输入路径 输出路径
查看结果：
hadoop fs -cat 路径
Hadoop启动和停止命令：
以下命令都在$HADOOP_HOME/sbin下，如果直接使用，记得配置环境变量
启动/停止历史服务器 mr-jobhistory-daemon.sh start|stop historyserver
启动/停止总资源管理器 yarn-daemon.sh start|stop resourcemanager
启动/停止节点管理器 yarn-daemon.sh start|stop nodemanager
启动/停止 NN 和 DN start|stop-dfs.sh
启动/停止 RN 和 NM start|stop-yarn.sh
启动/停止 NN、DN、RN、NM start|stop-all.sh
启动/停止 NN hadoop-daemon.sh start|stop namenode
启动/停止 DN hadoop-daemon.sh start|stop datanode