大数据之hadoop

一、大数据
大数据：解决海量数据问题的技术。大数据由巨型数据集组成，把数据集合并进行分析可得出许多额外的信息和数据关系性。
大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。
大数据技术是指从各种各样类型的数据中，快速获得有价值信息的能力，适用于大数据的技术，包括大数据技术包括大规模并行处理数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网和可扩展的存储系统。

大数据的特性：
大体量：可从数百TB到数十数百PB、甚至EB的规模
多样性：大数据包括各种形式的形态的数据
时效性：需要在一定的时间限度下得到及时的处理
准确性：处理的结果要保证一定的准确性
大价值：大数据包含很多深度的价值，大数据分析挖掘和利用将带来巨大的商业价值

二、Hadoop
hadoop是一种分析和处理海量数据的软件平台，是一款开源软件，使用Java开发，可以提供一个分布式基础架构

hadoop特点：高可靠性、高扩展性、高效性、高容错性、低成本

hadoop常用组件：
-HDFS(Hadoop分布式文件系统)
-Mapreduce(分布式计算框架)
-Zookeeper(分布式协作服务)
-Hbase(分布式列存数据库)
-Hive(基于Hadoop的数据仓库)
-Sqoop(数据同步工具)
-Pig(基于Hadoop的数据流系统)
-Mahout(数据挖掘算法库)
-Flume(日志收集工具)

hadoop核心组件：
-HDFS：分布式文件系统
-Yarn:集群资源管理系统
-MapReduce:分布式计算框架

HDFS角色及概念
-NameNode：Master节点,管理HDFS的名称空间和数据块映射信息,配置副本策略,处理所有客户端请求。
-Secondary NameNode：定期合幵 fsimage 和fsedits,推送给NameNode，紧急情况下,可辅助恢复NameNode
-DataNode:数据存储节点,存储实际的数据,汇报存储信息给NameNode。
-Client:切分文件,访问HDFS,与NameNode交互,获取文件位置信息，与DataNode交互,读取和写入数据。

Hadoop的部署模式有三种：
-单机
-伪分布式（所有角色装一台机器上）
-完全分布式（不同角色装不同机器）

三、单机模式：
1.获取软件
http://hadoop.apache.org
下载：hadoop-2.7.6.tar.gz
解压：tar -xf hadoop-2.7.6.tar.gz
安装：mv hadoop-2.7.6

2.安装java环境，jps工具
yum -y install java-1.8.0-openjdk
yum -y install java-1.8.0-openjdk-devel

3.设置环境变量
vim /usr/local/hadoop/etc/hadoop/hadoop-env.sh
export JAVA_HOME="/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.131-11.b12.el7.x86_64/jre"
export HADOOP_CONF_DIR="/usr/local/hadoop/etc/hadoop"

分析单词出现的次数
./bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.6.jar wordcount oo xx

四、完全分布式：
-分布式文件系统：是指文件系统管理的物理存储资源不一定直接连接在本地节点上,而是通过计算机网络节点相连，分布式文件系统的设计基于客户机/服务器模式；分布式文件系统可以有效解决数据的存储和管理难题，将固定于某个地点的某个文件系统，扩展到任意多个地点/多个文件系统，众多的节点组成一个文件系统网络，每个节点可以分布在不同的地点，通过网络进行节点间的通信和数据传输。

集群组建条件:

• ALL: 能相互 ping 通 (配置 /etc/hosts)
• ALL: 安装 java-1.8.0-openjdk-devel
• NN1: 能 ssh 免密登录所有集群主机，包括自己(不能提示输入 yes)
  ssh 免密登录：部署 sshkey
  不输入 yes：修改 /etc/ssh/ssh_config
  60行添加 StrictHostKeyChecking no

配置文件格式
<property>
<name></name>
<value></value>
<description></description>
</property>

配置文件参考网址http://hadoop.apache.org
cd /usr/local/hadoop/etc/hadoop

1.配置环境变量文件hadoop-env.sh（参见三、3）
2.核心配置文件core-site.xml
vim core-site.xml
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs:///nn01:9000</value>
<description></description>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>/var/hadoop</value>
<description></description>
</property>
</configuration>
在所有主机上创建/var/hadoop

2.完全分布式配置hdfs-site.xml
vim hdfs-site.xml
<configuration>
<property>
<name>dfs.datanode.http-address</name>
<value>nn01:50070</value>
<description></description>
</property>
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>nn01:50090</value>
<description></description>
</property>
<property>
<name>dfs.replication</name>
<value>2</value>
<description></description>
</property>
</configuration>

3.配置slaves
vim slaves
node01
node02
node03

4.同步配置到所有主机

5.格式化 namenode (nn01上操作)
./bin/hdfs namenode -format

6.启动集群 （nn01上操作）
./sbin/start-dfs.sh
停止集群可以使用 ./sbin/stop-dfs.sh

7.验证角色 jps （所有主机操作）

8.验证集群是否组建成功 （nn01上操作）
./bin/hdfs dfsadmin -report

服务启动日志路径 /usr/local/hadoop/logs