10分钟大数据Hadoop基础入门

IT派

发布于 2018-08-10 14:42:32

5230

发布于 2018-08-10 14:42:32

文章被收录于专栏：IT派IT派

前言

目前人工智能和大数据火热，使用的场景也越来越广，日常开发中前端同学也逐渐接触了更多与大数据相关的开发需求。因此对大数据知识也有必要进行一些学习理解。

基础概念

大数据的本质

一、数据的存储：分布式文件系统（分布式存储）二、数据的计算：分部署计算

基础知识

学习大数据需要具备Java知识基础及Linux知识基础

学习路线

（1）Java基础和Linux基础（2）Hadoop的学习：体系结构、原理、编程第一阶段：HDFS、MapReduce、HBase（NoSQL数据库）第二阶段：数据分析引擎 -> Hive、Pig

数据采集引擎 -> Sqoop、Flume

第三阶段：HUE：Web管理工具

ZooKeeper：实现Hadoop的HA Oozie：工作流引擎

（3）Spark的学习

第一阶段：Scala编程语言第二阶段：Spark Core -> 基于内存、数据的计算第三阶段：Spark SQL -> 类似于mysql 的sql语句第四阶段：Spark Streaming ->进行流式计算：比如：自来水厂

（4）Apache Storm 类似：Spark Streaming ->进行流式计算

NoSQL：Redis基于内存的数据库

HDFS

分布式文件系统解决以下问题：

1、硬盘不够大：多几块硬盘，理论上可以无限大 2、数据不够安全：冗余度，hdfs默认冗余为3 ，用水平复制提高效率，传输按照数据库为单位：Hadoop1.x 64M，Hadoop2.x 128M

管理员：NameNode 硬盘：DataNode

MapReduce

基础编程模型：把一个大任务拆分成小任务，再进行汇总 MR任务：Job = Map + Reduce Map的输出是Reduce的输入、MR的输入和输出都是在HDFS

MapReduce数据流程分析：

Map的输出是Reduce的输入，Reduce的输入是Map的集合

HBase

什么是BigTable？: 把所有的数据保存到一张表中，采用冗余 ---> 好处：提高效率

1、因为有了bigtable的思想：NoSQL：HBase数据库 2、HBase基于Hadoop的HDFS的 3、描述HBase的表结构核心思想是：利用空间换效率

Hadoop环境搭建

环境准备

Linux环境、JDK、http://mirrors.shu.edu.cn/apache/hadoop/common/hadoop-3.0.0/hadoop-3.0.0-src.tar.gz

安装

1、安装jdk、并配置环境变量

vim /etc/profile 末尾添加

2、解压hadoop-3.0.0.tar.gz、并配置环境变量

tar -zxvf hadoop-3.0.0.tar.gz -C /usr/local/ mv hadoop-3.0.0/ hadoop

vim /etc/profile 末尾添加

配置

Hadoop有三种安装模式：

本地模式： 1台主机不具备HDFS，只能测试MapReduce程序伪分布模式： 1台主机具备Hadoop的所有功能，在单机上模拟一个分布式的环境（1）HDFS：主：NameNode，数据节点：DataNode （2）Yarn：容器，运行MapReduce程序主节点：ResourceManager 从节点：NodeManager 全分布模式：至少3台

我们以伪分布模式为例配置：

修改hdfs-site.xml：冗余度1、权限检查false

<property> <name>dfs.replicationname> <value>1value>property><property> <name>dfs.permissionsname> <value>falsevalue>property>

修改core-site.xml

<property> <name>fs.defaultFSname> <value>hdfs://192.168.56.102:9000value>property><property> <name>hadoop.tmp.dirname> <value>/usr/local/hadoop/tmpvalue>property>

修改mapred-site.xml

<property> <name>mapreduce.framework.namename> <value>yarvalue>property><property> <name>yarn.app.mapreduce.am.envname> <value>HADOOP_MAPRED_HOME=/usr/local/hadoopvalue>property><property> <name>mapreduce.map.envname> <value>HADOOP_MAPRED_HOME=/usr/local/hadoopvalue>property><property> <name>mapreduce.reduce.envname> <value>HADOOP_MAPRED_HOME=/usr/local/hadoopvalue>property><property> <name>mapreduce.application.classpathname> <value> /usr/local/hadoop/etc/hadoop, /usr/local/hadoop/share/hadoop/common/*, /usr/local/hadoop/share/hadoop/common/lib/*, /usr/local/hadoop/share/hadoop/hdfs/*, /usr/local/hadoop/share/hadoop/hdfs/lib/*, /usr/local/hadoop/share/hadoop/mapreduce/*, /usr/local/hadoop/share/hadoop/mapreduce/lib/*, /usr/local/hadoop/share/hadoop/yarn/*, /usr/local/hadoop/share/hadoop/yarn/lib/*, value> property>

修改yarn-site.xml

<property> <name>yarn.resourcemanager.hostnamename> <value>192.168.56.102value>property><property> <name>yarn.nodemanager.aux-servicename> <value>mapreduce_shufflevalue>property>

格式化NameNode

hdfs namenode -format

看到

common.Storage: Storage directory /usr/local/hadoop/tmp/dfs/name has been successfully formatted

表示格式化成功

启动

start-all.sh (*)HDFS：存储数据 (*)YARN：

访问

（*）命令行（*）Java Api （*）WEB Console HDFS: http://192.168.56.102:50070 Yarn: http://192.168.56.102:8088

查看HDFS管理界面和yarn资源管理系统

基本操作：

HDFS相关命令

-mkdir 在HDFD创建目录 hdfs dfs -mkdir /data -ls 查看目录 hdfs dfs -ls -ls -R 查看目录与子目录 hdfs dfs -ls -R -put 上传一个文件 hdfs dfs -put data.txt /data/input -copyFromLocal 上传一个文件与-put一样 -moveFromLocal 上传一个文件并删除本地文件 -copyToLocal 下载文件 hdfs dfs -copyTolocal /data/input/data.txt -put 下载文件 hdfs dfs -put/data/input/data.txt -rm 删除文件 hdfs dfs -rm -getmerge 将目录所有文件先合并再下载 -cp 拷贝 -mv 移动 -count 统计目录下的文件个数 -text、-cat 查看文件 -balancer 平衡操作