大数据开发第一步：Hadoop基础学习

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

对大数据以及人工智能概念都是模糊不清的，该按照什么线路去学习，学完往哪方面发展，想深入了解，想学习的同学欢迎加入大数据学习qq群：458345782，有大量干货（零基础以及进阶的经典实战）分享给大家，让大家了解到目前国内最完整的大数据高端实战实用学习流程体系 。从java和linux入手，其后逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相关知识一一分享！

HDFS

分布式文件系统 解决以下问题：

• 硬盘不够大：多几块硬盘，理论上可以无限大

• 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


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

• 因为有了bigtable的思想：NoSQL：HBase数据库

• HBase基于Hadoop的HDFS的

• 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 

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

 

 

修改core-site.xml

 

 

修改mapred-site.xml

 

 

修改yarn-site.xml

 

 

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

 

 

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

 

 

 

 

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。

对大数据以及人工智能概念都是模糊不清的，该按照什么线路去学习，学完往哪方面发展，想深入了解，想学习的同学欢迎加入大数据学习qq群：458345782，有大量干货（零基础以及进阶的经典实战）分享给大家，让大家了解到目前国内最完整的大数据高端实战实用学习流程体系 。从java和linux入手，其后逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相关知识一一分享！