大数据Hadoop完全分布式及心得体会

---

前言

认识hadoop，根据所学知识完成作业，并总结本学期心得体会。

---

一、认识hadoop

Hadoop是一个分布式系统基础技术框架，利用hadoop，开发用户可以在不了解分布式底层细节的情况下，开发分布式程序，从而达到充分利用集群的威力高速运算和存储的目的；而在本学期中，我们的专业老师带我们学习了Hadoop框架中最核心的设计：MapReduce和HDFS。
MapReduce从字面上就能看出，是由两个动词Map和Reduce组成，“Map” 就是将一个任务分解成为多个任务，“Reduce” 就是将分解后多任务处理的结果汇总起来，得出最后的分析结果。即把一个巨大的任务分割成许许多多的小任务单元，最后再将每个小任务单元的结果汇总，并求得最终结果。
而map的输出和reduce的输入之间的还有一个数据处理过程，即为shuffle过程。该过程涉及分区、排序、分组等操作。

数据流转过程

HDFS的中文翻译是Hadoop分布式文件系统（Hadoop Distributed File System）。它本质还是程序，主要还是以树状目录结构来管理文件（和linux类似，/表示根路径），且可以运行在多个节点上（即分布式）；它可以存储海量离线数据（如TB、PB、ZB级别的数据），并且保证数据高可用，支持高并发访问。但并不适合将大量的小文件存到HDFS。其主要原因是：HDFS的NameNode进程在内存中存储文件的元数据，故文件越多，消耗的内存就越大。大量的小文件，耗尽NameNode节点的内存，而实际存的文件总量却很小，HDFS存海量数据的优势没有发挥出来。

HDFS的框架


HDFS存文件的时候，会将文件按照一定的大小（默认是128M）进行分割，独立存储，这些独立的文件即为数据块（Block）。

---

二、一课一得作业讲解

题： 模拟生成新能源车辆数据编写一个程序，每天凌晨3点模拟生成当天的新能源车辆数据（字段信息必须包含：车架号、行驶总里程、车速、车辆状态、充电状态、剩余电量SOC、SOC低报警、数据生成时间等）。

1、最终部署时，要将这些数据写到第一题的HDFS中。

2、车辆数据要按天存储，数据格式是JSON格式，另外如果数据文件大于100M，则另起一个文件存。每天的数据总量不少于300M。比如假设程序是2023-01-1 03点运行，那么就将当前模拟生成的数据写入到HDFS的/can_data/2023-01-01文件夹的can-2023-01-01.json文件中，写满100M，则继续写到can-2023-01-01.json.2文件中，依次类推；

3、每天模拟生成的车辆数据中，必须至少包含20辆车的数据，即要含有20个车架号（一个车架号表示一辆车，用字符串表示）；

4、每天生成的数据中要有少量（20条左右）重复数据（所有字段都相同的两条数据则认为是重复数据），且同一辆车的两条数据的数据生成时间间隔两秒；

5、每天生成的数据中要混有少量前几天的数据（即数据生成时间不是当天，而是前几天的）。

实现步骤

1. 搭建集群
2. 模拟生成新能源车辆数据编写一个程序
3. 最终部署，将这些数据写到HDFS中。

1. 搭建集群

集群规划

主机IP	主机名	HDFS	YARN
192.168.91.4	master	NameNode DataNode	ResourceManager NodeManager
192.168.91.5	save1	SecondaryNameNode DataNode	NodeManager
192.168.91.6	save2	DataNode	NodeManager

---

（1） 准备三台虚拟机，之前在伪分布式中部署过一台虚拟机了，因此直接复制三份虚拟机即可

1.1 先创建三个文件夹，并分别在每一个文件夹中复制一个虚拟机

1.2 启动VMware，重命名三个节点的名称分别为master save1 save2

1.3 分别修改master、save1、save2中的ip并重启网卡

修改IP命令
vi /etc/sysconfig/network-scripts/ifcfg-ens33;

Esc 保存退出
:wq

重启网卡命令：service network restart;

---

（2） 修改master、save1、save2的主机名

重命名命令：
hostnamectl set-hostname master  //master
hostnamectl set-hostname save1  //save1
hostnamectl set-hostname save2  //save2

(3) 添加IP的映射

添加IP的映射命令
vi /etc/hosts

Esc 保存退出
:wq

---

(4) 免密登录
因为master、save1、save2三个节点都是从之前的已经安装好Hadoop伪分布式的虚拟机复制得来，而当时已经设置了免密登录，故不需再设置了。也就是master可以免密登录到master、save1、save2。

(5) 关闭防火墙
同理，之前已经设置不允许防火墙开机自启，默认开机是关闭的，故也不需要操作。

(6) 删除伪分布式data的数据

切换到该路径下
cd /usr/local/hadoop-2.7.1/

删除命令
rm -rf ./data/

---

(7) 修改master 的配置文件

7.1

命令示例
vi core-site.xml;

Esc 保存退出
:wq

7.2

命令示例

vi hdfs-site.xml;

Esc 保存退出
:wq

7.3

命令示例

vi yarn-site.xml;

Esc 保存退出
:wq

7.4

命令示例

vi saves;

Esc 保存退出
:wq

---

（8）将刚才master的配置信息同步到saev1、saev2上

同步到saev1
scp /etc/hosts root@save1:/etc;

同步到saev2
scp /etc/hosts root@save2:/etc;

（9）时间同步

1. 下载ntpdate插件
   yum install -y ntpdata
   2.时间同步命令
   ntpdate ntp4.aliyun.com；

（10）将NameNode格式化

hdfs namenode -format

ps：禁止重复格式化

---

（11）启动集群

分别在master、save1，save2节点上都输入一遍start-all.sh

代码示例：
start-all.sh

---

至此，三个节点的集群就可以算搭建成功！

2. 模拟生成新能源车辆数据编写一个程序

2.1 生成车辆数据
（1）先随机生成20辆车的车架号，并把它存入一个空的列表中；
（2）设置每一个值的状态；
（3）设置数据生成的时间；
（4）把数据存入列表中；

代码示例：

def generate_data():
    vin_list = ['VIN{}'.format(i) for i in range(1，21)] # 车架号列表
    data_list = []
    for vin in vin_list:
    mileage = round(random.uniform(1000，10000)，2) # 行驶总里程
        speed = round(random.uniform(0，120)，2) # 车速
        status = random.choice(['running’，'stopped']) # 车辆状态
        charge_status = random.choice(['charging'，'discharging'，'idle']) # 充电状态
        soc = round(random.uniform(0，100)，2) # 剩余电量SOC
        soc_Low_alert = random.choice([True，False]) # SOC低报警
        timestamp = int(time.time()) # 数据生成时间
        data = {
            'vin': vin,
            'mileage': mileage
            ' speed': speed,
            ' status': status ,
            ' charge_status': charge_status
            ' soc': soc,
            'soc_low_alert': soc_low_alert
            'timestamp': timestamp
        }
        data_list.append(data)
    return data_list

---

2.2.添加重复数据
（1）添加重复数据，使用随机添加，在20辆车中随机添加一些重复的数据;
（2）看题目要求：每天生成的数据中要混有少量前几天的数据（即数据生成时间不是当天，而是前几天的），所以我们要添加前几天的数据；
（3）按时间排序：data.sort(key=lambda x:x[‘timestamp’])
（4）添加时间间隔为2秒的重复数据
（5）将数据写入HDFS

代码示例：

data = generate_data()
#添加重复数据
repeat_data = random.sample(data, 20)
data += repeat_data
#添加前几天的数据
for i in range(20):
	timestamp = int(time.time()) - (i + 1) * 24 * 60 * 60
	vin = 	random.choice(['VIN{}'.format(i) for i in range(1，21)])
	data.append({
		' vin': vin,
		'mileage': round(random.uniform(1000，10000)，2),
		'speed': round(random.uniform(0，120)， 2),
		' status': random.choice(['running','stopped']),
		'charge_status': random.choice(['charging','discharging','idle']),
		' soc': round(random.uniform(0, 100)，2),
		'soc_Low_alert': random.choice([True, False]),
		'timestamp': timestamp
	})
	#按时间排序
data.sort(key=lambda x: x['timestamp'])  #添加时间间隔为2秒的重复数据
for i in range(len(data) - 1):
	if data[i]['vin'] == data[i + 1]['vin']:
	data.insert(i + 1,data[i].copy())
	data[i + 1]['timestamp'] += 2
	#写入HDFS
write_to_hdfs(data, hdfs_path)

---

3. 最终部署，将这些数据写到HDFS中。

1.打包生成jar包，并提交至Hadoop集群运行
2.设置定时任务，规定每天凌晨三点的第一分钟运行一次

三、学习收获

互联网的快速发展带来了数据快速增加，海量数据的存储已经不是一台机器所能处理的问题了。Hadoop的技术就应运而生。在本学期中专业老师的授课下，我对于这个概念有了一个比较系统的了解。
大数据Hadoop是一个非常重要的实际项目，对于所有想要了解大数据和Hadoop生态系统的人来说都是一个很好的机会。在课上课后的实操过程中，我不仅学到了Hadoop的基础知识，同时也学到了如何使用Hadoop来处理大数据。实操的过程需要我们掌握一些关于大数据的技能，如如何使用MapReduce算法，以及如何使用IDEA API来进行大数据分析。
总的来说，通过学习本学期这门课程，我对大数据和Hadoop系统有了较深入的了解，并且也加深了我的实操应用能力。我相信，随着大数据和人工智能的不断发展，这项技能将在未来发挥更大的作用。