大数据学习入门到实战教程，精心整理万字长文入门，老奶奶看了都说学会了

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！

换个角度说，大数据是：

1、有海量的数据

2、有对海量数据进行挖掘的需求

3、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

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：

1、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：datanode）<准确来说：切块的行为是由客户端决定的>

2、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：namenode）

3、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/hosts192.168.33.61  hdp-01192.168.33.62  hdp-02192.168.33.63  hdp-03192.168.33.64  hdp-04

用crt连接上后，修改一下crt的显示配置（字号，编码集改为UTF-8）：

配置linux服务器的基础软件环境

防火墙

关闭防火墙：

service iptables stop

关闭防火墙自启：

chkconfig iptables off

安装jdk：（hadoop体系中的各软件都是java开发的）

1)利用alt+p 打开sftp窗口，然后将jdk压缩包拖入sftp窗口

2)然后在linux中将jdk压缩包解压到/root/apps 下

3)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_60export PATH=$PATH:$JAVA_HOME/bin

4)修改完成后，记得 source /etc/profile使配置生效

5)检验：在任意目录下输入命令：java -version 看是否成功执行

6)将安装好的jdk目录用scp命令拷贝到其他机器

7)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

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.localdomain6192.168.33.61   hdp-01192.168.33.62   hdp-02192.168.33.63   hdp-03192.168.33.64   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/

补充

提示: 如果在执行scp命令的时候，提示没有scp命令，则可以配置一个本地yum源来安装

1、先在虚拟机中配置cdrom为一个centos的安装镜像iso文件

2、在linux系统中将光驱挂在到文件系统中（某个目录）

3、mkdir /mnt/cdrom

4、mount -t iso9660 -o loop /dev/cdrom /mnt/cdrom

5、检验挂载是否成功：ls /mnt/cdrom

6、3、配置yum的仓库地址配置文件

7、yum的仓库地址配置文件目录：

/etc/yum.repos.d

8、先将自带的仓库地址配置文件批量更名：

9、然后，拷贝一个出来进行修改

10、修改完配置文件后，再安装scp命令：11、yum install openssh-clients -y

五、安装hdfs集群

1、上传hadoop安装包到hdp-01

2、修改配置文件

要点提示 核心配置参数：

1)指定hadoop的默认文件系统为：hdfs

2)指定hdfs的namenode节点为哪台机器

3)指定namenode软件存储元数据的本地目录

4)指定datanode软件存放文件块的本地目录

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

fs.defaultFShdfs://hdp-01:9000

3.修改hdfs-site.xml

dfs.namenode.name.dir/root/dfs/namedfs.datanode.data.dir/root/dfs/data

4.拷贝整个hadoop安装目录到其他机器

scp -r /root/apps/hadoop-2.8.0  hdp-02:/root/apps/scp -r /root/apps/hadoop-2.8.0  hdp-03:/root/apps/scp -r /root/apps/hadoop-2.8.0  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/profileexport JAVA_HOME=/root/apps/jdk1.8.0_60export HADOOP_HOME=/root/apps/hadoop-2.8.0export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

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）

hadoop-daemon.sh start datanode

** 用自动批量启动脚本来启动HDFS**

1)先配置hdp-01到集群中所有机器（包含自己）的免密登陆2)配完免密后，可以执行一次  ssh 0.0.0.03)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-01hdp-02hdp-03hdp-044)在hdp-01上用脚本：start-dfs.sh 来自动启动整个集群5)如果要停止，则用脚本：stop-dfs.sh

hdfs的客户端操作

客户端的理解

hdfs的客户端有多种形式：

1、网页形式

2、命令行形式

3、客户端在哪里运行，没有约束，只要运行客户端的机器能够跟hdfs集群联网

文件的切块大小和存储的副本数量，都是由客户端决定！

所谓的由客户端决定，是通过配置参数来定的

hdfs的客户端会读以下两个参数，来决定切块大小、副本数量：

切块大小的参数：dfs.blocksize

副本数量的参数：dfs.replication

上面两个参数应该配置在客户端机器的hadoop目录中的hdfs-site.xml中配置

dfs.blocksize64mdfs.replication2

hdfs命令行客户端的常用操作命令

0、查看hdfs中的目录信息

hadoop fs -ls /hdfs路径

1、上传文件到hdfs中

> hadoop fs -put /本地文件  /aaa> > hadoop fs -copyFromLocal /本地文件  /hdfs路径   ##  copyFromLocal等价于 put> > hadoop fs -moveFromLocal /本地文件  /hdfs路径  ##> 跟copyFromLocal的区别是：从本地移动到hdfs中

2、下载文件到客户端本地磁盘

hadoop fs -get /hdfs中的路径 /本地磁盘目录

hadoop fs -copyToLocal /hdfs中的路径 /本地磁盘路径 ## 跟get等价

hadoop fs -moveToLocal /hdfs路径 /本地路径 ## 从hdfs中移动到本地

3、在hdfs中创建文件夹

hadoop fs -mkdir -p /aaa/xxx

4、移动hdfs中的文件（更名）

hadoop fs -mv /hdfs的路径 /hdfs的另一个路径

5、删除hdfs中的文件或文件夹

hadoop fs -rm -r /aaa

6、修改文件的权限

hadoop fs -chown user:group /aaa

hadoop fs -chmod 700 /aaa

7、追加内容到已存在的文件

hadoop fs -appendToFile /本地文件 /hdfs中的文件

8、显示文本文件的内容

hadoop fs -cat /hdfs中的文件

hadoop fs -tail /hdfs中的文件

补充：hdfs命令行客户端的所有命令列表Usage: hadoop fs [generic options]        [-appendToFile  ... ]        [-cat [-ignoreCrc]  ...]        [-checksum  ...]        [-chgrp [-R] GROUP PATH...]        [-chmod [-R]  PATH...]        [-chown [-R] [OWNER][:[GROUP]] PATH...]        [-copyFromLocal [-f] [-p] [-l] [-d]  ... ]        [-copyToLocal [-f] [-p] [-ignoreCrc] [-crc]  ... ]        [-count [-q] [-h] [-v] [-t []] [-u] [-x]  ...]        [-cp [-f] [-p | -p[topax]] [-d]  ... ]        [-createSnapshot  []]        [-deleteSnapshot  ]        [-df [-h] [ ...]]        [-du [-s] [-h] [-x]  ...]        [-expunge]        [-find  ...  ...]        [-get [-f] [-p] [-ignoreCrc] [-crc]  ... ]        [-getfacl [-R] ]        [-getfattr [-R] {-n name | -d} [-e en] ]        [-getmerge [-nl] [-skip-empty-file]  ]        [-help [cmd ...]]        [-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [ ...]]        [-mkdir [-p]  ...]        [-moveFromLocal  ... ]        [-moveToLocal  ]        [-mv  ... ]        [-put [-f] [-p] [-l] [-d]  ... ]        [-renameSnapshot   ]        [-rm [-f] [-r|-R] [-skipTrash] [-safely]  ...]        [-rmdir [--ignore-fail-on-non-empty]  ...]        [-setfacl [-R] [{-b|-k} {-m|-x } ]|[--set  ]]        [-setfattr {-n name [-v value] | -x name} ]        [-setrep [-R] [-w]   ...]        [-stat [format]  ...]        [-tail [-f] ]        [-test -[defsz] ]        [-text [-ignoreCrc]  ...]        [-touchz  ...]        [-truncate [-w]   ...]        [-usage [cmd ...]]

hdfs的java客户端编程

HDFS客户端编程应用场景：数据采集

在windows开发环境中做一些准备工作：

1、在windows的某个路径中解压一份windows版本的hadoop安装包

2、将解压出的hadoop目录配置到windows的环境变量中：HADOOP_HOME

开发代码

1、将hdfs客户端开发所需的jar导入工程（jar包可在hadoop安装包中找到common/hdfs）

2、写代码

要点：要对hdfs中的文件进行操作，代码中首先需要获得一个hdfs的客户端对象

Configuration conf = new Configuration();FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000"),conf,"root");

3、利用fs对象的方法进行文件操作

比如：

上传文件—— fs.copyFromLocalFile(new Path("本地路径"),new Path("hdfs的路径"));

下载文件——fs.copyToLocalFile(new Path("hdfs的路径"),new Path("本地路径"))

项目实战

需求描述：

在业务系统的服务器上，业务程序会不断生成业务日志（比如网站的页面访问日志）

业务日志是用log4j生成的，会不断地切出日志文件

需要定期（比如每小时）从业务服务器上的日志目录中，探测需要采集的日志文件(access.log不能采)，发往HDFS

注意点：业务服务器可能有多台(hdfs上的文件名不能直接用日志服务器上的文件名)

当天采集到的日志要放在hdfs的当天目录中

采集完成的日志文件，需要移动到到日志服务器的一个备份目录中

定期检查（一小时检查一次）备份目录，将备份时长超出24小时的日志文件清除

Timer timer = new Timer()timer.schedual()

hdfs的核心工作原理

namenode元数据管理要点

1、什么是元数据？

hdfs的目录结构及每一个文件的块信息（块的id，块的副本数量，块的存放位置）

2、元数据由谁负责管理？

namenode

3、namenode把元数据记录在哪里？

namenode的实时的完整的元数据存储在内存中；

namenode还会在磁盘中（dfs.namenode.name.dir）存储内存元数据在某个时间点上的镜像文件；

namenode会把引起元数据变化的客户端操作记录在edits日志文件中；

secondarynamenode会定期从namenode上下载fsimage镜像和新生成的edits日志，然后加载fsimage镜像到内存中，然后顺序解析edits文件，对内存中的元数据对象进行修改（整合）

整合完成后，将内存元数据序列化成一个新的fsimage，并将这个fsimage镜像文件上传给namenode

上述过程叫做：checkpoint操作

提示：secondary namenode每次做checkpoint操作时，都需要从namenode上下载上次的fsimage镜像文件吗？

第一次checkpoint需要下载，以后就不用下载了，因为自己的机器上就已经有了。

补充：secondary namenode启动位置的配置

默认值    dfs.namenode.secondary.http-address  0.0.0.0:50090

把默认值改成你想要的机器主机名即可

secondarynamenode保存元数据文件的目录配置：

默认值

  dfs.namenode.checkpoint.dir  file://${hadoop.tmp.dir}/dfs/namesecondary

改成自己想要的路径即可：/root/dfs/namesecondary

mapreduce快速上手

小案例：

统计HDFS的/wordcount/input/a.txt文件中的每个单词出现的次数——wordcount

明白了一点：可以在任何地方运行程序，访问HDFS上的文件并进行统计运算，并且可以把统计的结果写回HDFS的结果文件中；

但是，进一步思考：如果文件又多又大，用上面那个程序有什么弊端？

慢！因为只有一台机器在进行运算处理！

如何变得更快？

核心思想：让我们的运算程序并行在多台机器上执行！

mapreduce运行平台YARN

mapreduce程序应该是在很多机器上并行启动，而且先执行map task，当众多的maptask都处理完自己的数据后，还需要启动众多的reduce task，这个过程如果用用户自己手动调度不太现实，需要一个自动化的调度平台——hadoop中就为运行mapreduce之类的分布式运算程序开发了一个自动化调度平台——YARN。

安装yarn集群

yarn集群中有两个角色：

主节点：Resource Manager 1台

从节点：Node Manager N台

Resource Manager一般安装在一台专门的机器上

Node Manager应该与HDFS中的data node重叠在一起

修改配置文件：

yarn-site.xmlyarn.resourcemanager.hostnamehdp-04yarn.nodemanager.aux-servicesmapreduce_shuffle

然后复制到每一台机器上

然后在hdp-04上，修改hadoop的slaves文件，列入要启动nodemanager的机器

然后将hdp-04到所有机器的免密登陆配置好

然后，就可以用脚本启动yarn集群：

sbin/start-yarn.sh

停止：

sbin/stop-yarn.sh

启动完成后，可以在windows上用浏览器访问resourcemanager的web端口：

http://hdp-04:8088

看resource mananger是否认出了所有的node manager节点

运行mapreduce程序

首先，为你的mapreduce程序开发一个提交job到yarn的客户端类（模板代码）：

描述你的mapreduce程序运行时所需要的一些信息(比如用哪个mapper、reducer、map和reduce输出的kv类型、jar包所在路径、reduce task的数量、输入输出数据的路径)

将信息和整个工程的jar包一起交给yarn

然后，将整个工程（yarn客户端类+ mapreduce所有jar和自定义类）打成jar包

然后，将jar包上传到hadoop集群中的任意一台机器上

最后，运行jar包中的（YARN客户端类）

[root@hdp-04 ~]# hadoop jar wc.jar cn.edu360.hadoop.mr.wc.JobSubmitter