大數據：Hadoop入門

一：什麽是大數據

1. 什麽是大數據：

（1.）大數據是指在一定時間內無法用常規軟件對其內容進行抓取，管理和處理的數據集合，簡而言之就是數據量非常大，大到無法用常規工具進行處理，如關系型數據庫，數據倉庫等。這裏“大”是一個什麽量級呢？如在阿裏巴巴每天處理數據達到20PB（即20971520GB）.

2.大數據的特點：

（1.）體量巨大。按目前的發展趨勢來看，大數據的體量已經到達PB級甚至EB級。

（2.）大數據的數據類型多樣，以非結構化數據為主，如網絡雜誌，音頻，視屏，圖片，地理位置信息，交易數據，社交數據等。

（3.）價值密度低。有價值的數據僅占到總數據的一小部分。比如一段視屏中，僅有幾秒的信息是有價值的。

（4.）產生和要求處理速度快。這是大數據區與傳統數據挖掘最顯著的特征。

3.除此之外還有其他處理系統可以處理大數據。

Hadoop （開源）

Spark（開源）

Storm（開源）

MongoDB（開源）

IBM PureDate（商用）

Oracle Exadata（商用）

SAP Hana（商用）

Teradata AsterData（商用）

EMC GreenPlum（商用）

HP Vertica（商用）

註：這裏我們只介紹Hadoop。

二：Hadoop體系結構

1.Hadoop來源：

Hadoop源於Google在2003到2004年公布的關於GFS（Google File System），MapReduce和BigTable的三篇論文，創始人Doug Cutting。Hadoop現在是Apache基金會頂級項目，“Hadoop”一個虛構的名字。由Doug Cutting的孩子為其黃色玩具大象所命名。

　2.Hadoop的核心：

（1.）HDFS和MapReduce是Hadoop的兩大核心。通過HDFS來實現對分布式儲存的底層支持，達到高速並行讀寫與大容量的儲存擴展。

（2.）通過MapReduce實現對分布式任務進行處理程序支持，保證高速分區處理數據。

3.Hadoop子項目：

（1.）HDFS：分布式文件系統，整個Hadoop體系的基石。

（2.）MapReduce/YARN：並行編程模型。YARN是第二代的MapReduce框架，從Hadoop 0.23.01版本後，MapReduce被重構，通常也稱為MapReduce V2，老MapReduce也稱為 MapReduce V1。

（3.）Hive：建立在Hadoop上的數據倉庫，提供類似SQL語音的查詢方式，查詢Hadoop中的數據，

（4.）Pig：一個隊大型數據進行分析和評估的平臺，主要作用類似於數據庫中儲存過程。

（5.）HBase:全稱Hadoop Database，Hadoop的分布式的，面向列的數據庫，來源於Google的關於BigTable的論文，主要用於隨機訪問，實時讀寫的大數據。

（6.）ZooKeeper：是一個為分布式應用所設計的協調服務，主要為用戶提供同步，配置管理，分組和命名等服務，減輕分布式應用程序所承擔的協調任務。

還有其它特別多其它項目這裏不做一一解釋了。

三：安裝Hadoop運行環境

1. 用戶創建：

（1.）創建Hadoop用戶組，輸入命令：

groupadd hadoop

（2.）創建hduser用戶，輸入命令：

useradd –p hadoop hduser

（3.）設置hduser的密碼，輸入命令：

passwd hduser

按提示輸入兩次密碼

（4.）為hduser用戶添加權限，輸入命令：

#修改權限

chmod 777 /etc/sudoers

#編輯sudoers

Gedit /etc/sudoers

#還原默認權限

chmod 440 /etc/sudoers

先修改sudoers 文件權限，並在文本編輯窗口中查找到行“root ALL=（ALL）”，緊跟後面更新加行“hduser ALL=（ALL） ALL”，將hduser添加到sudoers。添加完成後切記還原默認權限，否則系統將不允許使用sudo命令。

（5.）設置好後重啟虛擬機，輸入命令：

Sudo reboot

重啟後切換到hduser用戶登錄

1. 安裝JDK

（1.）下載jdk-7u67-linux-x64.rpm,並進入下載目錄。

（2.）運行安裝命令:

Sudo rpm –ivh jdk-7u67-linux-x64.rpm

完成後查看安裝路徑，輸入命令：

Rpm –qa jdk –l

記住該路徑，

（3.）配置環境變量，輸入命令：

Sudo gedit /etc/profile

打開profile文件在文件最下面加入如下內容

export JAVA_HOME=/usr/java/jdk.7.0.67

export CLASSPATH=$ JAVA_HOME/lib:$ CLASSPATH

export PATH=$ JAVA_HOME/bin:$PATH

保存後關閉文件，然後輸入命令使環境變量生效：

Source /etc/profile

（4.）驗證JDK，輸入命令：

Java –version

若出現正確的版本則安裝成功。

1. 配置本機SSH免密碼登錄：

（1.）使用ssh-keygen 生成私鑰與公鑰文件，輸入命令：

ssh-keygen –t rsa

（2.）私鑰留在本機，公鑰發給其它主機（現在是localhost）。輸入命令：

ssh-copy-id localhost

（3.）使用公鑰來登錄輸入命令：

ssh localhost

1. 配置其它主機SSH免密登錄

（1.）克隆兩次。在VMware左側欄中選中虛擬機右擊，在彈出的快捷鍵菜單中選中管理---克隆命令。在克隆類型時選中“創建完整克隆”，單擊“下一步”，按鈕直到完成。

（2.）分別啟動並進入三臺虛擬機，使用ifconfig查詢個主機IP地址。

（3.）修改每臺主機的hostname及hosts文件。

步驟1：修改hostname，分別在各主機中輸入命令。

Sudo gedit /etc/sysconfig/network

步驟2：修改hosts文件：

sudo gedit /etc/hosts

步驟3：修改三臺虛擬機的IP

第一臺對應node1虛擬機的IP：192.168.1.130

第二臺對應node2虛擬機的IP：192.168.1.131

第三臺對應node3虛擬機的IP：192.168.1.132

（4.）由於已經在node1上生成過密鑰對，所有現在只要在node1上輸入命令：

ssh-copy-id node2

ssh-copy-id node3

這樣就可以將node1的公鑰發布到node2，node3。

（5.）測試SSH,在node1上輸入命令：

ssh node2

#退出登錄

exit

ssh node3

exit

四：Hadoop完全分布式安裝

1. 1. Hadoop有三種運行方式：

（1.）單機模式：無須配置，Hadoop被視為一個非分布式模式運行的獨立Java進程

（2.）偽分布式：只有一個節點的集群，這個節點即是Master（主節點，主服務器）也是Slave（從節點，從服務器），可在此單節點上以不同的java進程模擬分布式中的各類節點

（3.）完全分布式：對於Hadoop,不同的系統會有不同的節點劃分方式。

2.安裝Hadoop

（1.）獲取Hadoop壓縮包hadoop-2.6.0.tar.gz,下載後可以使用VMWare Tools通過共享文件夾，或者使用Xftp工具傳到node1。進入node1 將壓縮包解壓到/home/hduser目錄下，輸入命令：

#進入HOME目錄即：“/home/hduser”

cd ~

tar –zxvf hadoop-2.6.0.tar.gz

（2.）重命名hadoop輸入命令：

mv hadoop-2.6.0 hadoop

（3.）配置Hadoop環境變量，輸入命令：

Sudo gedit /etc/profile

將以下腳本加到profile內：

#hadoop

export HADOOP_HOME=/home/hduser/hadoop

export PATH=$HADOOP_HOME/bin:$PATH

保存關閉，最後輸入命令使配置生效

source /etc/profile

註：node2，和node3都要按照以上配置進行配置。

3.配置Hadoop

（1.）hadoop-env.sh文件用於指定JDK路徑。輸入命令：

[hduser@node1 ~]$ cd ~/hadoop/etc/hadoop

[hduser@node1 hadoop]$ gedit hadoop-env.sh

然後增加如下內容指定jDK路徑。

export JAVA_HOME=/usr/java/jdk1.7.0_67

（2.）打開指定JDK路徑,輸入命令：

export JAVA_HOME=/usr/java/jdk1.7.0_67

（3.）slaves：用於增加slave節點即DataNode節點。

[hduser@node1 hadoop]$ gedit slaves

打開並清空原內容，然後輸入如下內容：

node2

node3

表示node2,node3作為slave節點。

（4.）core-site.xml:該文件是Hadoop全局配置，打開並在<configuration>元素中增加配置屬性如下：

<configuration>

<property>

<name>fs.defaultFs</name>

<value>hdfs://node1:9000</value>

</property>

<name>hadoop.tmp.dir</name>

<value>file:/home/hduser/hadoop/tmp</value>

</property>

<configuration>

這裏給出了兩個常用的配置屬性，fs.defaultFS表示客戶端連接HDFS時，默認路徑前綴，9000是HDFS工作的端口。Hadoop.tmp.dir如不指定會保存到系統的默認臨時文件目錄/tmp中。

（5.）hdfs-site.xml:該文件是hdfs的配置。打開並在<configuration>元素中增加配置屬性。

（6.）mapred-site.xml:該文件是MapReduce的配置，可從模板文件mapred-site.xml.template中復制打開並在<configuration>元素中增加配置。

（7.）yarn-site.xml:如果在mapred-site.xml配置了使用YARN框架，那麽YARN框架就使用此文件中的配置，打開並在<configuration>元素中增加配置屬性。

（8.）復制這七個命令到node2,node3。輸入命令如下：

scp –r /home/hduser/hadoop/etc/hadoop/ hduser@node2:/home/hduser/hadoop/etc/

scp –r /home/hduser/hadoop/etc/hadoop/ hduser@node3:/home/hduser/hadoop/etc/

4.驗證：

下面驗證hadoop是否正確

（1.）在Master主機（node1）上格式化NameNode。輸入命令：

[hduser@node1 ~]$ cd ~/hadoop

[hduser@node1 hadoop]$ bin/hdfs namenode –format

（2）關閉node1,node2 ,node3,系統防火墻並重啟虛擬機。輸入命令：

service iptables stop

sudo chkconfig iptables off

reboot

（3.）輸入以下啟動HDFS：

[hduser@node1 ~]$ cd ~/hadoop

（4.）啟動所有

[hduser@node1 hadoop]$ sbin/start-all.sh

（5.）查看集群狀態：

[hduser@node1 hadoop]$ bin/hdfs dfsadmin –report

（6.）在瀏覽器中查看hdfs運行狀態，網址：http://node1:50070

（7.）停止Hadoop。輸入命令：

[hduser@node1 hadoop]$ sbin/stop-all.sh

五：Hadoop相關的shell操作

（1.）在操作系統中/home/hduser/file目錄下創建file1.txt,file2.txt可使用圖形界面創建。

file1.txt輸入內容：

Hello World hi HADOOP

file2.txt輸入內容

Hello World hi CHIAN

（2.）啟動hdfs後創建目錄/input2

[hduser@node1 hadoop]$ bin/hadoop fs –mkdir /input2

（3.）將file1.txt.file2.txt保存到hdfs中:

[hduser@node1 hadoop]$ bin/hadoop fs –put -/file/file*.txt /input2/

（4.）[hduser@node1 hadoop]$ bin/hadoop fs –ls /input2

大數據：Hadoop入門