摸鱼大数据——Hadoop基础理论知识之分布式和集群、框架、HDFS

1、分布式和集群

分布式: 分布式的主要工作是分解任务，将职能拆解，多个人在一起做不同的事
集群: 集群主要是将同一个业务，部署在多个服务器上 ，多个人在一起做同样的事

2、Hadoop框架

2.1 概述

Hadoop简介:是Apache旗下的一个用Java语言实现开源软件框架，是一个存储和计算大规模数据的软件平台。
Hadoop起源: Doug Cutting 创建的，最早起源一个Nutch项目。
三驾马车:  谷歌的三遍论文加速了hadoop的研发
Hadoop框架意义: 作为大数据解决方案，越来越多的企业将Hadoop 技术作为进入大数据领域的必备技术。
​
狭义上来说:Hadoop指Apache这款开源框架，它的核心组件有：HDFS,MR,YANR
广义上来说:Hadoop通常是指一个更广泛的概念——Hadoop生态圈
​
Hadoop发行版本: 分为开源社区版和商业版。
开源社区版:指由Apache软件基金会维护的版本，是官方维护的版本体系,版本丰富，兼容性稍差。
商业版:指由第三方商业公司在社区版Hadoop基础上进行了一些修改、整合以及各个服务组件兼容性测试而发行的版本，如: cloudera的CDH等。

2.2 版本更新

1.x版本系列: hadoop的第二代开源版本，该版本基本已被淘汰        
hadoop组成: HDFS(存储)和MapReduce(计算和资源调度)
​
2.x版本系列: 架构产生重大变化，引入了Yarn平台等许多新特性       
hadoop组成:  HDFS(存储)和MapReduce(计算)和YARN(资源调度)
​
3.x版本系列: 因为2版本的jdk1.7不更新,基于jdk1.8升级产生3版本   
hadoop组成:  HDFS(存储)和MapReduce(计算)和YARN(资源调度)

2.3 Hadoop架构详解

简单聊下hadoop架构?
​
当前版本hadoop组成: HDFS , MapReduce ,YARN
​
HDFS: 分布式文件存储系统，Hadoop Distributed File System，负责海量数据存储
    元数据: 描述数据的数据。你的简历就是元数据，你的人就是具体的数据
    NameNode: HDFS中的主节点（Master），主要负责管理集群中众多的从节点以及元数据，不负责真正数据的存储
    SecondaryNameNode: 主要负责辅助NameNode进行元数据的存储。如果NameNode是CEO，那么SecondaryNameNode就是秘书。
    DataNode: 主要负责真正数据的存储
    
YARN: 作业调度和集群资源管理的组件。负责资源调度工作
    ResourceManager: 接收用户的计算任务，并且负责给任务进行资源分配
    NodeManager: 负责执行主节点分配的任务，也就是给MapReduce计算程序提供资源
    现实生活例子: ResourceManager对应医生，NodeManager拿药的护士
    
MapReduce: 分布式计算框架，负责对海量数据进行处理
    如何计算: 核心思想是分而治之，Map阶段负责任务的拆解，Reduce阶段负责数据的合并计算
    MR（MapReduce）程序: 可以使用Java/Python去调用方法/函数来实现具体的海量数据分析功能
    
MapReduce计算需要的数据和产生的结果需要HDFS来进行存储
MapReduce的运行需要由Yarn集群来提供资源调度。

2.4 官方示例

在Hadoop的安装包中，官方提供了MapReduce程序的示例examples，以便快速上手体验MapReduce。该示例是使用java语言编写的，被打包成为了一个jar文件。
​
官方示例jar路径: /export/server/hadoop-3.3.0/share/hadoop/mapreduce

2.4.1 圆周率练习

hadoop jar hadoop-mapreduce-examples-3.3.0.jar pi x y

第一个参数pi：表示MapReduce程序执行圆周率计算；

第二个参数x：用于指定map阶段运行的任务次数，并发度，举例:x=10

第三个参数y：用于指定每个map任务取样的个数，举例: y=50

[root@node1 ~]# cd /export/server/hadoop-3.3.0/share/hadoop/mapreduce
[root@node1 mapreduce]# hadoop jar hadoop-mapreduce-examples-3.3.0.jar pi 10 50
...
Job Finished in 29.04 seconds
Estimated value of Pi is 3.16000000000000000000

2.4.2 词频统计

需求:

WordCount算是大数据统计分析领域的经典需求了，相当于编程语言的HelloWorld。统计文本数据中， 相同单词出现的总次数。用SQL的角度来理解的话，相当于根据单词进行group by分组，相同的单词 分为一组，然后每个组内进行count聚合统计。 已知hdfs中word.txt文件内容如下,计算每个单词出现的次数

步骤:

• 1.HDFS根目录中创建input目录,存储word.txt文件

可以在window本地提前创建word.txt文件存储,内容如下:

zhangsan lisi wangwu zhangsan
zhaoliu lisi wangwu zhaoliu
xiaohong xiaoming hanmeimei lilei
zhaoliu lilei hanmeimei lilei

• 2.在shell命令行中执行如下命令

[root@node1 ~]# cd /export/server/hadoop-3.3.0/share/hadoop/mapreduce
[root@node1 mapreduce]# hadoop jar hadoop-mapreduce-examples-3.3.0.jar wordcount /input /output
​
注意: /input 和 /output间有空格

• 3.去HDFS中查看是否生成output目录

注意: output输出目录,在执行第2步命令后会自动生成,如果提前手动创建或者已经存在,就会报以下错误:

org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://node1.itcast.cn:8020/output already exists

• 4.进入output目录查看part-r-00000文件,结果如下:

hanmeimei   2
lilei   3
lisi    2
wangwu  2
xiaohong    1
xiaoming    1
zhangsan    2
zhaoliu 3

3、Hadoop的HDFS

3.1 特点

HDFS文件系统可存储超大文件，时效性稍差。
HDFS具有硬件故障检测和自动快速恢复功能。
HDFS为数据存储提供很强的扩展能力。
HDFS存储一般为一次写入，多次读取，只支持追加写入，不支持随机修改。
HDFS可在普通廉价的机器上运行。
文件存储到HDFS上面可能会被进行切分，一个块的大小最大是128MB。一个块的副本数是3

3.2 架构

1- Client: 客户端
    文件的上传和下载是由客户端发送请求给到NameNode
    还要负责文件的切分；文件上传到HDFS的时候，客户端需要将文件分成一个一个的block，然后进行存储
    另外还提供了一些HDFS操作命令，用来操作和访问HDFS
    
2- NameNode
    就是Master主角色。它是一个管理者的角色
    处理客户端发送过来的文件的上传/下载请求
    管理HDFS元数据（文件路径、文件大小、文件的名称、文件的操作权限、文件被切分之后的block信息...）
    配置3副本的策略
    
3- DataNode
    就是Slave从角色。NameNode下达命令，DataNode执行具体的实际的操作。是真正干活的
    存储实际的数据块block
    负责文件的读写请求
    定时向NameNode汇报block信息，心跳机制
    
4- SecondaryNameNode
    并非 NameNode 的热备。当NameNode 挂掉的时候，它并不能马上替换 NameNode 并提供服务。
    辅助 NameNode，分担其工作量。
    在紧急情况下，可辅助恢复 NameNode。    

3.3 副本

block: HDFS被设计成能够在一个大集群中跨机器可靠地存储超大文件。它将每个文件存储成一系列的数据块，这个数据块被称为block，除了最后一个，所有的数据块都是同样大小的。
​
block: 默认是128MB。副本数是3
​
hdfs默认文件: https://hadoop.apache.org/docs/r3.3.4/hadoop-project-dist/hadoop-hdfs/hdfs-default.xml
​
注意: 
    1- HDFS的相关配置，在企业中一般使用默认
    2- 但是这些参数也是可以调整。会根据数据的重要程度进行调整。如果数据的价值太低，可以调低副本数；如果数据的价值高，可以调高副本数

3.4 shell命令

***注意: 可以输入hdfs dfs查看HDFS支持的shell命令有那些
​
hdfs的shell命令概念: 安装好hadoop环境之后，可以执行类似于Linux的shell命令对文件的操作，如ls、mkdir、rm等,对hdfs文件系统进行操作查看,创建,删除等。
​
hdfs的shell命令格式1: hadoop fs -命令 参数
hdfs的shell命令格式2: hdfs dfs -命令 参数
​
hdfs的家目录默认: /user/root   如果在使用命令操作的时候没有加根目录/,默认访问的是此家目录/user/root
​
查看目录下内容:  hdfs dfs -ls 目录的绝对路径。注意没有-l -a选项
创建目录: hdfs dfs -mkdir 目录的绝对路径
创建文件: hdfs dfs -touch 文件的绝对路径
移动目录/文件: hdfs dfs -mv 要移动的目录或者文件的绝对路径  目标位置绝对路径
复制目录/文件: hdfs dfs -cp 要复制的目录或者文件的绝对路径  目标位置绝对路径
删除目录/文件: hdfs dfs -rm [-r] 要删除的目录或者文件的绝对路径
查看文件的内容: hdfs dfs -cat 要查看的文件的绝对路径          注意: 除了cat还有head,tail也能查看
查看hdfs其他shell命令帮助: hdfs dfs --help
注意: hdfs有相对路径,如果操作目录或者文件的时候没有以根目录/开头,就是相对路径,默认操作的是/user/root
​
把本地文件内容追加到hdfs指定文件中: hdfs dfs -appendToFile 本地文件路径 hdfs文件绝对路径
​
注意: window中使用页面可以完成window本地和hdfs的上传下载,当然linux中使用命令也可以完成文件的上传和下载
linux本地上传文件到hdfs中: hdfs dfs -put linux本地要上传的目录或者文件路径  hdfs中目标位置绝对路径
hdfs中下载文件到liunx本地: hdfs dfs -get hdfs中要下载的目录或者文件的绝对路径 linux本地目标位置路径