java大資料最全課程學習筆記(1)--Hadoop簡介和安裝及偽分散式
Hadoop簡介和安裝及偽分散式
大資料概念
大資料概論
大資料(Big Data): 指無法在一定時間範圍內用常規軟體工具進行捕捉,管理和處理的資料集合,是需要新處理模式才能具有更強的決策力,洞察發現力和流程優化能力的海量,高增長率和多樣化的資訊資產.
- 主要解決海量資料的儲存和海量資料的分析計算問題.
按順序給出資料儲存單位:bit,Byte,KB,MB,GB,TB,PB,EB,ZB,YB,BB,NB,DB.
1Byte =8bit 1KB=1024Byte 1MB=1024KB 1GB=1024MB 1TB=1024GB 1PB=1024TB
大資料特點(4V)
Volume(大量):
截至目前,人類生產的所有印刷材料的資料量是200PB
,而歷史上全人類總共說過的話的資料量大約是5EB.當前,典型個人計算機硬碟的容量為TB量級,而一些大企業的資料量已經接近EB量級.Vekocity(高速):
這是大資料區分於傳統資料探勘的最顯著特徵.根據IDC的"數字宇宙"的報告,預計到2020年,全球資料使用量將達到35.2ZB.在如此海量的資料面前,處理資料的效率就是企業的生命.
Variety(多樣):
這種型別的多樣性也讓資料被分為結構化資料和非結構化資料.相對於以往便於儲存的以資料庫/文字為主的結構化資料,非結構化資料越來越多,包括網路日誌,音訊,視訊,圖片,地理位置資訊等,這些多型別的資料對資料的處理能力提出了更高要求.
Value(低價值密度):
價值密度的高低與資料總量的大小成反比.如何快速對有價值資料"提純"成為目前大資料背景下待解決的難題.
大資料部門組織結構
大資料部門組織結構,適用於大中型企業.
從Hadoop框架討論大資料生態
Hadoop是什麼
hadoop的初衷是採用大量的廉價機器,組成一個叢集!完成大資料的儲存和計算!
Hadoop三大發行版本
Hadoop三大發行版本：Apache、Cloudera、Hortonworks。
Apache版本最原始（最基礎）的版本，對於入門學習最好。
Cloudera在大型網際網路企業中用的較多。
Hortonworks檔案較好。
Hadoop的優勢(4高)
高可靠性
Hadoop底層維護多個資料副本,所以即使Hadoop某個計算元素或儲存出現故障,也不會導致資料的丟失.
高擴充套件性
在叢集間分配任務資料,可方便的擴充套件數以千計的節點.
高效性
在MapReduce的思想下,Hadoop是並行工作的,以加快任務處理速度.
高容錯性
能夠自動將失敗的任務重新分配
Hadoop組成(面試重點)
- Hadoop1.x
- HDFS: 負責大資料的儲存
- common: HDFS和MR共有的常用的工具包模組
- MapReduce: 負責計算,負責計算資源的申請的排程
- 完成大資料的計算
- 寫程式.程式需要複合計算框架的要求
- java-->main-->執行
- MapReduce(程式設計模型)-->Map-->Reducer
- 執行程式.申請計算資源(CPU+記憶體,磁碟IO,網路IO)
- java-->JVM-->os-->申請計算資源
- 1.x: MapReduce(程式設計模型)-->JobTracker-->JVM-->申請計算資源
- 2.x: MapReduce(程式設計模型)-->jar-->執行時,將jar包中的任務,提交給YARN,和YARN進行通訊
- 由YARN中的元件-->JVM-->申請計算資源
- 寫程式.程式需要複合計算框架的要求
- 1.x和2.x的區別是將資源排程和管理進行分離!由統一的資源排程平臺YARN進行大資料計算資源的排程!提升了Hadoop的通用性!Hadoop搭建的叢集中的計算資源,不僅可以執行Hadoop中的MR程式!也可以執行其他計算框架的程式!
- 由於MR的低效性,出現了許多更為高效的計算框架!例如:Tez,Storm,Spark,Flink
HDFS架構概述
HDFS: 負責大資料的儲存
核心程式(必須程式):
NameNode(1個):儲存檔案的元資料.如檔名,檔案目錄結構,檔案屬性(生成時間,副本數,檔案許可權),以及每個檔案的塊列表和塊所在的DataNode等.
職責
接收客戶端的請求!
接收DN的請求!
向DN分配任務!
DataNode(N個):在本地檔案系統儲存檔案塊資料,以及塊資料的校驗和.
職責
負責接收NN分配的任務!
負責資料塊(block)的管理(讀,寫)!
可選程式:
- Secondary Namenode(N個):用來監控HDFS狀態的輔助後臺程式,每隔一段時間獲取HDFS元資料的快照.
MapReduce架構概述
MapReduce將計算過程分為兩個階段：Map和Reduce
Map階段並行處理輸入資料
Reduce階段對Map結果進行彙總
- MapReduce(程式設計規範): 程式中有Map(簡單處理)和Reducer(合併)
- 遵循MapReduce的程式設計規範編寫的程式打包後,被稱為一個Job(任務)
- Job需要提交到YARN上,向YARN申請計算資源,執行Job中的Task(程式)
- Job會先建立一個進行MRAppMaster(mapReduce應用管理者),由MRMaster向YARN申請資源!MRAppMaster負責監控Job中各個Task執行情況,進行容錯管理!
YARN架構概述
YARN負責叢集中所有計算資源的管理和排程
常見程式
ResourceManager(1個): 負責整個叢集所有資源的管理！
職責
負責接受客戶端的提交Job的請求！
負責向NM分配任務！
負責接受NM上報的資訊！
NodeManager(N個): 負責單臺計算機所有資源的管理！
職責
負責和RM進行通訊，上報本機中的可用資源！
負責領取RM分配的任務！
負責為Job中的每個Task分配計算資源！
Container（容器）
NodeManager為Job的某個Task分配了2個CPU和2G記憶體的計算資源！
為了防止當前Task在使用這些資源期間，被其他的task搶佔資源！
將計算資源，封裝到一個Container中，在Container中的資源，會被暫時隔離！無法被其他程式所搶佔！
當前Task執行結束後，當前Container中的資源會被釋放！允許其他task來使用！
大資料技術生態體系
圖中涉及的技術名詞解釋如下：
Sqoop：Sqoop是一款開源的工具，主要用於在Hadoop、Hive與傳統的資料庫(MySql)間進行資料的傳遞，可以將一個關係型資料庫（例如 ：MySQL，Oracle 等）中的資料導進到Hadoop的HDFS中，也可以將HDFS的資料導進到關係型資料庫中。
Flume：Flume是Cloudera提供的一個高可用的，高可靠的，分散式的海量日誌採集、聚合和傳輸的系統，Flume支援在日誌系統中定製各類資料傳送方，用於收集資料；同時，Flume提供對資料進行簡單處理，並寫到各種資料接受方（可定製）的能力。
Kafka：Kafka是一種高吞吐量的分散式釋出訂閱訊息系統，有如下特性：
- 通過O(1)的磁碟資料結構提供訊息的持久化，這種結構對於即使數以TB的訊息儲存也能夠保持長時間的穩定效能。
- 高吞吐量：即使是非常普通的硬體Kafka也可以支援每秒數百萬的訊息。
- 支援通過Kafka伺服器和消費機叢集來分割槽訊息。
- 支援Hadoop並行資料載入。
Storm：Storm用於“連續計算”，對資料流做連續查詢，在計算時就將結果以流的形式輸出給使用者。
Spark：Spark是當前最流行的開源大資料記憶體計算框架。可以基於Hadoop上儲存的大資料進行計算。
Oozie：Oozie是一個管理Hdoop作業（job）的工作流程排程管理系統。
Hbase：HBase是一個分散式的、面向列的開源資料庫。HBase不同於一般的關係資料庫，它是一個適合於非結構化資料儲存的資料庫。
Hive：Hive是基於Hadoop的一個資料倉儲工具，可以將結構化的資料檔案對映為一張資料庫表，並提供簡單的SQL查詢功能，可以將SQL語句轉換為MapReduce任務進行執行。 其優點是學習成本低，可以通過類SQL語句快速實現簡單的MapReduce統計，不必開發專門的MapReduce應用，十分適合資料倉庫的統計分析。
R語言：R是用於統計分析、繪圖的語言和操作環境。R是屬於GNU系統的一個自由、免費、原始碼開放的軟體，它是一個用於統計計算和統計製圖的優秀工具。
Mahout：Apache Mahout是個可擴充套件的機器學習和資料探勘庫。
ZooKeeper：Zookeeper是Google的Chubby一個開源的實現。它是一個針對大型分散式系統的可靠協調系統，提供的功能包括：配置維護、名字服務、 分散式同步、組服務等。ZooKeeper的目標就是封裝好複雜易出錯的關鍵服務，將簡單易用的介面和效能高效、功能穩定的系統提供給使用者。
Hadoop執行環境搭建(開發重點)
虛擬機器器環境準備
克隆虛擬機器器
修改克隆虛擬機器器的靜態IP
修改主機名
關閉防火牆
建立atguigu使用者
useradd atguigu
passwd atguigu
配置atguigu使用者具有root許可權(詳見大資料技術之Linux)
vim /etc/sudoers
- 找到root所在的位置,加入atguigu ALL=(ALL) NOPASSWD: ALL
root ALL=(ALL) ALL
atguigu ALL=(ALL) NOPASSWD: ALL在/opt目錄下建立檔案
sudo mkdir module
sudo mkdir soft
- 將/opt目錄下建立的soft目錄和module目錄的所屬主修改為atguigu
sudo chown -R atguigu:atguigu /opt/soft /opt/module
安裝JDK
安裝過程(略)
配置JDK環境變數
vim /etc/profile
- Shift+G到最後一行新增
JAVA_HOME=/opt/module/jdk1.8.0_121
PATH=$PATH:$JAVA_HOME/bin
export JAVA_HOME PATH
- wq儲存退出後,讓修改後的檔案生效
source /etc/profile
- 測試JDK是否安裝成功
java -version
java version "1.8.0_144"
安裝Hadoop
安裝過程(略)
將Hadoop新增到環境變數
最後檔案內容為:
JAVA_HOME=/opt/module/jdk1.8.0_121
HADOOP_HOME=/opt/module/hadoop-2.7.2
PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
export JAVA_HOME PATH HADOOP_HOME
Hadoop目錄結構
- 檢視Hadoop目錄結構
重要目錄
- bin目錄：存放對Hadoop相關服務（HDFS,YARN）進行操作的指令碼
- etc目錄：Hadoop的配置檔案目錄，存放Hadoop的配置檔案
- lib目錄：存放Hadoop的本地庫（對資料進行壓縮解壓縮功能）
- sbin目錄：存放啟動或停止Hadoop相關服務的指令碼
- share目錄：存放Hadoop的依賴jar包、檔案、和官方案例
Hadoop執行模式
Hadoop執行模式包括：本地模式、偽分散式模式以及完全分散式模式。
Hadoop官方網站：http://hadoop.apache.org/
本地執行模式
官方Grep案例
- 建立在hadoop-2.7.2檔案下面建立一個input資料夾
[[email protected] hadoop-2.7.2]$ mkdir input
- 將Hadoop的xml配置檔案複製到input
[[email protected] hadoop-2.7.2]$ cp etc/hadoop/*.xml input
- 執行share目錄下的MapReduce程式
[[email protected] hadoop-2.7.2]$ bin/hadoop jar
share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output 'dfs[a-z.]+'
- 檢視輸出結果
[[email protected] hadoop-2.7.2]$ cat output/*
官方WordCount案例
- 建立在hadoop-2.7.2檔案下面建立一個wcinput資料夾
[[email protected] hadoop-2.7.2]$ mkdir wcinput
- 在wcinput檔案下建立一個wc.input檔案
[[email protected] hadoop-2.7.2]$ cd wcinput
[[email protected] wcinput]$ touch wc.input
- 編輯wc.input檔案
[[email protected] wcinput]$ vi wc.input
- 在檔案中輸入如下內容
hadoop yarn
hadoop mapreduce
atguigu
atguigu
- 儲存退出：：wq
回到Hadoop目錄/opt/module/hadoop-2.7.2
執行程式
[[email protected] hadoop-2.7.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount wcinput wcoutput
檢視結果
1.命令檢視
[[email protected] hadoop-2.7.2]$ cat wcoutput/part-r-00000
atguigu 2
hadoop 2
mapreduce 1
yarn 1
2.瀏覽器檢視
偽分散式執行模式
啟動HDFS並執行MapReduce程式
分析
配置叢集
啟動、測試叢集增、刪、查
執行WordCount案例
執行步驟
配置叢集
配置: hadoop-env.sh
Linux系統中獲取JDK的安裝路徑：
[[email protected] hadoop101 ~]# echo $JAVA_HOME
/opt/module/jdk1.8.0_144
修改JAVA_HOME 路徑：
export JAVA_HOME=/opt/module/jdk1.8.0_144
配置: core-site.xml
<!-- 指定HDFS中NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://mypc:9000</value>
</property>
<!-- 指定Hadoop執行時產生檔案的儲存目錄 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/opt/module/hadoop-2.7.2/data/tmp</value>
</property>
配置: hdfs-site.xml
<!-- 指定HDFS副本的數量 -->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
啟動叢集
格式化NameNode（第一次啟動時格式化，以後就不要總格式化）
[email protected] hadoop-2.7.2]$ bin/hdfs namenode -format
啟動NameNode
[[email protected] hadoop-2.7.2]$ sbin/hadoop-daemon.sh start namenode
啟動DataNode
[[email protected] hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode
檢視叢集
檢視是否啟動成功
[[email protected] hadoop-2.7.2]$ jps
13586 NameNode
13668 DataNode
13786 Jps
注意：jps是JDK中的命令，不是Linux命令。不安裝JDK不能使用jps
web端檢視HDFS檔案系統
檢視產生的Log日誌
說明：在企業中遇到Bug時，經常根據日誌提示資訊去分析問題、解決Bug。
當前目錄：/opt/module/hadoop-2.7.2/logs
[[email protected] logs]$ ls
hadoop-atguigu-datanode-hadoop.atguigu.com.log
hadoop-atguigu-datanode-hadoop.atguigu.com.out
hadoop-atguigu-namenode-hadoop.atguigu.com.log
hadoop-atguigu-namenode-hadoop.atguigu.com.out
SecurityAuth-root.audit
[[email protected] logs]# cat hadoop-atguigu-datanode-hadoop101.log
思考：為什麼不能一直格式化NameNode，格式化NameNode，要注意什麼？
[[email protected] hadoop-2.7.2]$ cd data/tmp/dfs/name/current/
[[email protected] current]$ cat VERSION
clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837 [[email protected] hadoop-2.7.2]$ cd data/tmp/dfs/data/current/
clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837
注意：格式化NameNode，會產生新的叢集id,導致NameNode和DataNode的叢集id不一致，叢集找不到已往資料。所以，格式NameNode時，一定要先刪除data資料和log日誌，然後再格式化NameNode。
操作叢集
- 在HDFS檔案系統上建立一個input資料夾
[[email protected] hadoop-2.7.2]$ bin/hdfs dfs -mkdir -p /user/atguigu/input
- 將測試檔案內容上傳到檔案系統上
[[email protected] hadoop-2.7.2]$bin/hdfs dfs -put wcinput/wc.input /user/atguigu/input/
- 檢視上傳的檔案是否正確
[[email protected] hadoop-2.7.2]$ bin/hdfs dfs -ls /user/atguigu/input/
[[email protected] hadoop-2.7.2]$ bin/hdfs dfs -cat /user/atguigu/ input/wc.input
- 執行MapReduce程式
[[email protected] hadoop-2.7.2]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/input/ /user/atguigu/output
檢視輸出結果
命令列檢視:
[[email protected] hadoop-2.7.2]$ bin/hdfs dfs -cat /user/atguigu/output/*
瀏覽器檢視:
- 將測試檔案內容下載到本地
[[email protected] hadoop-2.7.2]$ hdfs dfs -get /user/atguigu/output/part-r-00000 ./wcoutput/
- 刪除輸出結果
[[email protected] hadoop-2.7.2]$ hdfs dfs -rm -r /user/atguigu/output
YARN上執行MapReduce 程式
分析
- 配置叢集YARN上執行
- 啟動、測試叢集增、刪、查
- 在YARN上執行WordCount案例
執行步驟
配置叢集
配置yarn-env.sh
配置一下JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_144
配置yarn-site.xml
<!-- reducer獲取資料的方式 -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!-- 指定YARN的ResourceManager的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hadoop101</value>
</property>
配置：mapred-env.sh
配置一下JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_144
配置： (對mapred-site.xml.template重新命名為) mapred-site.xml
[[email protected] hadoop]$ mv mapred-site.xml.template mapred-site.xml
[[email protected] hadoop]$ vi mapred-site.xml
<!-- 指定MR執行在YARN上 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
啟動叢集
啟動前必須保證NameNode和DataNode已經啟動
啟動ResourceManager
[[email protected] hadoop-2.7.2]$ sbin/yarn-daemon.sh start resourcemanager
啟動NodeManager
[[email protected] hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager
叢集操作
YARN的瀏覽器頁面檢視
2. 刪除檔案系統上的output檔案
```shell
[[email protected] hadoop-2.7.2]$ bin/hdfs dfs -rm -R /user/atguigu/output
```
3. 執行MapReduce程式
```shell
[[email protected] hadoop-2.7.2]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/input /user/atguigu/output
```
4. 檢視執行結果
```shell
[[email protected] hadoop-2.7.2]$ bin/hdfs dfs -cat /user/atguigu/output/*
```
配置歷史伺服器
為了檢視程式的歷史執行情況，需要配置一下歷史伺服器
- 配置mapred-site.xml
[[email protected] hadoop]$ vi mapred-site.xml
在該檔案裡面增加如下配置
<property>
<name>mapreduce.jobhistory.address</name>
<value>mypc:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>mypc:19888</value>
</property>
<!--第三方框架使用yarn計算的日誌聚集功能 -->
<property>
<name>yarn.log.server.url</name>
<value>http://mypc:19888/jobhistory/logs</value>
</property>
啟動歷史伺服器
[[email protected] hadoop-2.7.2]$ sbin/mr-jobhistory-daemon.sh start historyserver
檢視歷史伺服器是否啟動
[email protected] hadoop-2.7.2]$ jps
檢視JobHistory
配置日誌的聚集
日誌聚集概念：應用執行完成以後，將程式執行日誌資訊上傳到HDFS系統上。
日誌聚集功能好處：可以方便的檢視到程式執行詳情，方便開發除錯。
注意：開啟日誌聚集功能，需要重新啟動NodeManager 、ResourceManager和HistoryManager。
- 開啟日誌聚集功能具體步驟如下：
配置yarn-site.xml
[[email protected] hadoop]$ vi yarn-site.xml
在該檔案裡面增加如下配置
<!-- 日誌聚集功能使能 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 日誌保留時間設定7天 -->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
關閉NodeManager 、ResourceManager和HistoryManager
[[email protected] hadoop-2.7.2]$ sbin/yarn-daemon.sh stop resourcemanager
[[email protected] hadoop-2.7.2]$ sbin/yarn-daemon.sh stop nodemanager
[[email protected] hadoop-2.7.2]$ sbin/mr-jobhistory-daemon.sh stop historyserver
啟動NodeManager 、ResourceManager和HistoryManager
[[email protected] hadoop-2.7.2]$ sbin/yarn-daemon.sh start resourcemanager
[[email protected] hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager
[[email protected] hadoop-2.7.2]$ sbin/mr-jobhistory-daemon.sh start historyserver
刪除HDFS上已經存在的輸出檔案
[[email protected] hadoop-2.7.2]$ bin/hdfs dfs -rm -R /user/atguigu/output
執行WordCount程式
[[email protected] hadoop-2.7.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/input /user/atguigu/output
- 我wc1裡有檔案,wc3不存在
- 所以我執行了一個簡單的測試命令
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /wc1 /wc3
檢視日誌
配置檔案說明及其他注意事項
配置檔案說明
Hadoop配置檔案分兩類：預設配置檔案和自定義配置檔案，只有使用者想修改某一預設配置值時，才需要修改自定義配置檔案，更改相應屬性值。
預設配置檔案
要獲取的預設檔案 檔案存放在Hadoop的jar包中的位置 [core-default.xml] hadoop-common-2.7.2.jar/ core-default.xml [hdfs-default.xml] hadoop-hdfs-2.7.2.jar/ hdfs-default.xml [yarn-default.xml] hadoop-yarn-common-2.7.2.jar/ yarn-default.xml [mapred-default.xml] hadoop-mapreduce-client-core-2.7.2.jar/ mapred-default.xml 自定義配置檔案
core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四個配置檔案存放在$HADOOP_HOME/etc/hadoop這個路徑上，使用者可以根據專案需求重新進行修改配置。
其他注意事項
本次學習使用的虛擬機器器系統是centOS6.8,和生產環境普遍使用的centOS7.X的部分命令有差異,請注意識別!
在Hadoop中啟動多種不同型別的程式.例如NN,DN，RM,NM，這些程式需要進行通訊！在通訊時，常用主機名進行通訊！
在192.168.1.100機器上的DN程式，希望訪問192.168.1.104機器的NN程式！需要在叢集的每臺機器上，配置叢集中所有機器的host對映！
配置：
Linux: /etc/hosts
Windows： C:\Windows\System32\drivers\etc\hosts不配報錯：DNS對映異常，HOST對映異常
Linux配置完hosts檔案後一定要重啟網路配置!!!
service network restart
注意許可權
- hadoop框架在執行需要產生很多資料(日誌)，資料的儲存目錄，必須讓當前啟動hadoop程式的使用者擁有寫許可權！
關閉防火牆，設定開機不自啟動
service iptables stop
chkconfig iptables offHDFS的執行模式的引數設定
fs.defaultFS在core-default.xml中！
本地模式(在本機上使用HDFS，使用的就是本機的檔案系統)
fs.defaultFS=file:///(預設)
分散式模式
fs.defaultFS=hdfs://
提交任務的命令
hadoop jar jar包 主類名 引數{多個輸入目錄，一個輸出目錄}
輸入目錄中必須全部是檔案！
輸出目錄必須不存在！