用户画像第一章(企业级360°全方位用户画像_项目集群环境搭建)

项目环境搭建

搭建好的集群:链接:
虚拟机说明：
用户名：root
密码：123456
主机名：bd001
Ip：192.168.10.20
Mysql链接: 用户：root 密码：123456
虚拟机配置10网段（根据实际情况启动虚拟网卡）


集群安装路径：/export/servers
apache-flume-1.6.0-cdh5.14.0-bin
flume
hadoop
hadoop-2.6.0-cdh5.14.0
hbase
hbase-1.2.0-cdh5.14.0
hive
hive-1.1.0-cdh5.14.0
jdk1.8.0_221
oozie
oozie-4.1.0-cdh5.14.0
scala-2.11.12
solr
solr-4.10.3-cdh5.14.0
spark
spark-2.2.0-bin-2.6.0-cdh5.14.0
sqoop
sqoop-1.4.6-cdh5.14.0
zookeeper
zookeeper-3.4.5-cdh5.14.0
软件启动：bash /root/bd.sh start/stop （启动/关闭）
2144 ResourceManager
1985 SecondaryNameNode
2933 HRegionServer
2806 HMaster
1591 QuorumPeerMain
3015 Bootstrap
3240 Jps
3049 Bootstrap
1802 DataNode
2299 JobHistoryServer
1708 NameNode
2239 NodeManager

依据项目需求，使用大数据相关技术框架，安装目录及软件版本具体如下图所示：

所有软件的安装以后，创建软连接，方便日后软件的升级。

ln [OPTION]… [-T] TARGET LINK_NAME
比如
ln -s /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 spark

在实际大数据项目中，大数据管理WEB界面，方便安装部署和监控大数据框架组件：

1）、ClouderaManager
CM
安装软件目录：/opt/parcells/…///…
2）、Ambari
开源
/etc/
/usr/lib/impala/

4.1、大数据平台基础环境
安装开发语言软件JDK1.8和Scala2.11及MySQL数据库。

1）、JDK 1.8
所有的大数据框架（90%）基于Java语言编写的
2）、Scala 2.11
Spark框架和Kafka框架使用Scala语言编写的
3）、MySQL
- Hive 表元数据MetaStore
- Oozie和Hue元数据
- 系统：WEB Platform
业务数据存储：tags

1）、安装JDK1.8，配置环境变量

JAVA HOME
export JAVA_HOME=/export/servers/jdk
export PATH=$PATH:${JAVA_HOME}/bin

2）、安装Scala 2.11，配置环境变量

SCALA HOME
export SCALA_HOME=/export/servers/scala
export PATH=$PATH:${SCALA_HOME}/bin

3）、安装MySQL数据库
按照MySQL数据库功能：

1）、Hive MetaStore存储
存储元数据
2）、标签系统WEB 平台数据存储
tbl_basic_tag
tbl_model
3）、Oozie 数据存储
Oozie调度Spark2应用程序
4）、Hue 数据存储
方便操作大数据平台组件
5）、业务数据: tags_dat
订单数据、订单商品表数据、会员信息数据、行为日志数据

截图如下所示：

在实际项目，MySQL数据库字符编码最好是UTF-8，避免乱码出现。
此处使用数据库版本：5.1.73，此版本较低，实际项目使用高版本（至少为**5.6.17**）版本以上。

[root@bigdata-cdh01 ~]# mysql -uroot -p
Enter password:
Welcome to the MySQL monitor. Commands end with ; or \g.
Your MySQL connection id is 2
Server version: 5.1.73 Source distribution
Copyright © 2000, 2013, Oracle and/or its affiliates. All rights reserved.
Oracle is a registered trademark of Oracle Corporation and/or its
affiliates. Other names may be trademarks of their respective
owners.
Type ‘help;’ or ‘\h’ for help. Type ‘\c’ to clear the current input statement.
mysql> show databases ;
±-------------------+
| Database |
±-------------------+
| information_schema |
| db_orders |
| hue |
| metastore |
| mysql |
| oozie |
| tags |
| tags_dat |
| test |
±-------------------+
9 rows in set (0.31 sec)
设置字符集编码为utf-8，具体设置参考文档。

4.2、分布式协作服务Zookeeper
在大数据框架中为了高可用性，很多框架依赖于Zookeeper，所以先安装Zookeeper框架，单机版安装。

配置文件：$ZOOKEEPER_HOME/zoo.cfg

#The number of milliseconds of each tick
tickTime=2000
#The number of ticks that the initial
#synchronization phase can take
initLimit=10
#The number of ticks that can pass between
#sending a request and getting an acknowledgement
syncLimit=5
#the directory where the snapshot is stored.
#do not use /tmp for storage, /tmp here is just
#example sakes.
dataDir=/export/servers/zookeeper/datas/data
dataLogDir=/export/servers/zookeeper/datas/log
#the port at which the clients will connect
clientPort=2181
#the maximum number of client connections.
#increase this if you need to handle more clients
#maxClientCnxns=60
##server.1=bigdata-cdh01.itcast.cn:2888:3888
##server.2=bigdata-cdh02.itcast.cn:2888:3888
##server.3=bigdata-cdh03.itcast.cn:2888:3888
#Be sure to read the maintenance section of the
#administrator guide before turning on autopurge.
##http://zookeeper.apache.org/doc/current/zookeeperAdmin.html#sc_maintenance
#The number of snapshots to retain in dataDir
#autopurge.snapRetainCount=3
#Purge task interval in hours
#Set to “0” to disable auto purge feature
#autopurge.purgeInterval=1

创建数据和日志目录：

mkdir -p /export/servers/zookeeper/datas/data
mkdir -p /export/servers/zookeeper/datas/log

针对Zookeeper集群监控工具：

1）、TaoKeeper
阿里巴巴开源ZK监控工具，目前基本没人使用
2）、zkui
https://github.com/DeemOpen/zkui
https://www.jianshu.com/p/dac4c0bd1d2e

4.3、大数据基础框架Hadoop
安装大数据Hadoop框架，包含三个组件：HDFS（分布式文件系统）、YARN（集群资源管理和任务调度平台）及MapReduce（海量数据处理框架）。
4.3.1、分布式文件系统HDFS
包含服务组件：NameNode和DataNodes，实际项目中按照HDFS HA（基于JN）。

环境变量配置：$HADOOP_HOME/etc/hadoop/hadoop-env.sh

export JAVA_HOME=/export/servers/jdk

common模块配置文件：$HADOOP_HOME/etc/hadoop/core-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
	<property>
			<name>fs.defaultFS</name>
			<value>hdfs://bigdata-cdh01.itcast.cn:8020</value>
	</property>
	<property>
			<name>hadoop.tmp.dir</name>
			<value>/export/servers/hadoop/datas</value>
	</property>

	<property>
		<name>hadoop.proxyuser.root.hosts</name>
		<value>*</value>
	</property>
	<property>
		<name>hadoop.proxyuser.root.groups</name>
		<value>*</value>
	</property>

	<property>
		<name>hadoop.proxyuser.hue.hosts</name>
		<value>*</value>
	</property>
	<property>
		<name>hadoop.proxyuser.hue.groups</name>
		<value>*</value>
	</property>
	
</configuration>

hdfs模块配置文件：$HADOOP_HOME/etc/hadoop/hdfs-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
	<property>
			<name>dfs.replication</name>
			<value>1</value>
	</property>
	<property>
			<name>dfs.permissions.enabled</name>
			<value>false</value>
	</property>
	
	<property>
		<name>dfs.webhdfs.enabled</name>
		<value>true</value>
	</property>
</configuration>

配置文件：$HADOOP_HOME/etc/hadoop/slaves

bigdata-cdh01.itcast.cn

4.3.2、分布式资源管理框架YARN
对集群资源分布式管理和调度，包含ResourceManager和NodeManagers。

面试题：
目前来说，大数据框架Spark 主要还是运行在YANR上，所以必须掌握如下两个问题：
1）、YARN 如何资源管理和应用调度
2）、Spark on YARN：两个DeployMode提交流程与区别
必问，死背

配置文件**$HADOOP_HOME/etc/hadoop/yarn-env.sh**：

#some Java parameters
export JAVA_HOME=/export/servers/jdk

配置文件**$HADOOP_HOME/etc/hadoop/yarn-site.xml**：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>

	<property>
		<name>yarn.resourcemanager.hostname</name>
		<value>bigdata-cdh01.itcast.cn</value>
	</property>
	<property>
		<name>yarn.nodemanager.aux-services</name>
		<value>mapreduce_shuffle</value>
	</property>
	<property>
        <name>yarn.log-aggregation-enable</name>
        <value>true</value>
    </property>
        <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>604800</value>
    </property>
	
	<property>
		<name>yarn.log.server.url</name>
		<value>http://bigdata-cdh01.itcast.cn:19888/jobhistory/logs</value>
	</property>

</configuration>

4.3.3、计算处理框架MapReduce
对海量数据进行离线分析处理框架MapReduce，其中Sqoop和Oozie底层运行都是MapReduce任务，仅仅执行MapTask。

配置文件**$HADOOP_HOME/etc/hadoop/mapred-env.sh**：

export JAVA_HOME=/export/servers/jdk

配置文件**$HADOOP_HOME/etc/hadoop/mapred-site.xml**：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
	<property>
		<name>mapreduce.framework.name</name>
		<value>yarn</value>
	</property>
	<property>
		<name>mapreduce.jobhistory.address</name>
		<value>bigdata-cdh01.itcast.cn:10020</value>
	</property>
	<property>
		<name>mapreduce.jobhistory.webapp.address</name>
		<value>bigdata-cdh01.itcast.cn:19888</value>
	</property>
</configuration>

4.4、数据仓库框架Hive
基于HADOOP之上数据仓库框架Hive，在企业中使用非常广泛，底层MR计算分析数据。

针对Hive框架来说，底层计算引擎可以为三种：
1）、MapReduce（最原始）
2）、Tez
国外
3）、Spark
从Hive 2.0开始，官方建议使用Spark/Tez作为计算引擎，不推荐使用MR。

安装Hive数据仓库依赖的MySQL数据库，存储元数据MetaData，官方要求的MySQL数据库版本如下所示：

配置文件：$HIVE_HOME/conf/hive-env.sh

#Set HADOOP_HOME to point to a specific hadoop install directory
HADOOP_HOME=/export/servers/hadoop
#Hive Configuration Directory can be controlled by:
export HIVE_CONF_DIR=/export/servers/hive/conf

配置文件：$HIVE_HOME/conf/hive-site.xml

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
	<property>
	  <name>javax.jdo.option.ConnectionURL</name>
	  <value>jdbc:mysql://bigdata-cdh01.itcast.cn:3306/metastore?createDatabaseIfNotExist=true&amp;characterEncoding=UTF-8</value>
	  <description>JDBC connect string for a JDBC metastore</description>
	</property>

	<property>
	  <name>javax.jdo.option.ConnectionDriverName</name>
	  <value>com.mysql.jdbc.Driver</value>
	  <description>Driver class name for a JDBC metastore</description>
	</property>

	<property>
	  <name>javax.jdo.option.ConnectionUserName</name>
	  <value>root</value>
	  <description>username to use against metastore database</description>
	</property>

	<property>
	  <name>javax.jdo.option.ConnectionPassword</name>
	  <value>123456</value>
	  <description>password to use against metastore database</description>
	</property>

	<property>
	  <name>hive.cli.print.header</name>
	  <value>true</value>
	  <description>Whether to print the names of the columns in query output.</description>
	</property>

	<property>
	  <name>hive.cli.print.current.db</name>
	  <value>true</value>
	</property>
	<property>
	  <name>hive.mapred.mode</name>
	  <value>strict</value>
	</property>
	<property>
	  <name>hive.metastore.uris</name>
	  <value>thrift://bigdata-cdh01.itcast.cn:9083</value>
	</property>
	<property>
	  <name>hive.metastore.warehouse.dir</name>
	  <value>/user/hive/warehouse</value>
	</property>
</configuration>

注意：Hive MetaStore数据库字符编码必须使用latin，不能是utf-8，建议先创建Hive元数据数据库。

将MySQL数据库驱动包放入$HIVE_HOME/lib目录下。

1）、Hive MetaStore
可以在不同机器上启动多个，一台机器启动一个，默认口号时9083
2）、Hive 数据仓库目录
实际项目中不会使用默认值路径，需要配置

hive.metastore.warehouse.dir
/user/hive/warehouse

3）、启动HiveServer2
将Hive当做服务启动

4.5、大数据NoSQL数据库HBase
基于HDFS之上，存储海量数据NoSQL数据库HBase，面向列存储，可以存储几十亿行和百万列。

面试题：
1）、从HBase表中读写数据流程
首先连接ZK地址，找Meta表的Region所在的RegionServer地址信息
读流程：
MemStore 、StoreFile、BlockCache(读缓存)
写流程：
WAL（预写日志）、MemStore、StoreFile（Compaction：Minor、Major)
2）、HBase表的设计
就是RowKey设计：
唯一性、避免热点、前缀匹配查询
3）、HBase 性能优化
数据压缩、表预分区，JVM设置，RegionServer内存分配设置
HBase是否有单点故障：没有，可以启动多个HMaster
如果HBase集群中HMaster宕机了，短时间内是否影响Client读写表的数据：不影响

配置文件：$HBASE_HOME/conf/hbase-env.sh

#The java implementation to use. Java 1.7+ required.
export JAVA_HOME=/export/servers/jdk
#Tell HBase whether it should manage it’s own instance of Zookeeper or not.
export HBASE_MANAGES_ZK=false

配置文件：$HBASE_HOME/conf/hbase-site.xml

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>

	<!-- 指定HBase框架运行临时目录 -->
	<property >
		<name>hbase.tmp.dir</name>
		<value>/export/servers/hbase/data/tmp</value>
	</property>

	<!-- HBASE 表中数据存储在HDFS上根目录 -->
	<property >
		<name>hbase.rootdir</name>
		<value>hdfs://bigdata-cdh01.itcast.cn:8020/hbase
	</property>

	<!-- HBase Cluster 集群运行在分布式模式下，伪分布式也是分布式 -->
	<property >
		<name>hbase.cluster.distributed</name>
		<value>true</value>
	</property>

	<!-- 告知HBase Cluster所依赖的ZK Cluster地址 -->
	<property>
		<name>hbase.zookeeper.quorum</name>
		<value>bigdata-cdh01.itcast.cn</value>
	</property>

	<!-- 配置压缩SNAPPY和LZ4 -->
	<!-- 
	<property>
		<name>hbase.master.check.compression</name>
		<value>true</value>
	</property>

	<property>
		<name>hbase.regionserver.codecs</name>
		<value>lz4</value>
	</property>
        -->

</configuration>

配置文件：$HBASE_HOME/conf/regionservers

bigdata-cdh01.itcast.cn

4.6、大数据生态组件
生态组件中有SQOOP、FLUME、OOZIE和HUE，方便数据采集及任务调度查看。
4.6.1、数据转换工具SQOOP
SQOOP底层为MapReduce程序，仅仅运行MapTask，并行的将数据在RDBMs与HDFS/HIVE/HBase之间导入导出。

4.6.2、数据实时抽取采集Flume
实时监控日志数据，将数据采集存储到HDFS上，架构图如下：

针对每个服务器产生的日志数据，启动一个Agent，实时监控数据，采集存储到HDFS上。
1）、Source
2）、Channel
3）、Sink

面试题：
Flume采集数据时，考虑架构：高可用和负载均衡
案例：
1）、Flume 高可用：
https://blog.csdn.net/jinYwuM/article/details/82594618
2）、Flume 负载均衡
https://blog.csdn.net/silentwolfyh/article/details/51165804

4.6.3、任务调度框架Oozie
使用Oozie调度执行任务（工作流WorkFlow和调度器Coordinator），架构如下：

Oozie 任务调度框架：
1）、工作流WorkFlow - 简单任务调度
将每个任务封装在Workf1ow中调度执行
2）、调度器Coordinator
针对WorkFlow指定调度策略（时间，数据可用性）
3）、Bundle
批量调度执行，有点类似事务
Oozie中每个Workflow执行时都是一个MapReduce任务，仅仅只有一个MapTask，用于启动Action。

4.6.4、大数据可视化工具Hue
Hue为大数据生态系统一体可视化工具，操作HDFs、查看任务执行及集成Hive编写SQL，尤其与Oozie集成，更加方便的调度执行任务工作流。

4.7、大数据分析框架Spark
大数据分析框架Spark，集成批处理、交互式分析和流式处理及高级数据分析（图计算和机器学习）为一体的框架，从Spark 2.0开始，所有应用入口为SparkSession，数据封装在DataFrame中。

配置文件：$SPARK_HOME/conf/spark-env.sh

JAVA_HOME=/export/servers/jdk
SCALA_HOME=/export/servers/scala
HADOOP_CONF_DIR=/export/servers/hadoop/etc/hadoop
YARN_CONF_DIR=/export/servers/hadoop/etc/hadoop
SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://bigdata-cdh01.itcast.cn:8020/spark/eventLogs/ -Dspark.history.fs.cleaner.enabled=true"

配置文件：$SPARK_HOME/conf/spark-defaults.conf

spark.eventLog.enabled true
spark.eventLog.dir hdfs://bigdata-cdh01.itcast.cn:8020/spark/eventLogs/
spark.eventLog.compress true
spark.yarn.jars hdfs://bigdata-cdh01.itcast.cn:8020/spark/jars/*
spark.yarn.historyServer.address bigdata-cdh01.itcast.cn:18080
spark.sql.warehouse.dir /user/hive/warehouse

运行Spark 圆周率PI程序，提交到YARN上执行：

#!/bin/bash
SPARK_HOME=/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0
${SPARK_HOME}/bin/spark-submit
–master yarn
–deploy-mode cluster
–class org.apache.spark.examples.SparkPi
–driver-memory 512m
–driver-cores 1
–executor-memory 512m
–executor-cores 1
–num-executors 2
–queue default
hdfs://bigdata-cdh01.itcast.cn:8020/spark/spark-examples_2.11-2.2.0.jar
10