- 什么是大数据
基本概念
在互联网技术发展到现今阶段，大量日常、工作等事务产生的数据都已经信息化，人类产生的数据量相比以前有了爆炸式的增长，以前的传统的数据处理技术已经无法胜任，需求催生技术，一套用来处理海量数据的软件工具应运而生，这就是大数据！
换个角度说，大数据是：
- 有海量的数据
- 有对海量数据进行挖掘的需求
- 有对海量数据进行挖掘的软件工具（hadoop、spark、storm、flink、tez、impala......）
大数据在现实生活中的具体应用
电商推荐系统：基于海量的浏览行为、购物行为数据，进行大量的算法模型的运算，得出各类推荐结论，以供电商网站页面来为用户进行商品推荐
精准广告推送系统：基于海量的互联网用户的各类数据，统计分析，进行用户画像（得到用户的各种属性标签），然后可以为广告主进行有针对性的精准的广告投放
- 什么是hadoop
hadoop中有3个核心组件：
分布式文件系统：HDFS —— 实现将文件分布式存储在很多的服务器上
分布式运算编程框架：MAPREDUCE —— 实现在很多机器上分布式并行运算
分布式资源调度平台：YARN —— 帮用户调度大量的mapreduce程序，并合理分配运算资源
- hdfs整体运行机制
hdfs：分布式文件系统
hdfs有着文件系统共同的特征：
- 有目录结构，顶层目录是： /
- 系统中存放的就是文件
- 系统可以提供对文件的：创建、删除、修改、查看、移动等功能
hdfs跟普通的单机文件系统有区别：
- 单机文件系统中存放的文件，是在一台机器的操作系统中
- hdfs的文件系统会横跨N多的机器
- 单机文件系统中存放的文件，是在一台机器的磁盘上
- hdfs文件系统中存放的文件，是落在n多机器的本地单机文件系统中（hdfs是一个基于linux本地文件系统之上的文件系统）
hdfs的工作机制：
- 客户把一个文件存入hdfs，其实hdfs会把这个文件切块后，分散存储在N台linux机器系统中（负责存储文件块的角色：data node）<准确来说：切块的行为是由客户端决定的>
- 一旦文件被切块存储，那么，hdfs中就必须有一个机制，来记录用户的每一个文件的切块信息，及每一块的具体存储机器（负责记录块信息的角色是：name node）
3、为了保证数据的安全性，hdfs可以将每一个文件块在集群中存放多个副本（到底存几个副本，是由当时存入该文件的客户端指定的）
综述：一个hdfs系统，由一台运行了namenode的服务器，和N台运行了datanode的服务器组成！
- 搭建hdfs分布式集群
4.1 hdfs集群组成结构：
4.2 安装hdfs集群的具体步骤：
一、首先需要准备N台linux服务器
学习阶段，用虚拟机即可！
先准备4台虚拟机：1个namenode节点 + 3 个datanode 节点
二、修改各台机器的主机名和ip地址
主机名：hdp-01 对应的ip地址：192.168.33.61
主机名：hdp-02 对应的ip地址：192.168.33.62
主机名：hdp-03 对应的ip地址：192.168.33.63
主机名：hdp-04 对应的ip地址：192.168.33.64
三、从windows中用CRT软件进行远程连接
在windows中将各台linux机器的主机名配置到的windows的本地域名映射文件中：
c:/windows/system32/drivers/etc/hosts
| 192.168.33.61 hdp-01 192.168.33.62 hdp-02 192.168.33.63 hdp-03 192.168.33.64 hdp-04 |
用crt连接上后，修改一下crt的显示配置（字号，编码集改为UTF-8）：
四、配置linux服务器的基础软件环境
- 防火墙
关闭防火墙：service iptables stop
关闭防火墙自启： chkconfig iptables off
- 安装jdk：（hadoop体系中的各软件都是java开发的）
- 利用alt+p 打开sftp窗口，然后将jdk压缩包拖入sftp窗口
- 然后在linux中将jdk压缩包解压到/root/apps 下
- 配置环境变量：JAVA_HOME PATH
vi /etc/profile 在文件的最后，加入：
| export JAVA_HOME=/root/apps/jdk1.8.0_60 export PATH=$PATH:$JAVA_HOME/bin |
- 修改完成后，记得 source /etc/profile使配置生效
- 检验：在任意目录下输入命令： java -version 看是否成功执行
- 将安装好的jdk目录用scp命令拷贝到其他机器
- 将/etc/profile配置文件也用scp命令拷贝到其他机器并分别执行source命令
- 集群内主机的域名映射配置
在hdp-01上，vi /etc/hosts
| 127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4 ::1 localhost localhost.localdomain localhost6 localhost6.localdomain6 192.168.33.61 hdp-01 192.168.33.62 hdp-02 192.168.33.63 hdp-03 192.168.33.64 hdp-04 |
然后，将hosts文件拷贝到集群中的所有其他机器上
scp /etc/hosts hdp-02:/etc/
scp /etc/hosts hdp-03:/etc/
scp /etc/hosts hdp-04:/etc/
| 补充 提示: |
如果在执行scp命令的时候，提示没有scp命令，则可以配置一个本地yum源来安装
|
- 五、安装hdfs集群
1、上传hadoop安装包到hdp-01
- 修改配置文件
| 要点提示 |
核心配置参数：
|
hadoop的配置文件在：/root/apps/hadoop安装目录/etc/hadoop/
1) 修改hadoop-env.sh
export JAVA_HOME=/root/apps/jdk1.8.0_60
2) 修改core-site.xml
| <configuration> <property> <name>fs.defaultFS</name> <value>hdfs://hdp-01:9000</value> </property> </configuration> |
3) 修改hdfs-site.xml
| <configuration> <property> <name>dfs.namenode.name.dir</name> <value>/root/dfs/name</value> </property>
<property> <name>dfs.datanode.data.dir</name> <value>/root/dfs/data</value> </property>
</configuration> |
4) 拷贝整个hadoop安装目录到其他机器
scp -r /root/apps/hadoop-2.8.0 hdp-02:/root/apps/
scp -r /root/apps/hadoop-2.8.0 hdp-03:/root/apps/
scp -r /root/apps/hadoop-2.8.0 hdp-04:/root/apps/
5) 启动HDFS
所谓的启动HDFS，就是在对的机器上启动对的软件
| 要点 提示： |
要运行hadoop的命令，需要在linux环境中配置HADOOP_HOME和PATH环境变量 vi /etc/profile
|
首先，初始化namenode的元数据目录
要在hdp-01上执行hadoop的一个命令来初始化namenode的元数据存储目录
hadoop namenode -format
- 创建一个全新的元数据存储目录
- 生成记录元数据的文件fsimage
- 生成集群的相关标识：如：集群id——clusterID
然后，启动namenode进程（在hdp-01上）
hadoop-daemon.sh start namenode
启动完后，首先用jps查看一下namenode的进程是否存在
然后，在windows中用浏览器访问namenode提供的web端口：50070
http://hdp-01:50070
然后，启动众datanode们（在任意地方）
hadoop-daemon.sh start datanode
6) 用自动批量启动脚本来启动HDFS
- 先配置hdp-01到集群中所有机器（包含自己）的免密登陆
- 配完免密后，可以执行一次 ssh 0.0.0.0
- 修改hadoop安装目录中/etc/hadoop/slaves（把需要启动datanode进程的节点列入）
| hdp-01 hdp-02 hdp-03 hdp-04 |
- 在hdp-01上用脚本：start-dfs.sh 来自动启动整个集群
- 如果要停止，则用脚本：stop-dfs.sh
- hdfs的客户端操作
客户端的理解
hdfs的客户端有多种形式：
- 网页形式
- 命令行形式
- 客户端在哪里运行，没有约束，只要运行客户端的机器能够跟hdfs集群联网
文件的切块大小和存储的副本数量，都是由客户端决定！
所谓的由客户端决定，是通过配置参数来定的
hdfs的客户端会读以下两个参数，来决定切块大小、副本数量：
切块大小的参数： dfs.blocksize
副本数量的参数： dfs.replication
上面两个参数应该配置在客户端机器的hadoop目录中的hdfs-site.xml中配置
| <property> <name>dfs.blocksize</name> <value>64m</value> </property>
<property> <name>dfs.replication</name> <value>2</value> </property>
|
hdfs命令行客户端的常用操作命令
- 查看hdfs中的目录信息
hadoop fs -ls /hdfs路径
- 上传文件到hdfs中
hadoop fs -put /本地文件 /aaa
hadoop fs -copyFromLocal /本地文件 /hdfs路径 ## copyFromLocal等价于 put
hadoop fs -moveFromLocal /本地文件 /hdfs路径 ## 跟copyFromLocal的区别是：从本地移动到hdfs中
- 下载文件到客户端本地磁盘
hadoop fs -get /hdfs中的路径 /本地磁盘目录
hadoop fs -copyToLocal /hdfs中的路径 /本地磁盘路径 ## 跟get等价
hadoop fs -moveToLocal /hdfs路径 /本地路径 ## 从hdfs中移动到本地
- 在hdfs中创建文件夹
hadoop fs -mkdir -p /aaa/xxx
- 移动hdfs中的文件（更名）
hadoop fs -mv /hdfs的路径 /hdfs的另一个路径
- 删除hdfs中的文件或文件夹
hadoop fs -rm -r /aaa
- 修改文件的权限
hadoop fs -chown user:group /aaa
hadoop fs -chmod 700 /aaa
- 追加内容到已存在的文件
hadoop fs -appendToFile /本地文件 /hdfs中的文件
- 显示文本文件的内容
hadoop fs -cat /hdfs中的文件
hadoop fs -tail /hdfs中的文件
补充：hdfs命令行客户端的所有命令列表
| Usage: hadoop fs [generic options] [-appendToFile <localsrc> ... <dst>] [-cat [-ignoreCrc] <src> ...] [-checksum <src> ...] [-chgrp [-R] GROUP PATH...] [-chmod [-R] <MODE[,MODE]... | OCTALMODE> PATH...] [-chown [-R] [OWNER][:[GROUP]] PATH...] [-copyFromLocal [-f] [-p] [-l] [-d] <localsrc> ... <dst>] [-copyToLocal [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>] [-count [-q] [-h] [-v] [-t [<storage type>]] [-u] [-x] <path> ...] [-cp [-f] [-p | -p[topax]] [-d] <src> ... <dst>] [-createSnapshot <snapshotDir> [<snapshotName>]] [-deleteSnapshot <snapshotDir> <snapshotName>] [-df [-h] [<path> ...]] [-du [-s] [-h] [-x] <path> ...] [-expunge] [-find <path> ... <expression> ...] [-get [-f] [-p] [-ignoreCrc] [-crc] <src> ... <localdst>] [-getfacl [-R] <path>] [-getfattr [-R] {-n name | -d} [-e en] <path>] [-getmerge [-nl] [-skip-empty-file] <src> <localdst>] [-help [cmd ...]] [-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [<path> ...]] [-mkdir [-p] <path> ...] [-moveFromLocal <localsrc> ... <dst>] [-moveToLocal <src> <localdst>] [-mv <src> ... <dst>] [-put [-f] [-p] [-l] [-d] <localsrc> ... <dst>] [-renameSnapshot <snapshotDir> <oldName> <newName>] [-rm [-f] [-r|-R] [-skipTrash] [-safely] <src> ...] [-rmdir [--ignore-fail-on-non-empty] <dir> ...] [-setfacl [-R] [{-b|-k} {-m|-x <acl_spec>} <path>]|[--set <acl_spec> <path>]] [-setfattr {-n name [-v value] | -x name} <path>] [-setrep [-R] [-w] <rep> <path> ...] [-stat [format] <path> ...] [-tail [-f] <file>] [-test -[defsz] <path>] [-text [-ignoreCrc] <src> ...] [-touchz <path> ...] [-truncate [-w] <length> <path> ...] [-usage [cmd ...]] |
- hdfs的java客户端编程
HDFS客户端编程应用场景：数据采集
在windows开发环境中做一些准备工作：
- 在windows的某个路径中解压一份windows版本的hadoop安装包
- 将解压出的hadoop目录配置到windows的环境变量中：HADOOP_HOME
开发代码
- 将hdfs客户端开发所需的jar导入工程（jar包可在hadoop安装包中找到common/hdfs）
- 写代码
要点：要对hdfs中的文件进行操作，代码中首先需要获得一个hdfs的客户端对象
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000"),conf,"root");
- 利用fs对象的方法进行文件操作
比如：
上传文件—— fs.copyFromLocalFile(new Path("本地路径"),new Path("hdfs的路径"));
下载文件——fs.copyToLocalFile(new Path("hdfs的路径"),new Path("本地路径"))
项目实战
需求描述：
在业务系统的服务器上，业务程序会不断生成业务日志（比如网站的页面访问日志）
业务日志是用log4j生成的，会不断地切出日志文件
需要定期（比如每小时）从业务服务器上的日志目录中，探测需要采集的日志文件(access.log不能采)，发往HDFS
注意点：业务服务器可能有多台(hdfs上的文件名不能直接用日志服务器上的文件名)
当天采集到的日志要放在hdfs的当天目录中
采集完成的日志文件，需要移动到到日志服务器的一个备份目录中
定期检查（一小时检查一次）备份目录，将备份时长超出24小时的日志文件清除
Timer timer = new Timer()
timer.schedual()
- hdfs的核心工作原理
namenode元数据管理要点
- 什么是元数据？
hdfs的目录结构及每一个文件的块信息（块的id，块的副本数量，块的存放位置<datanode>）
- 元数据由谁负责管理？
namenode
- namenode把元数据记录在哪里？
namenode的实时的完整的元数据存储在内存中；
namenode还会在磁盘中（dfs.namenode.name.dir）存储内存元数据在某个时间点上的镜像文件；
namenode会把引起元数据变化的客户端操作记录在edits日志文件中；
| secondarynamenode会定期从namenode上下载fsimage镜像和新生成的edits日志，然后加载fsimage镜像到内存中，然后顺序解析edits文件，对内存中的元数据对象进行修改（整合） 整合完成后，将内存元数据序列化成一个新的fsimage，并将这个fsimage镜像文件上传给namenode
|
| 上述过程叫做：checkpoint操作 提示：secondary namenode每次做checkpoint操作时，都需要从namenode上下载上次的fsimage镜像文件吗？ 第一次checkpoint需要下载，以后就不用下载了，因为自己的机器上就已经有了。 |
补充：secondary namenode启动位置的配置
| 默认值 |
<property> <name>dfs.namenode.secondary.http-address</name> <value>0.0.0.0:50090</value> </property> |
把默认值改成你想要的机器主机名即可
secondarynamenode保存元数据文件的目录配置：
| 默认值 |
<property> <name>dfs.namenode.checkpoint.dir</name> <value>file://${hadoop.tmp.dir}/dfs/namesecondary</value> </property> |
改成自己想要的路径即可：/root/dfs/namesecondary
写数据流程
读数据流程
- mapreduce快速上手
小案例：
统计HDFS的/wordcount/input/a.txt文件中的每个单词出现的次数——wordcount
明白了一点：可以在任何地方运行程序，访问HDFS上的文件并进行统计运算，并且可以把统计的结果写回HDFS的结果文件中；
但是，进一步思考：如果文件又多又大，用上面那个程序有什么弊端？
慢！因为只有一台机器在进行运算处理！
如何变得更快？
核心思想：让我们的运算程序并行在多台机器上执行！
9、mapreduce运行平台YARN
mapreduce程序应该是在很多机器上并行启动，而且先执行map task，当众多的maptask都处理完自己的数据后，还需要启动众多的reduce task，这个过程如果用用户自己手动调度不太现实，需要一个自动化的调度平台——hadoop中就为运行mapreduce之类的分布式运算程序开发了一个自动化调度平台——YARN
安装yarn集群
yarn集群中有两个角色：
主节点：Resource Manager 1台
从节点：Node Manager N台
Resource Manager一般安装在一台专门的机器上
Node Manager应该与HDFS中的data node重叠在一起
修改配置文件：
yarn-site.xml
| <property> <name>yarn.resourcemanager.hostname</name> <value>hdp-04</value> </property>
<property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> |
然后复制到每一台机器上
然后在hdp-04上，修改hadoop的slaves文件，列入要启动nodemanager的机器
然后将hdp-04到所有机器的免密登陆配置好
然后，就可以用脚本启动yarn集群：
sbin/start-yarn.sh
停止：
sbin/stop-yarn.sh
启动完成后，可以在windows上用浏览器访问resourcemanager的web端口：
看resource mananger是否认出了所有的node manager节点
- 运行mapreduce程序
首先，为你的mapreduce程序开发一个提交job到yarn的客户端类（模板代码）：
- 描述你的mapreduce程序运行时所需要的一些信息(比如用哪个mapper、reducer、map和reduce输出的kv类型、jar包所在路径、reduce task的数量、输入输出数据的路径)
- 将信息和整个工程的jar包一起交给yarn
然后，将整个工程（yarn客户端类+ mapreduce所有jar和自定义类）打成jar包
然后，将jar包上传到hadoop集群中的任意一台机器上
最后，运行jar包中的（YARN客户端类）
[root@hdp-04 ~]# hadoop jar wc.jar cn.edu360.hadoop.mr.wc.JobSubmitter
