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！
处理海量数据的核心技术：
- 海量数据存储：分布式
- 海量数据运算：分布式
这些核心技术的实现是不需要用户从零开始造轮子的存储和运算，都已经有大量的成熟的框架来用
存储框架：
- HDFS——分布式文件存储系统（HADOOP中的存储框架）
- HBASE——分布式数据库系统
- KAFKA——分布式消息缓存系统(实时流式数据处理场景中应用广泛)
运算框架：（要解决的核心问题就是帮用户将处理逻辑在很多机器上并行）
- MAPREDUCE—— 离线批处理/HADOOP中的运算框架
- SPARK —— 离线批处理/实时流式计算
- STORM —— 实时流式计算
辅助类的工具（解放大数据工程师的一些繁琐工作）：
- HIVE —— 数据仓库工具：可以接收sql，翻译成mapreduce或者spark程序运行
- FLUME——数据采集
- SQOOP——数据迁移
- ELASTIC SEARCH —— 分布式的搜索引擎
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
- 数据处理的最典型应用：公司的产品运营情况分析
- 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）
- 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
hdfs集群组成结构：
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
四、配置linux服务器的基础软件环境
1.防火墙关闭
关闭防火墙：service iptables stop 关闭防火墙自启： chkconfig iptables off
2.安装jdk：（hadoop体系中的各软件都是java开发的）
- 上传jdk压缩包
- 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
3.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/
提示：执行scp命令，需要先安装
五、安装hdfs集群
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/hdpdata/name/</value> </property> <property> <name>dfs.datanode.data.dir</name> <value>/root/hdpdata/data</value> </property> <property> <name>dfs.namenode.secondary.http-address</name> <value>hdp-02:50090</value> </property> </configuration>
4) 拷贝整个hadoop安装目录到其他机器
scp -r /root/apps/hadoop-2.8.1 hdp-02:/root/apps/ scp -r /root/apps/hadoop-2.8.1 hdp-03:/root/apps/ scp -r /root/apps/hadoop-2.8.1 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）
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
在hdp-01输入 Ssh-keygen ssh-copy-id hdp-01 ssh-copy-id hdp-02 ssh-copy-id hdp-03 ssh-copy-id hdp-04
- 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
