Hadoop数据分析平台项目实战(基于CDH版本集群部署与安装)

安装步骤:
    a、创建用户，使用hadoop用户，注意自己配置好自己的网络，这点很重要。
        步骤(注意root用户密码):
            1)、使用useradd hadoop添加用户。
            2)、使用passwd hadoop设置用户密码，密码为hadoop;
            3)、给用户赋予使用sudo命令的权限。
            4)、chmod u+w /etc/sudoers。
            5)、vim /etc/sudoers。由于root用户对此文件也没有修改权限，所以先赋予权限，修改完毕再删除权限。
            6)、在root ALL=(ALL)ALL下面加上一行如下所示:
                hadoop ALL=(ALL)ALL。注意，分隔的是制表符。
            7)、chmod u-w /etc/sudoers。
    b、修改主机名以及ssh免密码登陆。
        注意:由于以后操作都是使用hadoop用户，所以必须使用hadoop用户登陆进行免密码配置，但是使用root还不是免密码登陆的。
        步骤(使用hadoop用户登陆):
            1)、使用sudo hostname slaver1修改主机名，当前生效，重启后失效。
            2)、使用sudo vim /etc/sysconfig/network修改主机名，重启生效。
            3)、在sudo vim /etc/hosts文件中添加主机名称对应的ip地址。
                注意，将其他集群的主机名称和对应的Ip地址都添加到三台机器，不然无法ping通。
                192.168.19.131 slaver1
                192.168.19.132 slaver2
                192.168.19.133 slaver3
            4)、使用ssh-keygen -t rsa生成ssh密钥。
                注意:普通用户生成的密钥对是在~/.ssh目录下面,root用户是在/root/.ssh目录下面，一定区分清楚。
            5)、进入.ssh文件夹，创建authorized_keys文件，并且将id_rsa.pub的内容添加到文件中去，修改文件权限为600(必须)
                注意:普通用户是在~/.ssh目录下。root用户是在/root/.ssh目录下面。
                [hadoop@slaver1 .ssh]$ scp authorized_keys slaver2:~/.ssh/
                [hadoop@slaver1 .ssh]$ scp authorized_keys slaver3:~/.ssh/
            6)、ssh slaver1验证是否配置免密码登陆成功。
                ssh slaver2
                ssh slaver3
    c、jdk的安装。
        1)、复制jdk的tar压缩包到/home/hadoop/package文件夹中。
        2)、解压缩操作：
            [hadoop@slaver1 package]$ tar -zxvf jdk-7u79-linux-x64.tar.gz -C /home/hadoop/soft/
        3)、创建软连接(可创建或者不创建，创建软连接，方便记忆)：
            [hadoop@slaver1 package]$ sudo ln -s /home/hadoop/soft/jdk1.7.0_79/ /usr/local/jdk
        4)、配置相关的环境变量:
            针对用户生效:[hadoop@slaver1 package]$ vim ~/.bash_profile
            全局生效(此处使用这个):[hadoop@slaver1 package]$ sudo vim /etc/profile
                在文件最下面添加如下所示内容:
                export JAVA_HOME=/home/hadoop/soft/jdk1.7.0_79
                export PATH=$PATH:$JAVA_HOME/bin
        5)、保存文件，使环境变量生效:
            [hadoop@slaver1 package]$ source /etc/profile
        6)、验证jdk是否安装成功:
            [hadoop@slaver1 package]$ java
            [hadoop@slaver1 package]$ javac
            [hadoop@slaver1 package]$ java -version
            [hadoop@slaver1 package]$ javac -version
    d、hadoop的安装。
        步骤:
            1)、下载hadoop安装包并复制到/home/hadoop/package文件夹中。
            2)、解压缩操作。并创建数据保存文件hdfs。
                [hadoop@slaver1 package]$ tar -zxvf hadoop-2.5.0-cdh5.3.6.tar.gz -C /home/hadoop/soft/
                [hadoop@slaver1 hadoop-2.5.0-cdh5.3.6]$ mkdir hdfs
            3)、配置hadoop-env.sh，mapred-env.sh，yarn-env.sh文件。
                hadoop-env.sh文件修改如下所示:
                    export JAVA_HOME=/home/hadoop/soft/jdk1.7.0_79
                    完全分布式需要指定hadoop的pid路径:
                    export HADOOP_PID_DIR=/home/hadoop/soft/hadoop-2.5.0-cdh5.3.6/hdfs/tmp
                yarn-env.sh文件修改如下所示:    
                    export JAVA_HOME=/home/hadoop/soft/jdk1.7.0_79
                    由于没有默认的，所以手动创建:
                    export YARN_PID_DIR=export HADOOP_MAPRED_PID_DIR=/home/hadoop/soft/hadoop-2.5.0-cdh5.3.6/hdfs/tmp
                mapred-env.sh。
                    export HADOOP_MAPRED_PID_DIR=/home/hadoop/soft/hadoop-2.5.0-cdh5.3.6/hdfs/tmp
            4)、配置基本环境变量core-site.xml文件。
                <configuration>
                <!-- 指定HADOOP所使用的文件系统schema（URI），HDFS的老大（NameNode）的地址,master即是namenode所在的节点机器，9000是端口号，NameNode是为客户提供服务的，NameNode知道每一个文件存在哪一个datanode上面 -->
                        <property>
                                <name>fs.defaultFS</name>
                                <value>hdfs://slaver1:9000</value>
                                <--<value>hdfs://slaver1:8020</value>-->
                        </property>
                        <!-- 指定hadoop运行时产生文件的存储目录 -->
                        <property>
                                <name>hadoop.tmp.dir</name>
                                <value>/home/hadoop/soft/hadoop-2.5.0-cdh5.3.6/hdfs/tmp</value>
                        </property>
                </configuration>
            5)、配置hdfs相关变量hdfs-site.xml文件。
                <configuration>
                    <!-- 指定HDFS副本的数量,副本的数量，避免一个机器宕掉了，数据丢失，默认是3个副本 -->
                    <property>
                        <name>dfs.replication</name>
                        <value>2</value>
                    </property>
                    <property>
                        <name>dfs.namenode.name.dir</name>
                        <value>/home/hadoop/soft/hadoop-2.5.0-cdh5.3.6/hdfs/name</value>
                    </property>
                    <property>
                    <name>dfs.namenode.data.dir</name>
                    <value>/home/hadoop/soft/hadoop-2.5.0-cdh5.3.6/hdfs/data</value>
                    </property>
                    <!-- 指定SecondNameNode在那台机器上面启动 -->
                    <property>
                        <name>dfs.secondary.http.address</name>
                        <value>slaver1:50090</value>
                    </property>
                </configuration>

            6)、配置mapred相关环境变量mapred-site.xml文件。
                复制操作:
                    [hadoop@slaver1 hadoop]$ cp mapred-site.xml.template mapred-site.xml;
                修改内容如下所示:    
                    <configuration>
                    <!-- 指定mr运行在yarn上，即mapreduce运行在yarn上面 -->
                        <property>
                             <name>mapreduce.framework.name</name>
                             <value>yarn</value>
                        </property>

                    </configuration>    
            7)、配置yarn相关环境变量yarn-site.xml文件。
                <configuration>
                    <!-- Site specific YARN configuration properties -->
                    <!-- 指定YARN的老大（ResourceManager）的地址，这个地方主要看自己的机器分配情况，如果是四台机器，这个value值就>是第四台的主机名称哦， -->
                    <property>
                        <name>yarn.resourcemanager.hostname</name>
                        <value>slaver1</value>
                    </property>
                    <!-- reducer获取数据的方式 -->
                    <property>
                        <name>yarn.nodemanager.aux-services</name>
                        <value>mapreduce_shuffle</value>
                    </property>
                </configuration>

            8)、配置datanode相关变量slaves文件。
                slaver2
                slaver3
            9)、配置hadoop相关环境变量。
                export JAVA_HOME=/home/hadoop/soft/jdk1.7.0_79
                export HADOOP_HOME=/home/hadoop/soft/hadoop-2.5.0-cdh5.3.6
                export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
                刷新配置文件:
                    [hadoop@slaver1 hadoop]$ source /etc/profile
                验证是否配置成功:
                    [hadoop@slaver1 hadoop]$ hadoop version
            10)、将slaver1机器上面的hadoop复制到slaver2机器和slaver3机器:
                [hadoop@slaver1 soft]$ scp -r hadoop-2.5.0-cdh5.3.6/ slaver2:/home/hadoop/soft/
                [hadoop@slaver1 soft]$ scp -r hadoop-2.5.0-cdh5.3.6/ slaver3:/home/hadoop/soft/
            11)、hadoop的启动步骤:
                a、第一次启动hadoop之前需要格式化namenode节点，命令为hadoop namenode -format:
                    [hadoop@slaver1 soft]$ hadoop namenode -format
                b、两个方式启动start-all.sh或者start-dfs.sh，start-yarn.sh。
                    [hadoop@slaver1 soft]$ start-all.sh
                    或者:
                    [hadoop@slaver1 soft]$ start-dfs.sh
                    [hadoop@slaver1 soft]$ start-yarn.sh
                c、查看是否启动成功。
                    注意:启动过程中出现slaver1主节点的ResourceManager未启动异常情况，解决方法是在yarn-site.xml文件中修改如下所示，注意，slaver1是主节点的主机名称:
                        <property>
                            <name>yarn.resourcemanager.hostname</name>
                            <value>slaver1</value>
                        </property>
                    验证如下所示，然后查看节点的启动情况，通过jps命令查看hadoop的进程是否启动:
                        [hadoop@slaver1 hadoop]$ jps
                        [hadoop@slaver2 hadoop]$ jps
                        [hadoop@slaver3 hadoop]$ jps
                    网页查看如下所示，查看web界面是否显示正常信息内容:
                        查看分布式文件系统，http://slaver1:50070/
                        查看MapReduce，http://slaver1:8088/
　　　　　　　　　　　 验证hadoop对应的yarn（mapreduce）框架是否启动成功，直接运行hadoop自带的example程序即可；
　　　　　　　　　　　　　　[hadoop@slaver1 hadoop]$ echo "i like learn bigdata!" >> /home/hadoop/data_hadoop/test.txt
　　　　　　　　　　　　　　[hadoop@slaver1 hadoop]$ hadoop dfs -put /home/hadoop/data_hadoop/test.txt /
　　　　　　　　　　　　　　[hadoop@slaver1 hadoop]$ hadoop dfs -ls /
　　　　　　　　　　　　　　[hadoop@slaver1 mapreduce]$ hadoop jar hadoop-mapreduce-examples-2.5.0-cdh5.3.6.jar wordcount /test.txt /output
　　　　　　　　　　　　　　注意:如果上面执行失败或者卡着不动，检查是否是进程宕掉了。
　　　　　　　　　　　　　　[hadoop@slaver1 mapreduce]$ hadoop fs -cat /user/hadoop/output/part-r-00000查看统计的内容；

hadoop的shell命令主要分为两类，一类是启动命令，一类是控制和操作命令(hdfs/mapred/yarn)。其中启动命令位于sbin目录下面，控制和操作命令主要位于bin目录下面。其实最终的启动命令也是调用控制命令来进行集群服务的启动，区别在于启动命令中需要使用ssh的相关命令来控制其他机器启动服务，而控制和操作命令主要是直接调用hadoop提供的服务类接口。
1)、查看hdfs可以跟的命令，查看hadoop可以跟的命令:
    [hadoop@slaver1 mapreduce]$ hdfs    
    [hadoop@slaver1 mapreduce]$ hadoop
2)、hdfs命令(hdfs dfs)，和hadoop命令，显示文件夹的内容:
    [hadoop@slaver1 mapreduce]$ hadoop fs -ls /
    如果递归显示文件夹的内容如下所示-lsr是递归显示:
    [hadoop@slaver1 mapreduce]$ hadoop fs -lsr /
    [hadoop@slaver1 mapreduce]$ hdfs dfs -ls /
    如果递归显示文件夹的内容如下所示-lsr是递归显示:
    [hadoop@slaver1 mapreduce]$ hdfs dfs -ls -R /
    [hadoop@slaver1 mapreduce]$ hdfs dfs -lsr /    
3)、hdfs命令查看命令帮助:
    [hadoop@slaver1 mapreduce]$ hdfs dfs -help ls
4)、hdfs命令，创建文件夹:
    [hadoop@slaver1 mapreduce]$ hdfs dfs -mkdir -p /201804/20180405
    -p参数指定当需要创建文件夹存储，那么不报错，默认情况会报错。另外一个作用就是递归创建文件夹。如果我们给定的路径不是以/开始的，那么表示在当前用户目录下创建文件夹。(默认情况下是没有当前用户目录的，那么就会报错)
5)、hdfs命令，上传文件到HDFS。-put，-copyFromLocal，-moveFromLocal。
    [hadoop@slaver1 data_hadoop]$ hdfs dfs -put test.txt /201804/20180405
    本地路径可以指定文件夹或者多个文件，hdfs上的路径必须是根据上传东西的不同，有不同的要求:
        a、本地指定的是文件夹，那么hdfs如果目录不存在，就新建目录然后将本地文件夹内容copy过去。hdfs目录存在，则将文件夹copy过去。
        b、本地指定的是单个文件，那么要求hdfs上指定的文件不存在。
        c、本地指定的多个文件，那么要求hdfs上指定的文件夹存在。
6)、hdfs命令，下载文件。-get，-copyToLocal，-moveToLocal。
    [hadoop@slaver1 data_hadoop]$ hdfs dfs -get /201804
7)、hdfs命令，查看文件内容:
    [hadoop@slaver1 data_hadoop]$ hdfs dfs -cat /test.txt
    [hadoop@slaver1 data_hadoop]$ hdfs dfs -text /test.txt
    cat命令和text命令都可以查看文件内容，但是他们的内置机制不一样，cat是copy文件内容，然后显示。text是通过hadoop解析将文件内容转换为文本内容，然后再显示。cat命令只适合看一半的文本文件，而text命令可以看出所有文件。
8)、hdfs命令删除文件。
    [hadoop@slaver1 data_hadoop]$ hdfs dfs -rm -R /201804
    [hadoop@slaver1 data_hadoop]$ hdfs dfs -rmdir /201804/20180405
    区别:rm和rmdir的区别主要是，rm可以删除任何文件/文件夹。rmdir只能删除空的文件夹。
9)、hdfs命令，fsck命令。
    fsck命令是检测hdfs磁盘文件是否有丢失备份异常等信息，可以查看到具体的文件是否处于健康情况，执行命令为hdfs -fsck 文件路径。
    [hadoop@slaver1 data_hadoop]$ hdfs fsck /201804
    [hadoop@slaver1 data_hadoop]$ hdfs fsck -help    
10)、hdfs命令，dfsadmin命令汇报集群信息。
    a、参数-report
        可以通过该命令查看集群的基本信息，包括总磁盘大小，剩余磁盘大小，丢失块个数等总的集群信息。
        [hadoop@slaver1 data_hadoop]$ hdfs dfsadmin -report
    b、参数-safemode<enter | leave | get | wait>
        当集群中的文件备份出现丢失的时候，可能会进行安全模式。安全模式是指当集群处于该状态下，hdfs解决文件IO操作。我们可以通过该命令强制离开安全模式。
        [hadoop@slaver1 data_hadoop]$ hdfs dfsadmin -safemode get
11)、hdfs命令，-namenode命令
    namenode命令是hadoop提供的操作NN节点的shell命令入口，包括NN节点的格式化，NN节点升级，NN节点回滚，NN节点启动等操作。查看帮助信息:hdfs namenode -h；
    [hadoop@slaver1 data_hadoop]$ hdfs namenode -h    
12)、hadoop命令
    hadoop命令主要是将hdfs，yarn，mapred全部命令进行一个整合，实际生活中一般情况下主要使用hadoop命令来进行job的管理到多个集群之间的数据复制文件。常用命令主要有:
        a、job,job声明周期管理，包括提交，查看状态，kill等等。
            [hadoop@slaver1 data_hadoop]$ hadoop job
            该命令主要是根据我们控制job声明周期的接口。我们可以通过该命令提交job，查看我们提交job的运行情况，杀死我们提交的job，也可以删除job运行中的某个具体task;
            
        b、distcp，多集群间数据复制。
        c、version，查看hadoop版本信息。

a、hdfs是hadoop提供的基于分布式的文件存储系统。全称为hadoop distributed file system。主要是由namenode，datanode两类节点构成，其中namenode节点的主要功能是管理系统的元数据，负责管理文件系统的命令空间，记录文件数据块在datanode节点上面的位置和副本信息，协调客户端对文件系统的访问，以及记录命名空间的改动和本身属性的变动。datanode节点的主要功能就是负责节点所在物理节点上的存储管理。
b、MapReduce(YARN)是hadoop提供的一种处理海量数据的并行编程模型和计算框架，用于对大规模的数据进行并行计算。主要由resourcemanager和nodemanager两类节点构成。其中resourcemanager主要负责集群资源管理，nodemanager负责节点的资源管理。初次之外，当运行mapreduce任务的时候，会产生ApplicationMaster和Container,其中ApplicationMaster负责向resourcemanager节点进行资源的申请并控制任务的执行，Container是最基本的资源单位。MapReduce的map和reduce均是其之上进行的。

a、Hbase是建立在hdfs之上的一个提供可靠性，高性能，列存储，可伸缩，实时读写的数据库系统。是一种介于nosql和RDBMS之间的一种数据库系统，仅支持通过rowkey和range进行数据的检索，主要存储非结构化数据和半结构化数据。Hbase的目标是通过横向扩展，添加普通机器来增加存储性能和计算性能。Hbase的特点，大（一个表可以有上亿行以及百万级的行），面向列存储，稀疏（由于null不占用存储空间，所有表结构可以设计的非常稀疏）
b、Hbase使用zookeeper进行集群的节点管理，当然hbase自身集成了一个zk系统，不过一般情况下在实际成产环境中不使用。Hbase由master,进程是hmaster和regionserver,进程是hregionserver两类节点（如果使用hbase自带的zk服务,那么还有HQuorumPeer进程）。Hbase支持提供backup master进行master备份。其中节点负责和zk进行通信以及存储regionserver的相关位置信息，regionserver节点实现具体对数据的操作，最终数据存储在hdfs上。
c、Hbase的安装:
　 1）、hbase存在三种安装方式，一种是独立模式，基本不用，第二种是分布式模式（继承zookeeper），第三种是分布式模式（独立zookeeper）。
   2）、hbase的下载地址如下所示：http://archive.cloudera.com/cdh5/cdh/5/。
　 3）、hbase的安装参考如下所示：http://www.cnblogs.com/biehongli/p/7729135.html。
　 4）、在hbase的根目录下创建一个文件夹hbase来存储临时文件和pid等等。默认是tmp目录。
   5）、创建到hdfs-site.xml的软连接或者配置连接hdfs的配置信息。然后将hbase的相关信息添加到环境变量中。
   6）、可以查看hbase是否安装成功:[hadoop@slaver1 bin]$ hbase version。
   7）、验证hbase的三种方式:第一种，jps查看是否有Hbase的进程启动,HMaster,HRegionServer。第二种，web界面查看是否启动http://192.168.19.131:60010/。第三种，shell命令客户端查看是否启动成功。[hadoop@slaver1 conf]$ hbase shell
d、zookeeper的安装和部署:
　　1)、将zookeeper-3.4.5-cdh5.3.6.tar.gz上传到虚拟机，进行解压缩操作,具体类比参考：http://www.cnblogs.com/biehongli/p/7650570.html
　　　　也可以在线下载，如果网络可以的话。命令如下所示：
　　　　[hadoop@slaver1 script_hadoop]$ wget http://archive.cloudera.com/cdh5/cdh/5/zookeeper-3.4.5-cdh5.3.6.tar.gz