大数据入门之Hadoop基础学习

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

***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

• ***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***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

复制

![image.png](http://ata2-img.cn-hangzhou.img-pub.aliyun-inc.com/8ca9f78b244c7f991e73f71fd1e56421.png)

• 1.

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 

复制

vim /etc/profile 末尾添加 ![image.png](http://ata2-img.cn-hangzhou.img-pub.aliyun-inc.com/a9bf2e19410f9b3d38c8b0ca64b2f264.png)

• 1.

• 2.

2、解压hadoop-3.0.0.tar.gz、并配置环境变量 

复制

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

• 1.

• 2.

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 

复制

<!--配置冗余度为1--> <property>     <name>dfs.replication</name>     <value>1</value> </property>  <!--配置权限检查为false--> <property>     <name>dfs.permissions</name>     <value>false</value> </property>

• 1.

• 2.

• 3.

• 4.

• 5.

• 6.

• 7.

• 8.

• 9.

• 10.

• 11.

修改core-site.xml 

复制

<!--配置HDFS的NameNode--> <property>     <name>fs.defaultFS</name>     <value>hdfs://192.168.56.102:9000</value> </property>  <!--配置DataNode保存数据的位置--> <property>     <name>hadoop.tmp.dir</name>     <value>/usr/local/hadoop/tmp</value> </property>

• 1.

• 2.

• 3.

• 4.

• 5.

• 6.

• 7.

• 8.

• 9.

• 10.

• 11.

修改mapred-site.xml 

复制

<!--配置MR运行的框架--> <property>     <name>mapreduce.framework.name</name>     <value>yar</value> </property> <property>     <name>yarn.app.mapreduce.am.env</name>     <value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value> </property> <property>     <name>mapreduce.map.env</name>     <value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value> </property> <property>     <name>mapreduce.reduce.env</name>     <value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value> </property> <property>     <name>mapreduce.application.classpath</name>     <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>

• 1.

• 2.

• 3.

• 4.

• 5.

• 6.

• 7.

• 8.

• 9.

• 10.

• 11.

• 12.

• 13.

• 14.

• 15.

• 16.

• 17.

• 18.

• 19.

• 20.

• 21.

• 22.

• 23.

• 24.

• 25.

• 26.

• 27.

• 28.

• 29.

• 30.

• 31.

修改yarn-site.xml 

复制

<!--配置ResourceManager地址--> <property>     <name>yarn.resourcemanager.hostname</name>     <value>192.168.56.102</value> </property>  <!--配置NodeManager执行任务的方式--> <property>     <name>yarn.nodemanager.aux-service</name>     <value>mapreduce_shuffle</value> </property>

• 1.

• 2.

• 3.

• 4.

• 5.

• 6.

• 7.

• 8.

• 9.

• 10.

• 11.

格式化NameNode

复制

hdfs namenode -format

• 1.

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

复制

start-all.sh

• 1.

(*)HDFS：存储数据

(*)YARN：

访问 

复制

（*）命令行 （*）Java Api （*）WEB Console

• 1.

• 2.

• 3.

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 

复制

-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

• 1.

• 2.

• 3.

• 4.

• 5.

• 6.

• 7.

• 8.

• 9.

• 10.

• 11.

• 12.

• 13.

• 14.

• 15.

MapReduce示例

结果：

如上 一个最简单的MapReduce示例就执行成功了

思考

Hadoop是基于Java语言的，前端日常开发是用的PHP，在使用、查找错误时还是蛮吃力的。工作之余还是需要多补充点其它语言的相关知识，编程语言是我们开发、学习的工具，而不应成为限制我们技术成长的瓶颈