java大数据最全课程学习笔记(1)

Z时代
2024-01-10
分类：综合

目前CSDN,云海天,简书同步发表中,更多精彩欢迎访问我的gitee pages

Hadoop简介和安装及伪分布式
- 大数据概念
  - 大数据概论
  - 大数据特点(4V)
  - 大数据部门组织结构
- 从Hadoop框架讨论大数据生态
  - Hadoop是什么
  - Hadoop三大发行版本
  - Hadoop的优势(4高)
  - Hadoop组成(面试重点)
    - HDFS架构概述
    - MapReduce架构概述
    - YARN架构概述
  - 大数据技术生态体系
- Hadoop运行环境搭建(开发重点)
  - 虚拟机环境准备
  - 安装JDK
  - 安装Hadoop
  - Hadoop目录结构
- Hadoop运行模式
  - 本地运行模式
    - 官方Grep案例
    - 官方WordCount案例
  - 伪分布式运行模式
    - 启动HDFS并运行MapReduce程序
    - YARN上运行MapReduce 程序
  - 配置历史服务器
  - 配置日志的聚集
- 配置文件说明及其他注意事项
  - 配置文件说明
  - 其他注意事项

Hadoop简介和安装及伪分布式

大数据概念

大数据概论

大数据(Big Data): 指无法在一定时间范围内用常规软件工具进行捕捉,管理和处理的数据集合,是需要新处理模式才能具有更强的决策力,洞察发现力和流程优化能力的海量,高增长率和多样化的信息资产.

主要解决海量数据的存储和海量数据的分析计算问题.

按顺序给出数据存储单位:bit,Byte,KB,MB,GB,TB,PB,EB,ZB,YB,BB,NB,DB.
1Byte =8bit 1KB=1024Byte 1MB=1024KB 1GB=1024MB 1TB=1024GB 1PB=1024TB

大数据特点(4V)

Volume(大量):
截至目前,人类生产的所有印刷材料的数据量是200PB,而历史上全人类总共说过的话的数据量大约是5EB.当前,典型个人计算机硬盘的容量为TB量级,而一些大企业的数据量已经接近EB量级.

Vekocity(高速):
这是大数据区分于传统数据挖掘的最显著特征.根据IDC的"数字宇宙"的报告,预计到2020年,全球数据使用量将达到35.2ZB.在如此海量的数据面前,处理数据的效率就是企业的生命.

Variety(多样):
这种类型的多样性也让数据被分为结构化数据和非结构化数据.相对于以往便于存储的以数据库/文本为主的结构化数据,非结构化数据越来越多,包括网络日志,音频,视频,图片,地理位置信息等,这些多类型的数据对数据的处理能力提出了更高要求.

Value(低价值密度):
价值密度的高低与数据总量的大小成反比.如何快速对有价值数据"提纯"成为目前大数据背景下待解决的难题.

大数据部门组织结构

大数据部门组织结构,适用于大中型企业.

从Hadoop框架讨论大数据生态

Hadoop是什么

hadoop的初衷是采用大量的廉价机器,组成一个集群!完成大数据的存储和计算!

Hadoop三大发行版本

Hadoop三大发行版本：Apache、Cloudera、Hortonworks。
Apache版本最原始（最基础）的版本，对于入门学习最好。
Cloudera在大型互联网企业中用的较多。
Hortonworks文档较好。

Hadoop的优势(4高)

高可靠性
Hadoop底层维护多个数据副本,所以即使Hadoop某个计算元素或存储出现故障,也不会导致数据的丢失.

高扩展性
在集群间分配任务数据,可方便的扩展数以千计的节点.

高效性
在MapReduce的思想下,Hadoop是并行工作的,以加快任务处理速度.

高容错性
能够自动将失败的任务重新分配

Hadoop组成(面试重点)

Hadoop1.x
- HDFS: 负责大数据的存储
- common: HDFS和MR共有的常用的工具包模块
- MapReduce: 负责计算,负责计算资源的申请的调度

完成大数据的计算
- 写程序.程序需要复合计算框架的要求
  - java-->main-->运行
  - MapReduce(编程模型)-->Map-->Reducer
- 运行程序.申请计算资源(CPU+内存,磁盘IO,网络IO)
  - java-->JVM-->os-->申请计算资源
  - 1.x: MapReduce(编程模型)-->JobTracker-->JVM-->申请计算资源
  - 2.x: MapReduce(编程模型)-->jar-->运行时,将jar包中的任务,提交给YARN,和YARN进行通信
    - 由YARN中的组件-->JVM-->申请计算资源

1.x和2.x的区别是将资源调度和管理进行分离!由统一的资源调度平台YARN进行大数据计算资源的调度!提升了Hadoop的通用性!Hadoop搭建的集群中的计算资源,不仅可以运行Hadoop中的MR程序!也可以运行其他计算框架的程序!

由于MR的低效性,出现了许多更为高效的计算框架!例如:Tez,Storm,Spark,Flink

HDFS架构概述

HDFS: 负责大数据的存储

核心进程(必须进程):
- NameNode(1个):存储文件的元数据.如文件名,文件目录结构,文件属性(生成时间,副本数,文件权限),以及每个文件的块列表和块所在的DataNode等.
  - 职责
    接收客户端的请求!
    接收DN的请求!
    向DN分配任务!
- DataNode(N个):在本地文件系统存储文件块数据,以及块数据的校验和.
  - 职责
    负责接收NN分配的任务!
    负责数据块(block)的管理(读,写)!

可选进程:
- Secondary Namenode(N个):用来监控HDFS状态的辅助后台程序,每隔一段时间获取HDFS元数据的快照.

MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce
Map阶段并行处理输入数据
Reduce阶段对Map结果进行汇总

MapReduce(编程规范): 程序中有Map(简单处理)和Reducer(合并)

遵循MapReduce的编程规范编写的程序打包后,被称为一个Job(任务)

Job需要提交到YARN上,向YARN申请计算资源,运行Job中的Task(进程)

Job会先创建一个进行MRAppMaster(mapReduce应用管理者),由MRMaster向YARN申请资源!MRAppMaster负责监控Job中各个Task运行情况,进行容错管理!

YARN架构概述

YARN负责集群中所有计算资源的管理和调度

常见进程
- ResourceManager(1个): 负责整个集群所有资源的管理！
  - 职责
    负责接受客户端的提交Job的请求！
    负责向NM分配任务！
    负责接受NM上报的信息！
- NodeManager(N个): 负责单台计算机所有资源的管理！
  - 职责
    负责和RM进行通信，上报本机中的可用资源！
    负责领取RM分配的任务！
    负责为Job中的每个Task分配计算资源！
- Container（容器）
  NodeManager为Job的某个Task分配了2个CPU和2G内存的计算资源！
  为了防止当前Task在使用这些资源期间，被其他的task抢占资源！
  将计算资源，封装到一个Container中，在Container中的资源，会被暂时隔离！无法被其他进程所抢占！
  当前Task运行结束后，当前Container中的资源会被释放！允许其他task来使用！

大数据技术生态体系

图中涉及的技术名词解释如下：
1. Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库(MySql)间进行数据的传递，可以将一个关系型数据库（例如：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
2. Flume：Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统，Flume支持在日志系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3. Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
  1. 通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
  2. 高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息。
  3. 支持通过Kafka服务器和消费机集群来分区消息。
  4. 支持Hadoop并行数据加载。
4. Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
5. Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
6. Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
7. Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。
8. Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
9. R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
10. Mahout：Apache Mahout是个可扩展的机器学习和数据挖掘库。
11. ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

Hadoop运行环境搭建(开发重点)

虚拟机环境准备

克隆虚拟机

修改克隆虚拟机的静态IP

修改主机名

关闭防火墙

创建atguigu用户
```
useradd atguigu
passwd atguigu
```

配置atguigu用户具有root权限(详见大数据技术之Linux)
```
vim /etc/sudoers
```
- 找到root所在的位置,加入atguigu ALL=(ALL) NOPASSWD: ALL
root ALL=(ALL) ALL
atguigu ALL=(ALL) NOPASSWD: ALL

在/opt目录下创建文件
```
sudo mkdir module
sudo mkdir soft
```
- 将/opt目录下创建的soft目录和module目录的所属主修改为atguigu
```
sudo chown -R atguigu:atguigu /opt/soft /opt/module
```

安装JDK

安装过程(略)

配置JDK环境变量
```
vim /etc/profile
```
- Shift+G到最后一行新增
```
JAVA_HOME=/opt/module/jdk1.8.0_121
PATH=$PATH:$JAVA_HOME/bin
export JAVA_HOME PATH
```
- wq保存退出后,让修改后的文件生效
```
source /etc/profile
```
- 测试JDK是否安装成功
```
java -version
```
java version "1.8.0_144"

安装Hadoop

安装过程(略)

将Hadoop添加到环境变量

最后文件内容为:

JAVA_HOME=/opt/module/jdk1.8.0_121 HADOOP_HOME=/opt/module/hadoop-2.7.2 PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin export JAVA_HOME PATH HADOOP_HOME

Hadoop目录结构

重要目录
1. bin目录：存放对Hadoop相关服务（HDFS,YARN）进行操作的脚本
2. etc目录：Hadoop的配置文件目录，存放Hadoop的配置文件
3. lib目录：存放Hadoop的本地库（对数据进行压缩解压缩功能）
4. sbin目录：存放启动或停止Hadoop相关服务的脚本
5. share目录：存放Hadoop的依赖jar包、文档、和官方案例

Hadoop运行模式

Hadoop运行模式包括：本地模式、伪分布式模式以及完全分布式模式。

Hadoop官方网站：http://hadoop.apache.org/

本地运行模式

官方Grep案例

创建在hadoop-2.7.2文件下面创建一个input文件夹

[atguigu@hadoop101 hadoop-2.7.2]$ mkdir input

将Hadoop的xml配置文件复制到input

[atguigu@hadoop101 hadoop-2.7.2]$ cp etc/hadoop/*.xml input

执行share目录下的MapReduce程序

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hadoop jar
share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output "dfs[a-z.]+"

查看输出结果

[atguigu@hadoop101 hadoop-2.7.2]$ cat output/*

官方WordCount案例

创建在hadoop-2.7.2文件下面创建一个wcinput文件夹

 [atguigu@hadoop101 hadoop-2.7.2]$ mkdir wcinput

在wcinput文件下创建一个wc.input文件

[atguigu@hadoop101 hadoop-2.7.2]$ cd wcinput
[atguigu@hadoop101 wcinput]$ touch wc.input

编辑wc.input文件

[atguigu@hadoop101 wcinput]$ vi wc.input

在文件中输入如下内容

hadoop yarn hadoop mapreduce atguigu atguigu

保存退出：：wq

回到Hadoop目录/opt/module/hadoop-2.7.2

执行程序

[atguigu@hadoop101 hadoop-2.7.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount wcinput wcoutput

查看结果
1.命令查看

[atguigu@hadoop101 hadoop-2.7.2]$ cat wcoutput/part-r-00000 atguigu 2 hadoop 2 mapreduce 1 yarn 1

2.浏览器查看

http://192.168.1.100:50070

伪分布式运行模式

启动HDFS并运行MapReduce程序

分析
1. 配置集群
2. 启动、测试集群增、删、查
3. 执行WordCount案例

执行步骤

配置集群

配置: hadoop-env.sh

Linux系统中获取JDK的安装路径：

[atguigu@ hadoop101 ~]# echo $JAVA_HOME
/opt/module/jdk1.8.0_144

修改JAVA_HOME 路径：

export JAVA_HOME=/opt/module/jdk1.8.0_144

配置: core-site.xml

<!-- 指定HDFS中NameNode的地址 -->
<property>
<name>fs.defaultFS</name>
    <value>hdfs://mypc:9000</value>
</property>
<!-- 指定Hadoop运行时产生文件的存储目录 -->
<property>
	<name>hadoop.tmp.dir</name>
	<value>/opt/module/hadoop-2.7.2/data/tmp</value>
</property>

配置: hdfs-site.xml

<!-- 指定HDFS副本的数量 -->
<property>
	<name>dfs.replication</name>
	<value>1</value>
</property>

启动集群

格式化NameNode（第一次启动时格式化，以后就不要总格式化）
```
atguigu@hadoop101 hadoop-2.7.2]$ bin/hdfs namenode -format
```

启动NameNode

[atguigu@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start namenode

启动DataNode

[atguigu@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode

查看集群
1. 查看是否启动成功
```
[atguigu@hadoop101 hadoop-2.7.2]$ jps
13586 NameNode
13668 DataNode
13786 Jps
```
  注意：jps是JDK中的命令，不是Linux命令。不安装JDK不能使用jps
2. web端查看HDFS文件系统
  http://192.168.1.100:50070/dfshealth.html#tab-overview
3. 查看产生的Log日志
  说明：在企业中遇到Bug时，经常根据日志提示信息去分析问题、解决Bug。
  - 当前目录：/opt/module/hadoop-2.7.2/logs
```
[atguigu@hadoop101 logs]$ ls
hadoop-atguigu-datanode-hadoop.atguigu.com.log
hadoop-atguigu-datanode-hadoop.atguigu.com.out
hadoop-atguigu-namenode-hadoop.atguigu.com.log
hadoop-atguigu-namenode-hadoop.atguigu.com.out
SecurityAuth-root.audit
[atguigu@hadoop101 logs]# cat hadoop-atguigu-datanode-hadoop101.log
```
4. 思考：为什么不能一直格式化NameNode，格式化NameNode，要注意什么？
```
[atguigu@hadoop101 hadoop-2.7.2]$ cd data/tmp/dfs/name/current/
[atguigu@hadoop101 current]$ cat VERSION
clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837
[atguigu@hadoop101 hadoop-2.7.2]$ cd data/tmp/dfs/data/current/
clusterID=CID-f0330a58-36fa-4a2a-a65f-2688269b5837
```
  注意：格式化NameNode，会产生新的集群id,导致NameNode和DataNode的集群id不一致，集群找不到已往数据。所以，格式NameNode时，一定要先删除data数据和log日志，然后再格式化NameNode。

操作集群

在HDFS文件系统上创建一个input文件夹

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -mkdir -p /user/atguigu/input

将测试文件内容上传到文件系统上

[atguigu@hadoop101 hadoop-2.7.2]$bin/hdfs dfs -put wcinput/wc.input /user/atguigu/input/

查看上传的文件是否正确

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -ls  /user/atguigu/input/
[atguigu@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -cat  /user/atguigu/ input/wc.input

运行MapReduce程序

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/input/ /user/atguigu/output

查看输出结果

命令行查看:

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -cat /user/atguigu/output/*

浏览器查看:

将测试文件内容下载到本地

[atguigu@hadoop101 hadoop-2.7.2]$ hdfs dfs -get /user/atguigu/output/part-r-00000 ./wcoutput/

删除输出结果

[atguigu@hadoop101 hadoop-2.7.2]$ hdfs dfs -rm -r /user/atguigu/output

YARN上运行MapReduce 程序

分析
1. 配置集群YARN上运行
2. 启动、测试集群增、删、查
3. 在YARN上执行WordCount案例

执行步骤

配置集群

配置yarn-env.sh

配置一下JAVA_HOME

export JAVA_HOME=/opt/module/jdk1.8.0_144

配置yarn-site.xml

<!-- reducer获取数据的方式 -->
<property>
 		<name>yarn.nodemanager.aux-services</name>
 		<value>mapreduce_shuffle</value>
</property>
<!-- 指定YARN的ResourceManager的地址 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>hadoop101</value>
</property>

配置：mapred-env.sh
配置一下JAVA_HOME
```
export JAVA_HOME=/opt/module/jdk1.8.0_144
```

配置： (对mapred-site.xml.template重新命名为) mapred-site.xml

[atguigu@hadoop101 hadoop]$ mv mapred-site.xml.template mapred-site.xml
[atguigu@hadoop101 hadoop]$ vi mapred-site.xml

<!-- 指定MR运行在YARN上 -->
<property>
		<name>mapreduce.framework.name</name>
		<value>yarn</value>
</property>

启动集群

启动前必须保证NameNode和DataNode已经启动

启动ResourceManager

[atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh start resourcemanager

启动NodeManager

[atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager

集群操作

YARN的浏览器页面查看
http://192.168.1.100:8088/cluster

删除文件系统上的output文件

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -rm -R /user/atguigu/output

执行MapReduce程序

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/input /user/atguigu/output

查看运行结果

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -cat /user/atguigu/output/*

配置历史服务器

为了查看程序的历史运行情况，需要配置一下历史服务器

配置mapred-site.xml

[atguigu@hadoop101 hadoop]$ vi mapred-site.xml

在该文件里面增加如下配置

<property>
<name>mapreduce.jobhistory.address</name>
<value>mypc:10020</value>
</property>
<property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>mypc:19888</value>
</property>
<!--第三方框架使用yarn计算的日志聚集功能 -->
<property>
        <name>yarn.log.server.url</name>
        <value>http://mypc:19888/jobhistory/logs</value>
</property>

启动历史服务器

[atguigu@hadoop101 hadoop-2.7.2]$ sbin/mr-jobhistory-daemon.sh start historyserver

查看历史服务器是否启动
```
atguigu@hadoop101 hadoop-2.7.2]$ jps
```

查看JobHistory
http://192.168.1.100:19888/jobhistory

配置日志的聚集

日志聚集概念：应用运行完成以后，将程序运行日志信息上传到HDFS系统上。
日志聚集功能好处：可以方便的查看到程序运行详情，方便开发调试。
注意：开启日志聚集功能，需要重新启动NodeManager 、ResourceManager和HistoryManager。

开启日志聚集功能具体步骤如下：