【大数据】☀️搞定Hadoop集群☀️概述&环境配置
目录
一、什么是Hadoop框架：
二、Hadoop三大发行版：
1.Apache Hadoop
2.Cloudera Hadoop
3.Hortonworks Hadoop
三、Hadoop的优势：
四、Hadoop组成：
1.HDFS架构概述：
a）NameNode（nn）：
b）DataNode（dn）：
c）Secondary NameNode（2nn）：
2.YARN架构概述：
3.MapReduce框架概述：
五、大数据生态体系：
六、VMware安装：
1.配置IP和主机名称：
修改虚拟机IP：
在虚拟机中修改配置：
在Windows中修该配置：
2.使用远程连接软件访问服务器：
3.配置模板虚拟机：
安装epel-release：
注意：
关闭防火墙，关闭防火墙开机自启：
配置用户权限：
4.创捷文件夹：
5.卸载虚拟机自带的JDK：
6.重启虚拟机：
六、克隆虚拟机：
修改克隆后的虚拟机IP：
七、在Hadoop_02虚拟机上安装JDK：
上传JDK和Hadoop的压缩包到主机：
八、在Hadoop_02虚拟机上安装Hadoop：
一、什么是Hadoop框架：
- Hadoop是一个由Apache基金会所开发的分布式系统基础框架。
- 解决海量数据的存储和海量数据的分析计算。
- Hadoop通常指一个更加广泛的概念——Hadoop生态圈。
- GFS——分布式存储——HDFS
- MapReduce——分布式计算——MR
- BigTable——分布式数据库——HBase
二、Hadoop三大发行版：
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内部集成了很多大数据框架。对应产品CDH。
Hortonworks文档较好。对应产品HDP。
1.Apache Hadoop
官网地址：http://hadoop.apache.org/releases.html
下载地址：Index of /dist/hadoop/common
2.Cloudera Hadoop
官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/
（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support
（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。Cloudera的标价为每年每个节点10000美元。
（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。
3.Hortonworks Hadoop
官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://hortonworks.com/downloads/#data-platform
（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
（3）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
（4）Hortonworks目前已经被Cloudera公司收购。
三、Hadoop的优势：
- 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或者存储出现故障，也不会导致数据丢失。
- 高扩展性：在集群间分配任务数据，可方便扩展数以千记得节点。
- 高效性：MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
- 高容错性：能够自动将失败的任务重新分配。
解释：
- 并行是指“并排行走”或“同时实行或实施”。在操作系统中是指，一组程序按独立异步的速度执行，无论从微观还是宏观，程序都是一起执行的。对比地，并发是指:在同一个时间段内，两个或多个程序执行，有时间上的重叠(宏观上是同时,微观上仍是顺序执行)。
- 并发，在操作系统中，是指一个时间段中有几个程序都处于已启动运行到运行完毕之间，且这几个程序都是在同一个处理机上运行，但任一个时刻点上只有一个程序在处理机上运行。
四、Hadoop组成：
1.HDFS架构概述：
Hadoop Distributed File System：Hadoop分布式文件系统
a）NameNode（nn）：
存储文件的元数据，如：文件名、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。
b）DataNode（dn）：
在本地文件系统存储文件数据模块，以及块数据的校验和。
c）Secondary NameNode（2nn）：
每隔一段时间对NameNode元数据备份（注意：他不是nn的热备份，不能替代nn执行相关的功能），协助nn执行功能。
2.YARN架构概述：
YARN资源调度：cpu、内存等
3.MapReduce框架概述：
MapReduce：将计算过程分为两个阶段：Map、Reduce
- Map阶段并行处理输入的数据
- Reduce阶段对Map结果进行汇总
五、大数据生态体系：
- 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。
- Flume：Flume是一个高可用的，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；
- Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
- 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。
- 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。
- Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
- Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
- 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。
- 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。
- ZooKeeper：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。
六、VMware安装：
传送口：安装虚拟机
1.配置IP和主机名称：
修改虚拟机IP：
打开虚拟网络编辑器：
更改配置：
在虚拟机中修改配置：
在虚拟机中执行：vim /etc/sysconfig/network-scripts/ifcfg-ens33：打开Linux中的网络配置文件
TYPE="Ethernet"
PROXY_METHOD="none"
BROWSER_ONLY="no"
BOOTPROTO="static" //修改IP地址为静态地址，dhcp为动态IP地址
DEFROUTE="yes"
IPV4_FAILURE_FATAL="no"
IPV6INIT="yes"
IPV6_AUTOCONF="yes"
IPV6_DEFROUTE="yes"
IPV6_FAILURE_FATAL="no"
IPV6_ADDR_GEN_MODE="stable-privacy"
NAME="ens33"
UUID="19026c39-6efe-4f7c-9122-7a8de708270e"
DEVICE="ens33"
ONBOOT="yes"
IPADDR=192.168.10.100
GATEWAY=192.168.10.2
DNS1=192.168.10.2vim /etc/hostname：修改主机名称
vim /etc/hosts：主机名映射
192.168.10.100 hadoop01
192.168.10.101 hadoop02
192.168.10.102 hadoop03
192.168.10.103 hadoop04
192.168.10.104 hadoop05
192.168.10.105 hadoop06
192.168.10.106 hadoop07
192.168.10.107 hadoop08
192.268.10.108 hadoop09reboot：重启Linux
ipconfig：查看ip地址
ping 外部网站连接：能ping成功说明网络连接成功
ctl+C：停止ping操作
在Windows中修该配置：
打开网络设置，修改适配器选项
右键打开VMware属性，双击internet协议版本4（TCP/IPv4），修改常规
2.使用远程连接软件访问服务器：
Xshell：远程连接工具
Xftp：远程文件上传工具
3.配置模板虚拟机：
安装epel-release：
yum install -y epel-release
注意：
如果安装的是Linux最小系统版本，还需要安装如下工具，如果安装的是Linux的桌面标准版，则不需要执行以下操作：
- net-tool：工具包集合，包含
ifconfig等命令：yum install -y net-tools - vim：编辑器：
yum install -y vim
关闭防火墙，关闭防火墙开机自启：
systemctl stop firewalld：关闭防火墙
systemctl disable firewalld.service：关闭防火墙开机自启
配置用户权限：
创建用户，配置用户权限（我这里直接使用root用户）
4.创捷文件夹：
cd /opt：进入opt目录
sudo mkdir module：创建module文件夹
sudo mkdir software：创建software文件夹
5.卸载虚拟机自带的JDK：
注意：虚拟机是最小安装，可以不执行这一步！
rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps- rpm -qa：查询安装的所有rpm软件包
- grep -i：忽略大小写
- xargs -n1：表示每一次只传递一个参数
- rpm -e --nodeps：强制卸载软件
6.重启虚拟机：
reboot：重启虚拟机六、克隆虚拟机：
注意：需要关闭虚拟机！！！（学习时只克隆了三台）
修改克隆后的虚拟机IP：
打开Hadoop_02虚拟机：
vim /etc/sysconfig/network-scripts/ifcfg-ens33：修改IP
vim /etc/hostname：修改主机名
注意：按照上述步骤修改每一台虚拟机的配置！！！
七、在Hadoop_02虚拟机上安装JDK：
上传JDK和Hadoop的压缩包到主机：
使用Xftp上传文件到创建的software目录中：（cd /opt/software）
tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/：解压tar压缩包
cd /etc/profile.d：进入目录
sudo vim my_env.sh：创建一个新的文件，对JAVA_HOME配置：
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin
resource /etc/profile：重新加载配置文件
八、在Hadoop_02虚拟机上安装Hadoop：
cd /opt/software
tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/：解压Hadoop压缩包
配置环境变量：
sudo vim /etc/profile.d/my_env.sh：编写配置文件
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADDOP_HOME/sbinsource /etc/profile
/opt/module/hadoop-3.1.3hadoop内容：
bin目录：
etc目录：
sbin目录：
