二：大数据简介

数据(data)是事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的的原始素材。
数据可以是连续的值，比如声音、图像，称为模拟数据。也可以是离散的，如符号、文字,称为数字数据。

数据的分类

从结构上可以分为
- 结构化数据：如：二维表
- 半结构化数据：如：xml、html、css
- 非结构数据:如：图片、音频、视频等

数据的来源

• 企业自己的业务数据
• 网上爬虫爬来的数据
• 从第三方处买数据
  

数据的处理（1）字段缺失处理（2）敏感数据脱敏大数据的特点数据量大种类多速度快价值高

价值密度低，但是整体价值高

大数据的几个概念集群

很多机器共同完成一个任务，我们将这多台机器叫做集群。每一个机器叫做节点。

分布式

一个任务被分成多个小人物。每个机器只负责一个小任务，这个任务的执行就是分布式执行的。

分布式数据库：一个数据库被分成多个部分分别存储在多个机器上分布式文件系统：一个文件被划分为多个文件，分布式存储在不同的节点上分布式计算系统：一计算任务被分成多个小任务，在多台机器上执行。每台机器只负责一部分的执行负载均衡

同一个集群中的每个节点分担的任务相当，这与机器的硬件配置有关，无法做到绝对的负载均衡。

三：Hadoop背景来源

谷歌公司为自己的搜索引擎实现了海量数据存储和计算，但是并没有开源。2003年以GFS（海量数据的计算问题）-MAPREDUCE（海量数据的计算问题）-BIGTABLE（快速查询的问题）三篇论文的形式发表。doug cutting发现google的三篇论文，将这三篇论文用java实现了一遍。分别用HDFS ，MAPREDUCE，hbase来海量解决存储、计算、查询问题。之后他贡献给apache基金会，doug cutting本人也被挖到yahoo，并为他组织团队团队专注于hadoop的开发。谁也不曾想到，当年他以小孩的大象玩偶来命名的Hadoop，不仅开启了大数据时代，更成为孕育大数据技术的摇篮。

Hadoop是什么

提供了高可靠（可以不间断地对外提供服务），高扩展性（横向扩展能力好）的分布式计算的开源软件。

hadoop中将硬件错误看成一种常态。硬件故障是一个常有的问题。

hadoop的模块

hadoop 1.0 ：hdfs+mapreduce

hadoop2.0：
软件层面上：
- common：工具类模块，为以下再三模块提供公共工具，封装了rpc通信模块
- hdfs：hadoop的分布式数据存储模块。多台机器共同存储。主从架构存储：
- 主：namenode，是存储架构的主节点。主要用于存储元数据（记录数据的数据）的信息。
- 从：datanode，真实存储数据的节点。
- secondarynamenode：namenode的冷备份（复制）节点，但是替代不了namenode。存储一份元数据信息，帮助namenode的恢复
- mapreduce：分布式数据计算
- map：分
- reduce：合
- 学习编程，流程
- yarn：分布式资源调度框架，负责为每一个计算任务分配资源
- 主从架构：
- 主：resourcemanager，负责整个集群的资源调度，不负责执行
- nodemanager，负责真正的程序执行

• 正常的集群启动：
  
  • namenode
  • datanode
  • secondarynamenode
  • resourcemanager
  • nodemanager
    
• hadoop
  
  • 狭义：
  • 广义：hadoop生态圈
    
  
  

hadoop的安装单机模型伪分布式搭建—-准备工作1）修改ip

vi /etc/sysconfig/network-scripts/ifcfg-eth0

2)主机名

vi /etc/sysconfig/network

3）映射

vi /etc/hosts

4）关闭防防火墙和selinux

• service iptables stop

• vi /etc/selinux/config

  
  

SELINUX=disable

5）配置普通用户 赋予sudolers权限 root权限：vi /etc/sudoers

hadoop ALL=(ALL) ALL

6）免密登录：这里使用普通用户

• ssh-keygen
• ssh-copy-id 目标机器ip
• 验证：ssh 目标机器ip
  

当前用户的秘钥存放地：/home/hadoop/.ssh

7）将系统启动级别改为3  # Default runlevel. The runlevels used are:
            #   0 - halt (Do NOT set initdefault to this)    关机    init 0
            #   1 - Single user mode       单用户
            #   2 - Multiuser, without NFS (The same as 3, if you do not have networking)    多用户  没有网络
            #   3 - Full multiuser mode   完全多用户
            #   4 - unused    弃用
            #   5 - X11       图形化
            #   6 - reboot (Do NOT set initdefault to this)  重启   init 6
            id:3:default


8）安装jdk

配置环境变量：
export JAVA_HOME=/home/hadoop/apps/jdk1.8.0_73
export PATH=$PATH:$JAVA_HOME/bin
使配置文件生效：
source /etc/profile

验证jdk安装成功：
java -version
javac


卸载自带的jdk：
rpm -qa | grep jdk
sudo rpm -e java-1.7.0-openjdk-1.7.0.99-2.6.5.1.el6.x86_64 --nodeps
sudo rpm -e java-1.6.0-openjdk-1.6.0.38-1.13.10.4.el6.x86_64 --nodeps


9）时间同步

搭建伪分布集群时不需要，完全分布式需要

伪分布式搭建—-开始安装

1）上传安装包

2）解压并且放到创建的文件夹apps/下

tar -xvzf hadoop-2.7.6.tar.gz -C apps/

3）修改配置文件

注意是hadoop2.7.6/etc下的配置文件，我的完整目录在：/home/hadoop/apps/hadoop-2.7.6/etc/hadoop

一共需要修改6个配置文件：

1）vi hadoop-env.sh

export JAVA_HOME=/home/hadoop/apps/jdk1.8.0_73

2)core-site.xml

这个是核心文件配置文件。主要负责三个模块的公共的配置

<property>
    <name>fs.defaultFS</name>  配置项的名字   不可以改的  文件系统的默认访问路径

    <value>hdfs://hadoop02（主机名）:9000（端口号）</value>  配置项的值
</property>

3）hdfs-site.xml

这个文件是hdfs的相关配置

<property>
    <name>dfs.replication</name>  文件存储的份数
    <value>2</value>
    默认是3，我改成了2
</property>

4）mapred-site.xml

这里去操作的时候只有mapred-site.xml.template，所以我们先用命令复制一份再去编辑：
- cp mapred-site.xml.template mapred-site.xml
- vim mapred-site.xml

<property>                    <name>mapreduce.framework.name</name>       mapreduce程序的资源调度框架
    <value>yarn</value>
</property>
1
2
3
5）yarn-site.xml

yarn配置文件

<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
</property>

6)slaves

配置从节点的信息，把从节点主机名字写上。注意：一行一个主机名， 主机名输完之后不要加空格、回车。

4）配置hadoop的环境变量

vi /etc/profile

export JAVA_HOME=/home/hadoop/apps/jdk1.8.0_73
        export HADOOP_HOME=/home/hadoop/apps/hadoop-2.7.6
        export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

source /etc/profile
hadoop version 检验
5）进行格式化执，这一步非常重要

hadoop namenode -format

如果成功：
18/07/12 16:31:08 INFO common.Storage: Storage directory /tmp/hadoop-hadoop/dfs/name has been successfully formatted.

如果格式化不成功，修改错误的地方 重新格式化，格式化成功，只需要一次！！！成功之后不要进行第二次格式化！！！

6）启动

start-dfs.sh
启动hdfs：namenode、 datanode、secondarynamenode

jps：在客户端PS命令查看进程

27504 DataNode
27692 SecondaryNameNode
27804 Jps
27405 NameNode

start-yarn.sh 启动yarn
27504 DataNode
27953 NodeManager
27988 Jps
27851 ResourceManager
27692 SecondaryNameNode
27405 NameNode

7）验证：

http://192.168.40.161:50070   hdfs的web网页
http://192.168.40.161:8088   yarn的web网页

注：如果确定自己安装成功，但是打不开网页，可以再去看一下自己的防火墙关了没有

完全分布式安装

集群规划

集群规划：哪个节点上安装那个进程
我们需要：
hdfs:namenode(1个)、datanode(多：3个)、secondarynamenode（1个）、
yarn:resourcemanager(1个)、  nodemanager(3个)、
hadoop01    namenode   datanode nodemanager

hadoop02    datanode  secondarynamenode  nodemanager

hadoop03    datanode     resourcemanager   nodemanager


准备工作

与伪分布式过程一样

开始安装

先在一台机器上安装，然后再远程发送给另外两台机器：

1）上传

2）解压

tar -xvzf hadoop-2.7.6.tar.gz
3）修改配置文件

在 /home/hadoop/apps/hadoop-2.7.6/etc/hadoop下：

1）hadoop-env.sh

export JAVA_HOME=/home/hadoop/apps/jdk1.8.0_73

2)core-site.xml

<property>
    <name>hadoop.tmp.dir</name>
    <value>/home/hadoop/data/hadoopdata</value>
    <description>Abase for other temporary directories.</description>
</property>
<property>
    <name>fs.defaultFS</name>           <value>hdfs://hadoop01:9000</value>
</property>

3)hdfs-site.xml

<property>          <name>dfs.namenode.name.dir</name>      <value>/home/hadoop/data/hadoopdata/name</value>            <description>为了保证元数据的安全一般配置多个不同目录</description>
</property>

<property>      <name>dfs.datanode.data.dir</name>      <value>/home/hadoop/data/hadoopdata/data</value>
<description>datanode 的数据存储目录</description>
</property>

<property>
<name>dfs.replication</name>
<value>2</value>
<description>HDFS 的数据块的副本存储个数</description>
</property>

<property>           <name>dfs.secondary.http.address</name>             <value>hadoop02:50090</value>          <description>secondarynamenode 运行节点的信息，和 namenode 不同节点</description>
</property>

4)mapred-site.xml

<property>  <name>mapreduce.framework.name</name>   <value>yarn</value>
</property>

5)yarn-site.xml

<property>
    <name>yarn.resourcemanager.hostname</name>
    <value>hadoop03</value>
</property>
<property>
    name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
    <description>YARN 集群为 MapReduce 程序提供的 shuffle 服务</description>
</property>



6)slaves

hadoop02
hadoop03
hadoop04

4)配置hadoop的环境变量

    export JAVA_HOME=/home/hadoop/apps/jdk1.8.0_73
    export HADOOP_HOME=/home/hadoop/apps/hadoop-2.7.6
    export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin


source /etc/profile
hadoop version

5）远程发送到其他两个节点

scp -r hadoop-2.7.6 hadoop02:$PWD
scp -r hadoop-2.7.6 hadoop03:$PWD
    sudo scp /etc/profile hadoop03:/etc/
    sudo scp /etc/profile hadoop04:/etc/

source /etc/profile
hadoop version
5)初始化

只需要在一台机器上执行，一定在namenode的节点上，hdfs的主节点上，我这里是hadoop02
- hadoop namenode -format

6)启动

启动hdfs start-dfs.sh 在任意一个节点上执行 执行一次
hadoop02:namenode datanode
hadoop03:datanode secondarynamenode
hadoop04:datanode
启动yarn: 最好在yarn的主节点 如果不在会造成resourcemanager启动失：start-yarn.sh

jps：在客户端PS命令查看进程

主节点（我的主节点也是一个从节点）：
进程号  进程名
2930 NodeManager
3414 Jps
2637 DataNode
2526 NameNode

我的一个从节点：
3348 Jps
2427 SecondaryNameNode
2573 NodeManager
2366 DataNode


start-yarn.sh 启动yarn
2536 ResourceManager
2408 DataNode
3417 Jps
2843 NodeManager

验证：

hdfs:namenode:50070      hadoop01:50070
yarn:resourcemanager:8088     hadoop03:8088

奈斯

牛牛牛！

优秀