【大数据】Hadoop （一） 入门

课程链接：
尚硅谷大数据Hadoop 3.x（入门搭建+安装调优）_哔哩哔哩_bilibili

(Hadoop到底是干什么用的？ - 知乎 (zhihu.com)

资料

Hadoop中文文档 (apache.org)

Hadoop就是存储海量数据和分析海量数据的工具。

第1章 Hadoop概述

1.1 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。

1.2 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 —>HBas

​ 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

1.3 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。

1.4 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。

1.5 Hadoop 组成（面试重点）

Hadoop1.x、2.x、3.x区别

​ 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。

1.5.1 HDFS 架构概述

​ HDFS（Hadoop Distributed File System） ，是一个分布式文件系统。作用：数据存储。

（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。（数据目录）

（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。（存储具体数据）

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

1.5.2 YARN 架构概述

YARN（Yet Another Resource Negotiator） 简称 ，另一种资源协调者，是 Hadoop 的资源管理器。

作用：资源管理（主要管理CPU和内存）、资源调度。

（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（N M）：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Containe

1.5.3 MapReduce 架构概述

负责计算

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 （分发）

（2）Reduce 阶段对 Map 结果进行汇总 （聚集）

1.5.4 HDFS、YARN、MapReduce三者关系

HDFS负责数据存储、YARN负责资源调度、MapReduce负责计算

1.6 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。可以基于 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。

1.7 推荐系统框架图

第 2 章 Hadoop 运行环境搭建（开发重点）

2.1 模板虚拟机环境准备

1、安装模板虚拟机，IP 地址 192.168.10.100、主机名称 hadoop100、内存 2G、硬盘 50G

(建议jdk和hadoop都装好,克隆完就少改很多东西)

2、关闭防火墙，关闭防火墙开机自启

​ 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

systemctl stop firewalld
systemctl disable firewalld.service

3、配置windows网络

4、修改克隆虚拟机的静态 IP

vim /etc/sysconfig/network-scripts/ifcfg-ens33

# 要修改或增加的内容
ONBOOT=yes
BOOTPROTO=static
IPADDR=192.168.10.102
PREFIX=24
GATEWAY=192.168.10.2
DNS1=192.168.10.2

5、设置主机名(相当定义了一个全局变量，不用一个一个的改ip)

vim /etc/hostname
# 或
sudo hostnamectl hadoop100

6、配置 Linux 克隆机主机和 windows 名称映射 hosts 文件，打开/etc/hosts

vim /etc/hosts

192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108

7、重启虚拟机,测试网络

• 虚拟机外网

ping www.baidu.com

8、配置普通用户具有root权限

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

【普通用名称】 ALL=(ALL) NOPASSWD:AL

注意：atguigu 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 atguigu 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 atguigu 要放到%wheel 这行下面。

创建工作目录

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

2.2 安装工具

1、安装 epel-release(额外的软件包)

# 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）

$ yum install -y epel-release

• 若yum出错

kill -9 【yum进程号】

2、卸载虚拟机自带的 JDK

rpm -qa | grep -i java | xargs -n1 rpm -e  --nodeps

# 检查是否卸载成功，无返回则成功
rpm -qa | grep -i java

➢ 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

# 重启虚拟机
reboot

3、安装 JDK

​ 用 xftp传输工具将 JDK 导入到 opt 目录下面的 software 文件夹下面

2.3 克隆虚拟机并配置环境

2.3.1 克隆虚拟机

​ 将虚拟机hadoop100 克隆出虚拟机hadoop102、hadoop103，并修改ip/etc/sysconfig/network-scripts/ifcfg-ens33 和 /etc/hostname 中的ip地址和主机名

2.3.2 虚拟机hadoop102 安装 JDK

1、用 Xftp 传输工具将 JDK 导入到 /opt/software 文件夹下，解压 JDK 到/opt/module 目录下

（直接拉入虚拟机的大文件不完整）

$ cd /opt/software
$ tar -zxvf jdk-8u212-linux-x64.tar.gz  -C 

2、配置 JDK 环境变量

• 新建/etc/profile.d/my_env.sh 文件,添加如下内容

#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin

• source 一下/etc/profile 文件，让新的环境变量 PATH 生效

$ source /etc/profile

• 测试 JDK 是否安装成功

$ java -version

2.3.3 虚拟机hadoop102 安装 Hadoop

1、将 hadoop-3.1.3.tar.gz 导入到 /opt/software下

2、解压安装文件到/opt/module 下面

$ cd /opt/software
$ tar -zxvf hadoop-3.1.3.tar.gz -C  /opt/module/

3、将 Hadoop 添加到环境变量

• 修改/etc/profile.d/my_env.sh 文件 ,在 my_env.sh 文件末尾添加如下内容

#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbi

• source 一下/etc/profile 文件，让新的环境变量 PATH 生效

$ source