java大数据最全课程学习笔记(1)--Hadoop简介和安装及伪分布式

目前CSDN,博客园,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(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)

1. 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.

2. 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.

3. 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.

4. 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)

1. 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.

2. 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.

3. 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.

4. 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

1. 克隆虚拟机

2. 修改克隆虚拟机的静态IP

3. 修改主机名

4. 关闭防火墙

5. 创建atguigu用户

   useradd atguigu
   passwd atguigu
   

6. 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

7. 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

1. 查看Hadoop目录结构

2. 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

1. 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

2. 将Hadoop的xml配置文件复制到input

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

3. 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.]+'

4. 查看输出结果

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

官方WordCount案例

1. 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

2. 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

3. 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

4. 回到Hadoop目录/opt/module/hadoop-2.7.2

5. 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

6. 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

1. 分析

   1. 配置集群

   2. 启动、测试集群增、删、查

   3. 执行WordCount案例

2. 执行步骤

   1. 配置集群

      1. 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
           

      2. 配置: core-site.xml

         
         <property>
         <name>fs.defaultFSname>
             <value>hdfs://mypc:9000value>
         property>
         
         <property>
         	<name>hadoop.tmp.dirname>
         	<value>/opt/module/hadoop-2.7.2/data/tmpvalue>
         property>
         

      3. 配置: hdfs-site.xml

         
         <property>
         	<name>dfs.replicationname>
         	<value>1value>
         property>
         

   2. 启动集群

      1. 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
         

      2. 启动NameNode

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

      3. 启动DataNode

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

   3. 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。

   4. 操作集群

      1. 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
      

      2. 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/
      

      3. 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
      

      4. 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
      

      5. 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:

      

      6. 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/
      

      7. 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

1. 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

2. 执行步骤

   1. 配置集群

      1. 配置yarn-env.sh

         配置一下JAVA_HOME

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

      2. 配置yarn-site.xml

         
         <property>
          		<name>yarn.nodemanager.aux-servicesname>
          		<value>mapreduce_shufflevalue>
         property>
         
         <property>
         <name>yarn.resourcemanager.hostnamename>
         <value>hadoop101value>
         property>
         

      3. 配置：mapred-env.sh

         配置一下JAVA_HOME

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

      4. 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
         

         
         <property>
         		<name>mapreduce.framework.namename>
         		<value>yarnvalue>
         property>
         

   2. 启动集群

      1. 启动前必须保证NameNode和DataNode已经启动

      2. 启动ResourceManager

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

      3. 启动NodeManager

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

   3. 集群操作

      1. YARN的浏览器页面查看

         http://192.168.1.100:8088/cluster

   

   2. 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
      

   3. 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
      

   4. 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

1. 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.addressname>
<value>mypc:10020value>
property>
<property>
    <name>mapreduce.jobhistory.webapp.addressname>
    <value>mypc:19888value>
property>

<property>
        <name>yarn.log.server.urlname>
        <value>http://mypc:19888/jobhistory/logsvalue>
property>

2. 启动历史服务器

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

3. 查看历史服务器是否启动

   atguigu@hadoop101 hadoop-2.7.2]$ jps
   

4. 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：

1. 配置yarn-site.xml

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

   在该文件里面增加如下配置

   
   <property>
   <name>yarn.log-aggregation-enablename>
   <value>truevalue>
   property>
   
   <property>
   <name>yarn.log-aggregation.retain-secondsname>
   <value>604800value>
   property>
   

2. 关闭NodeManager 、ResourceManager和HistoryManager

   [atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop resourcemanager
   [atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop nodemanager
   [atguigu@hadoop101 hadoop-2.7.2]$ sbin/mr-jobhistory-daemon.sh stop historyserver
   

3. 启动NodeManager 、ResourceManager和HistoryManager

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

4. 删除HDFS上已经存在的输出文件

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

5. 执行WordCount程序

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

   • 我wc1里有文件,wc3不存在

   

   • 所以我执行了一个简单的测试命令

   hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /wc1 /wc3

6. 查看日志

   http://192.168.1.100:19888/jobhistory

配置文件说明及其他注意事项

配置文件说明

Hadoop配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认配置值时，才需要修改自定义配置文件，更改相应属性值。

• 默认配置文件

  要获取的默认文件	文件存放在Hadoop的jar包中的位置
  [core-default.xml]	hadoop-common-2.7.2.jar/ core-default.xml
  [hdfs-default.xml]	hadoop-hdfs-2.7.2.jar/ hdfs-default.xml
  [yarn-default.xml]	hadoop-yarn-common-2.7.2.jar/ yarn-default.xml
  [mapred-default.xml]	hadoop-mapreduce-client-core-2.7.2.jar/ mapred-default.xml

• 自定义配置文件

  core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml四个配置文件存放在$HADOOP_HOME/etc/hadoop这个路径上，用户可以根据项目需求重新进行修改配置。

其他注意事项

• 本次学习使用的虚拟机系统是centOS6.8,和生产环境普遍使用的centOS7.X的部分命令有差异,请注意识别!

• 在Hadoop中启动多种不同类型的进程.例如NN,DN，RM,NM，这些进程需要进行通信！在通信时，常用主机名进行通信！

  • 在192.168.1.100机器上的DN进程，希望访问192.168.1.104机器的NN进程！需要在集群的每台机器上，配置集群中所有机器的host映射！

  • 配置：

    Linux: /etc/hosts
    Windows： C:\Windows\System32\drivers\etc\hosts

  • 不配报错：DNS映射异常，HOST映射异常

  • Linux配置完hosts文件后一定要重启网络配置!!!

    service network restart

• 注意权限

  • hadoop框架在运行需要产生很多数据(日志)，数据的保存目录，必须让当前启动hadoop进程的用户拥有写权限！

• 关闭防火墙，设置开机不自启动

  service iptables stop
  chkconfig iptables off

• HDFS的运行模式的参数设置

  fs.defaultFS在core-default.xml中！

  • 本地模式(在本机上使用HDFS，使用的就是本机的文件系统)

    fs.defaultFS=file:///(默认)

  • 分布式模式

    fs.defaultFS=hdfs://

• 提交任务的命令

  hadoop jar jar包 主类名 参数{多个输入目录，一个输出目录}

  输入目录中必须全部是文件！
  输出目录必须不存在！