10 分钟大数据 Hadoop 基础入门

2018/7/15 posted in  BigData

https://mp.weixin.qq.com/s/wLE1fMgsEZlF78MG4XTzxw

本文转自中生代战略合作伙伴云栖社区(https://yq.aliyun.com)

责编 | 大白

摘要: 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 

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
第一阶段: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

    第一阶段: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,理论上可以无限大
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

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

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

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

2、解压 hadoop-3.0.0.tar.gz、并配置环境变量

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


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

<!--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>

修改 core-site.xml

<!--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>

修改 mapred-site.xml

<!--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>

修改 yarn-site.xml

<!--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>

格式化 NameNode

hdfs namenode -format

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

start-all.sh
(*)HDFS:存储数据
(*)YARN:

访问

(*)命令行
(*)Java Api
(*)WEB Console
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

-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

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!