Hadoop

一、大数据相关概念

Bigdata：

• 结构化数据
• 半结构化数据
• 非结构化数据

搜索引擎：搜索组件、索引组件，由蜘蛛程序搜集而来

存储平台

分析处理平台

Google：

• 2003年：The Google File System
• 2004年：MapReduce：Simplified Data Proccessing On Large Cluster
• 2006年：BigTable：A Distributed Storage System for Structure Date

Hadoop：HDFS + MapReduce

HBase

• HDFS
  • NameNode 名称节点
  • DataNode 数据节点
  • SNN:Secondary NameNode 辅助名称节点
• MapReduce
  • JobTracker
  • TaskTracker

二、函数式编程

• Lisp，ML函数式编程语言：高阶函数
  • map：把一个任务映射为多个；接受一个函数为参数，并将其应用于列表中的所有元素
  • fold：接受俩个参数，函数、初始值，不断将前一个结果和后一个函数做处理，来实现数据结果折叠
• mapper：同一个键只能发往同一个reducer
• reducer：将mapper处理的结果reducer

三、hadoop组件

• MRv1(Hadoop2) -- MapReduce
  • Pig
  • Hive
• MRv2(Hadoop2)
  • YARN
    • Tez：execution engine
      • MR：bateh
      • Pig：data flow
      • Hive：sql
    • RM：Resource Manager
    • NM：Node Manager
    • AM：Application Master
    • container：mr任务

四、Hadoop部署

1. 单机模型：测试使用
2. 伪分布式模型：运行于单机
3. 分布式模型：集群模型

hadoop-2.6.2：jdk-1.6以上

hadoop-2.7

一、伪分布式模型部署示例：

CentOS:7.5

JDK:1.7.0_171

hadoop:2.6.5

• 配置基础环境

# yum install java-1.7.0-openjdk.x86_64 -y
# yum install java-1.7.0-openjdk-devel.x86_64 -y
# vim /etc/profile.d/java.sh
export JAVA_HOME=/usr
# wget https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-2.6.5/hadoop-2.6.5.tar.gz
# mkdir /bdapps
# tar xf hadoop-2.6.5.tar.gz -C /bdapps/
# cd /bdapps/
# ln -sv hadoop-2.6.5 hadoop
# vim /etc/profile.d/hadoop.sh
export HADOOP_PREFIX=/bdapps/hadoop
export PATH=$PATH:${HADOOP_PREFIX}/bin:${HADOOP_PREFIX}/sbin
export HADOOP_YARN_HOME=${HADOOP_PREFIX}
export HADOOP_MAPPERD_HOME=${HADOOP_PREFIX}
export HADOOP_COMMON_HOME=${HADOOP_PREFIX}
export HADOOP_HDFS_HOME=${HADOOP_PREFIX}
# . /etc/profile.d/hadoop.sh

• 创建运行Hadoop进程的用户和相关目录

~]# groupadd hadoop
~]# useradd -g hadoop yarn
~]# useradd -g hadoop hdfs
~]# useradd -g hadoop mapred
~]# mkdir -pv /data/hadoop/hdfs/{nn,snn,dn}
~]# chown -R hdfs:hadoop /data/hadoop/hdfs
~]# cd /bdapps/hadoop/
hadoop]# mkdir logs
hadoop]# chmod g+w logs
hadoop]# chown -R yarn:hadoop ./*

• 配置hadoop

hadoop]# vim etc/hadoop/core-site.xml  #core-site.xml文件包含了NameNode主机地址以及其监听RPC端口等信息，对于伪分布式模型的安装来说，其主机地址伪localhost。NameNode默认使用的RPC端口伪8020。其简要的配置内容如下：
<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:8020</value>
        <final>true</final>
    </property>
</configuration>

hadoop]# vim etc/hadoop/hdfs-site.xml  #hdfs-site.xml主要用于配置HDFS相关属性，例如复制因子（即数据块的副本数）、NN和DN用于存储数据的目录等。数据块的副本数对于伪分布式的Hadoop应该为1，而NN和DN用于存储的数据目录为前面的步骤中专门为其创建的路径。另外，前面的步骤中也为SNN创建了相关的目录，这里也一并配置其为启用状态。
<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:///data/hadoop/hdfs/nn</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:///data/hadoop/hdfs/dn</value>
    </property>
    <property>
        <name>fs.checkpoint.dir</name>
        <value>file:///data/hadoop/hdfs/snn</value>
    </property>
    <property>
        <name>fs.checkpoint.edits.dir</name>
        <value>file:///data/hadoop/hdfs/snn</value>
    </property>
</configuration>

注意：如果需要其他用户对hdfs有写入权限，还需要在此文件中添加一项属性定义。
    <property>
        <name>dfs.permissions</name>
        <value>false</value>
    </property>

hadoop]# cp etc/hadoop/mapred-site.xml.template etc/hadoop/mapred-site.xml
hadoop]# vim etc/hadoop/mapred-site.xml  #mapred-site.xml文件用于配置集群的MapReduce framework，此处应该指定使用yarn，另外的可用值还有local和classic。mapred-site.xml默认不存在，但有模板文件mapred-site.xml.template，只需要将其复制mapred-site.xml即可。
<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

hadoop]# vim etc/hadoop/yarn-site.xml  #yarn-site.xml用于配置YARN进程及YARN的相关属性。首先需要指定ResourceManager守护进程的主机和监听的端口，对于伪分布式模型来说，其主机伪localhost，默认的端口为8032；其次需要指定ResourceManager使用的scheduler，以及NodeManager的辅助服务。示例如下：
<configuration>
    <property>
        <name>yarn.resourcemanager.address</name>
        <value>localhost:8032</value>
    </property>
    <property>
        <name>yarn.resourcemanager.scheduler.address</name>
        <value>localhost:8030</value>
    </property>
    <property>
        <name>yarn.resourcemanager.resource-tracker.address</name>
        <value>localhost:8031</value>
    </property>
    <property>
        <name>yarn.resourcemanager.admin.address</name>
        <value>localhost:8033</value>
    </property>
    <property>
        <name>yarn.resourcemanager.webapp.address</name>
        <value>localhost:8088</value>
    </property>
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.nodemanager.auxservices.mapreduce_shuffle.class</name>
        <value>org.apache.hadoop.mapred.ShuffleHandler</value>
    </property>
    <property>
        <name>yarn.resourcemanager.scheduler.class</name>
        <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
    </property>
</configuration>

• 格式化HDFS

~]# su - hdfs
~]$ hdfs namenode -format  #显示输出successfully formatted表示格式化成功

• 启动

~]# su - hdfs
~]$ hadoop-daemon.sh start namenode
~]$ hadoop-daemon.sh start secondarynamenode
~]$ hadoop-daemon.sh start datanode
~]$ jps  #查看java进程，看NameNode是否启动

~]# su - yarn
~]$ yarn-daemon.sh start resourcemanager
~]$ yarn-daemon.sh start nodemanager
~]$ jps

RMUI

HDFS: http://192.168.0.12:50070

YARN: http://localhost:8088/cluster

• 测试

~]# su - hdfs
~]$ yarn jar /bdapps/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.5.jar wordcount /test/fstab /test/fatab.out  #统计文件中每个单词出现的次数
~]$ hdfs dfs -ls /test/fatab.out/
~]$ hdfs dfs -cat /test/fatab.out/part-r-00000  #统计结果

五、hdfs命令

~]$ hdfs dfs -mkdir /test
~]$ hdfs dfs -ls /
~]$ hdfs dfs -put /etc/fstab /user/hdfs/fstab
~]$ hdfs dfs -put /etc/fstab /test/fstab
~]$ hdfs dfs -ls -R /
~]$ hdfs dfs -cat /test/fstab
~]$ hdfs dfs -df -h