概念:
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。
需求:
大数据主要解决,海量数据的采集、存储和分析计算问题。
特点(4v):
Volumn(大量)
Velocity(高速)
大数据区分于传统挖掘的最显著特征
Variety(多样)
多样性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。
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。
应用场景:
抖音,电商,零售,物流仓储,保险,金融,房产,人工智能,物联网,5G,虚拟现实
发展前景:
十九大,新基建,风口,紧缺,薪资
大数据部门间业务流程分析:
部门内组织结构:
定义:
Hadoop1.x ,2.x ,3.x区别
Hadoop Distributed File System,简称HDFS,是一个分布式文件系统。
Yet Another Resource Negotiator简称YARN ,另一种资源协调者,是Hadoop的资源管理器。
说明:
MapReduce将计算过程分为两个阶段:Map(拆分)和Reduce(汇总)
HDFS、YARN、MapReduce三者关系
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;
3)Kafka:Kafka是一种高吞吐量的分布式发布订阅消息系统;
4)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。
5)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。
6)Oozie:Oozie是一个管理Hadoop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)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。
用户发送请求–>Nginx做服务器请求的负载均衡,减小服务器压力,转接请求到服务器(轮询)–>收集日志(Flume)–>Spark计算–>结果返回数据库–>推荐系统推送前排的分析结果(因此说明推荐系统的底层是大数据)
(1)bin目录:存放对Hadoop相关服务(hdfs,yarn,mapred)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
/opt/下创建两个目录所属主,组均为zxk,module/,software/
XShell传输工具将JDK导入到opt目录下面的software文件夹下面
解压JDK到/opt/module目录下
配置全用户的全局环境变量:(这里没有选择复制脚本目录到/bin目录下,而是在特定目录中写脚本文件以修改PATH的值并将修改暴露在全局的环境内,source方式执行脚本)
方案一:
/etc/profile 写环境变量 支持登录式shell 环境变量 但是在/etc/proflile.d 去执行一个.sh 结尾的文件
方案二:
~/.bashrc 写环境变量 支持非登录式shell 但是在/etc/proflile.d 去执行一个.sh 结尾的文件
结论:/etc/proflile.d/*.sh 中写环境变量 既对登录式 又对非登录式shell生效
实现:
(sudo)新建/etc/profile.d/my_env.sh文件–>添加如下内容:
#!/bin/bash
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH= P A T H : PATH: PATH:JAVA_HOME/bin
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH= P A T H : PATH: PATH:HADOOP_HOME/bin:$HADOOP_HOME/sbin
–>source一下/etc/profile文件,让新的环境变量PATH生效
Hadoop运行模式包括:本地模式、伪分布式模式以及完全分布式模式。
本地模式:单机运行,只是用来演示一下官方案例。生产环境不用。
伪分布式模式:也是单机运行,但是具备Hadoop集群的所有功能,一台服务器模拟一个分布式的环境。个别缺钱的公司用来测试,生产环境不用。
多台服务器组成分布式环境。生产环境使用。
官方WordCount案例:
创建在hadoop-3.1.3文件下面创建一个wcinput文件夹
[atguigu@hadoop102 hadoop-3.1.3]$ mkdir wcinput
在wcinput文件下创建一个word.txt文件
[atguigu@hadoop102 hadoop-3.1.3]$ cd wcinput
编辑word.txt文件
[atguigu@hadoop102 wcinput]$ vim word.txt
在文件中输入如下内容
hadoop yarn
hadoop mapreduce
atguigu
atguigu
保存退出::wq
回到Hadoop目录/opt/module/hadoop-3.1.3
执行程序
[atguigu@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput
查看结果
[atguigu@hadoop102 hadoop-3.1.3]$ cat wcoutput/part-r-00000
看到如下结果:
atguigu 2
hadoop 2
mapreduce 1
yarn 1
1)scp(secure copy)安全拷贝
基本语法
scp -r pdir/fname user@host:pdir/fname
命令 递归 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称
说明:
2)rsync远程同步工具
rsync和scp区别:用rsync做文件的复制要比scp的速度快,rsync只对差异文件(包括文件的差异内容)做更新。scp是把所有文件都复制过去。
基本语法
rsync -av pdir/fname user@host:pdir/fname
命令 选项参数 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称
3)xsync集群分发脚本
循环复制文件到所有节点的相同目录下
在/home/atguigu/bin目录(已配置zxk用户的环境变量的目录下)下创建xsync脚本文件
[atguigu@hadoop102 opt]$ cd /home/atguigu
[atguigu@hadoop102 ~]$ mkdir bin
[atguigu@hadoop102 ~]$ cd bin
[atguigu@hadoop102 bin]$ vim xsync
在该文件中编写如下代码
#!/bin/bash//因为脚本没有.sh结尾,所以 没有颜色提示
#1. 判断参数个数
if [ $# -lt 1 ]
then
echo Not Enough Arguement!
exit;
fi
#2. 遍历集群所有机器
for host in hadoop102 hadoop103 hadoop104
do
echo ==================== $host ====================
#3. 遍历所有目录,挨个发送
for file in $@
do
#4. 判断文件是否存在
if [ -e $file ]
then
#5. 获取父目录
pdir=$(cd -P $(dirname $file); pwd)//-P进入真实物理路径中,防止是软连接
#6. 获取当前文件的名称
fname=$(basename $file)
ssh $host "mkdir -p $pdir"//登录到别的主机上操作然后回来,创建父目录为了保证目的地目录路径存在,-p创建多层目录为了健壮性:无则创建,有则报错
rsync -av $pdir/$fname $host:$pdir//没有指定目的用户因为默认值为另一台机器上的相同用户:为了统一文件权限
else
echo $file does not exists!
fi
done
done
修改该脚本的可执行权限:
[atguigu@hadoop102 bin]$ chmod +x xsync
使用脚本复制~/bin到集群:(每台连接输入2次密码:ssh,rsync各一次)
[atguigu@hadoop102 ~]$ xsync xsync
将脚本复制到/bin中,以便全局调用(使用的是root的全局环境变量)
sudo cp xsync /bin/
同步两个软件的环境变量配置(先发profile.d下的脚本所有者是root,再source)
[atguigu@hadoop102 ~]$ sudo xsync /etc/profile.d/my_env.sh
注意:如果没有执行第4步,使用sudo执行则不能在全局范围下
执行该命令后每连接一台主机输入两次root用户的密码
全部会话里执行source /etc/profile命令
完成集群的两个软件的环境变量的配置
语法:ssh另一台电脑的IP地址 (yes连接,exit退出)
配置:hadoop作为分布式系统架构,要求节点之间必须配置无密登录
生成公钥和私钥
[atguigu@hadoop102 .ssh]$ pwd
/home/atguigu/.ssh
[atguigu@hadoop102 .ssh]$ ssh-keygen -t rsa
然后敲(三个回车),就会生成两个文件id_rsa(私钥)、id_rsa.pub(公钥)
将公钥拷贝到要免密登录的目标机器上
[atguigu@hadoop102 .ssh]$ ssh-copy-id hadoop102
[atguigu@hadoop102 .ssh]$ ssh-copy-id hadoop103
[atguigu@hadoop102 .ssh]$ ssh-copy-id hadoop104
注意:
还需要在hadoop103上采用atguigu账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop104上采用atguigu账号配置一下无密登录到hadoop102、hadoop103、hadoop104服务器上。
还需要在hadoop102上采用root账号,配置一下无密登录到hadoop102、hadoop103、hadoop104;
.ssh文件夹下(~/.ssh)的文件功能解释
known_hosts | 记录ssh访问过计算机的公钥(public key) |
---|---|
id_rsa | 生成的私钥 |
id_rsa.pub | 生成的公钥 |
authorized_keys | 存放授权过的无密登录服务器公钥 |
hadoop中有两种非常重要的配置文件:
位置:/opt/module/hadoop-3.1.3/etc/hadoop目录下
内容:4个default存放默认值,4个site修改默认值,1个workers
修改以下文件来达成分布式目的:
core-site.xml common(该文件里包含用户名,个人更改)
hdfs-site.xml hdfs
yarn-site.xml yarn
mapred-site.xml mapreduce
在集群上分发配置好的Hadoop配置文件:
[zxk@hadoop102 etc]$ xsync hadoop/
修改workers,即指定dn和nm的启动位置为每个节点:
[zxk@hadoop102 etc]$ vim /opt/module/hadoop-3.1.3/etc/hadoop/workers
文件内容修改为:
hadoop102
hadoop103
hadoop104
同步到集群:
[zxk@hadoop102 etc]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/workers
说明:
以上为hadoop3.x版本
区别于hadoop2.x版本:workers–>slaves
如果集群是第一次启动,需要在hadoop102节点格式化NameNode
[zxk@hadoop102 hadoop-3.1.3]$ hdfs namenode -format
hadoop目录下多了data,logs两个目录
data/dfs/name存放nn数据文件(同级目录存放dn/nn的数据文件)
logs存放框架的日志信息
启动HDFS
[zxk@hadoop102 sbin]$ start-dfs.sh (在102上通过ssh和worker指定的节点启动另两台节点)
Starting namenodes on [hadoop102]
Starting datanodes
hadoop104: WARNING: /opt/module/hadoop-3.1.3/logs does not exist. Creating.
hadoop103: WARNING: /opt/module/hadoop-3.1.3/logs does not exist. Creating.
Starting secondary namenodes [hadoop104]
查看三个结点进程:jps(java process status)
[zxk@hadoop102 sbin]$ jps
1348 NameNode
1737 Jps
1468 DataNode
[zxk@hadoop103 ~]$ jps
1176 DataNode
1243 Jps
[zxk@hadoop104 ~]$ jps
1334 Jps
1180 DataNode
1245 SecondaryNameNode
Web端查看HDFS的NameNode
浏览器中输入:http://hadoop102:9870
查看HDFS上存储的数据信息
上传文件word.txt(因为core-site.xml修改静态用户为zxk,所以web界面使用的zxk的权限,这才可以操作linux来上传文件到集群)
hadoop是zxk用户装的,所以相当于root权限,3个副本,块大小128M(上限)
word.txt不是数据,是连接,可以点击下载
文件存储的位置(DN):(3个副本:每个节点同一位置保存一个副本–>150/3集群只能保存50g数据,只有节点数大于副本数才算是扩容了)
[zxk@hadoop102 subdir0]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1746858774-192.168.202.102-1646292927372/current/finalized/subdir0/subdir0
[zxk@hadoop102 subdir0]$ ls
blk_1073741825//数据文件
blk_1073741825_1001.meta//校验和文件
[zxk@hadoop102 subdir0]$ cat blk_1073741825
core-default.xml common
hdfs-default.xml hdfs
yarn-default.xml yarn
mapred-default.xml mapreduce
linux里上传jdk压缩包:
[zxk@hadoop102 software]$ hadoop fs -put jdk-8u212-linux-x64.tar.gz / //上传到hadoop存储的根目录
2022-03-03 16:08:31,842 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false//成功上传一块(128M)
2022-03-03 16:09:54,072 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
web端可以看到文件整体:
[zxk@hadoop102 subdir0]$ ll
总用量 191944
-rw-rw-r--. 1 zxk zxk 102 3月 3 15:49 blk_1073741825
-rw-rw-r--. 1 zxk zxk 11 3月 3 15:49 blk_1073741825_1001.meta
-rw-rw-r--. 1 zxk zxk 134217728 3月 3 16:09 blk_1073741826//第一块
-rw-rw-r--. 1 zxk zxk 1048583 3月 3 16:09 blk_1073741826_1002.meta
-rw-rw-r--. 1 zxk zxk 60795424 3月 3 16:10 blk_1073741827//第二块
-rw-rw-r--. 1 zxk zxk 474975 3月 3 16:10 blk_1073741827_1003.meta
[zxk@hadoop102 subdir0]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1746858774-192.168.202.102-1646292927372/current/finalized/subdir0/subdir0
通过id:826,827保证文件前后次序,拼接两块检验(文件完整)是否能解压后还原成jdk软件包:
[zxk@hadoop102 subdir0]$ cd /opt/module/hadoop-3.1.3/data/dfs/data/current/BP-1746858774-192.168.202.102-1646292927372/current/finalized/subdir0/subdir0//文件块存储位置
[zxk@hadoop102 subdir0]$ cat blk_1073741826 >> 1.tar.gz
[zxk@hadoop102 subdir0]$ cat blk_1073741827 >> 1.tar.gz//拼接文件
[zxk@hadoop102 subdir0]$ mv 1.tar.gz /opt/software/
[zxk@hadoop102 subdir0]$ cd /opt/software/
[zxk@hadoop102 subdir0]$ tar -zxvf 1.tar.gz //解压拼接的文件
[zxk@hadoop102 software]$ ll
总用量 711052
-rw-rw-r--. 1 zxk zxk 195013152 3月 3 16:21 1.tar.gz
-rw-rw-r--. 1 zxk zxk 338075860 3月 1 17:57 hadoop-3.1.3.tar.gz
drwxr-xr-x. 7 zxk zxk 4096 4月 2 2019 jdk1.8.0_212//还原成完整的jdk
-rw-rw-r--. 1 zxk zxk 195013152 3月 1 17:57 jdk-8u212-linux-x64.tar.gz
打开web界面可以正常下载已上传的文件(3个dn都在),102输入kill -9 pid(dn),依旧能下载dn里的数据,103输入kill -9 pid(dn),依旧能下载dn里的数据,104输入kill -9 pid(dn),不能访问dn数据了,102输入kill -9 pid(nn),web界面打不开了(说明nn存在单点故障问题).
启动yarn
如果有hdfs的进程关闭了,重启集群的hdfs
103上启动yarn:
start-yarn.sh
三台机器进程(每台三个进程):
[zxk@hadoop102 software]$ jps
1348 NameNode
2087 Jps
1468 DataNode
1983 NodeManager
[zxk@hadoop103 ~]$ jps
1440 ResourceManager
1557 NodeManager
1176 DataNode
1900 Jps
[zxk@hadoop103 ~]$ jps
1440 ResourceManager
1557 NodeManager
1176 DataNode
1900 Jps
Web端查看YARN的ResourceManager
浏览器中输入:http://hadoop103:8088,查看YARN上运行的Job信息
跑任务:
上传文件word.txxt到/input–>
[zxk@hadoop102 software]$ cd /opt/module/hadoop-3.1.3/
[zxk@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
yarn的web端可以看到任务:(application)
hdfs的web端可以看到统计结果:/output/part-r-0000
web界面打不开:
使用谷歌/火狐浏览器,linux系统的防火墙关闭,windows里的ip映射:使用ip代替主机名,jps检查nn进程
dn起不来:
直接重新格式化nn导致,查看data/里的logs/下的datanode的日志:tail -2000 hadoop-zxk-datanode-hadoop102.log
内容里有异常:DataNode的clusterID不等于集群ID
原因:
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。
集群id(clusterID)分别在nn和dn各自存放数据的目录的VERSION文件中.
解决:
先关闭hdfs,将dn中保存的数据文件(subdir0目录下)迁移备份,再删除所有机器的data和logs目录,然后再进行格式化.
模块群起
hdfs/nn所在节点 start-dfs.sh
yarn/rm所在节点 start-yarn.sh
服务单点起
hdfs:
nn hdfs --daemon start namenode(daemen:守护进程,即后台模式运行,不占用前台界面)
dn hdfs --daemon start datnode
2nn hdfs --dameon start secondrynamenode
yarn :
rm yarn --daemon start resourcemanager
nm yarn --daemon start nodemanager
先关进程(先开的后关)再关机
重启yarn之后进程记录会丢失,为了查看(MR)程序的历史运行情况,需要配置一下历史服务器。具体配置步骤如下:
1)配置mapred-site.xml
2)分发配置
3)在hadoop102启动历史服务器:mapred --daemon start historyserver
4)查看历史服务器是否启动
5)查看JobHistory:http://hadoop102:19888/jobhistory
通过yarn的进程的history也能查看历史运行情况:
问题:点击logs没法查看(MR)日志
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HistoryServer。
步骤:配置yarn-site.xml(日志由默认的永久改为保存7天)–>分发配置–>重启雅恩和历史服务器–>自此以后执行成功的程序才可以查看到日志(除了mr的,其不运行在具体节点上,而是yarn上)
端口名称 | Hadoop2.x | Hadoop3.x |
---|---|---|
namenode 内部通信端口 | 8020 | 8020 |
namenode Web界面端口 | 50070 | 9870 |
ResourceManager通信端口 | 8032 | 8032 |
ResourceManager 查看执行任务端口 | 8088 | 8088 |
历史服务器端口 | 19888 | 19888 |
一键群起/群关集群
在102的~/bin目录下编写myhadoop.sh:
#!/bin/bash
if [ $# -lt 1 ]
then
echo "No Args Input..."
exit ;
fi
case $1 in
"start")
echo " =================== 启动 hadoop集群 ==================="
echo " --------------- 启动 hdfs ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/start-dfs.sh"
echo " --------------- 启动 yarn ---------------"
ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/start-yarn.sh"
echo " --------------- 启动 historyserver ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon start historyserver"
;;
"stop")
echo " =================== 关闭 hadoop集群 ==================="
echo " --------------- 关闭 historyserver ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon stop historyserver"
echo " --------------- 关闭 yarn ---------------"
ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh"
echo " --------------- 关闭 hdfs ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh"
;;
*)
echo "Input Args Error..."
;;
esac
保存后退出,然后赋予脚本执行权限,分发
在102的~/bin目录下编写jpsall.sh:
#!/bin/bash
for host in hadoop102 hadoop103 hadoop104
do
echo "=============== $host ==============="
ssh $host jps $1 |grep -v Jps//-v过滤掉包含该信息的那行
done
保存后退出,然后赋予脚本执行权限,分发
说明:
jps:只打印main方法所在类名
jps -l :打印全类名,即附带包名
jpsall.sh -l:打印各节点的进程所在全类名
打开ntpd服务和开启自启
sudo systemctl start ntpd
sudo systemctl enable ntpd