数据采集平台项目（一）

1. 用户行为日志

1.1 埋点

• 代码埋点
• 可视化埋点
• 全埋点

1.2 用户行为日志内容

1. 页面浏览记录：基本信息=用户信息（uuid, 设备ID）、时间信息、地理位置信息、设备信息、应用信息、渠道信息、页面信息。
   • 动作记录：基本信息+动作目标信息。
   • 曝光记录：基本信息+曝光对象相关信息，包括对象类型。
2. 启动记录：基本信息+启动类型+开屏广告信息
3. 错误记录：应用过程的报错信息

2. 安装搭建虚拟机

2.1 模版虚拟机base

1. 最小化安装
2. 必要软件安装
3. 修改IP为静态
4. 修改主机名和Hosts文件
5. 关闭防火墙
6. 创建一个普通用户, 配置sudo权限
7. 创建opt目录下两个目录，并修改所属组和所属人
   • module : 安装好的软件
   • software：软件安装包

2.2 克隆三台虚拟机

1. 修改主机名 sudo vim /etc/hostname
2. 修改IP地址 sudo vim /etc/sysconfig/network-scripts/ifcfg-ens33
3. 编写集群分发脚本xsync, 脚本放置在home/atguigu/bin路径下，之后分发该文件到其他虚拟机。

#!/bin/bash

#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)

                #6. 获取当前文件的名称
                fname=$(basename $file)
                ssh $host "mkdir -p $pdir"
                rsync -av $pdir/$fname $host:$pdir
            else
                echo $file does not exists!
        fi
    done
done

该脚本分发环境变量时会出现问题，出现Permission denied错误。原因是无法发送root用户的文件，如果使用sudo后会出现找不到命令异常。原因是root用户对应的环境变量没有/home/atguigu/bin这个路径。为了解决该问题，需要给root用户也配置xsync的环境变量路径。而/usr/bin路径是root用户和atguigu用户共有的环境变量路径。因此，只需sudo cp /home/atguigu/bin/xsync /usr/bin路径下即可。

4. 配置SSH免密登录
   总共需要配置4次，102、103、104的atguigu用户和102的root用户都需要配置。也可以使用分发ssh目录的方式将配置简化为2次，但是有一定的风险，如果破解了hadoop102的密钥，即可远程登录所有主机。
   • hadoop102上生成公钥和私钥ssh-keygen -t rsa
   • 分发公钥和私钥 xsync .ssh/
   • 切换为root用户后配置root用户的免密登录
   • 分发root用户.ssh文件到其他主机
5. 安装JDK，配置环境变量，在/etc/profile.d/myenv.sh里面配置，使环境变量对登录用户和非登录用户都生效。ssh hadoop103就是非登录用户命令。创建好后，使用source myenv.sh命令使环境变量生效。

3. 安装hadoop

3.1 步骤

1. 解压压缩包，修改文件名为hadoop
2. 添加环境变量HADOOP_HOME
3. 分发环境变量，并source使其生效
4. 搭建原则：老大尽可能分开，小弟配置尽可能多的资源。
5. 配置文件：
   • core-site.xml：为hive开放代理权限
   • hdfs-site.xml：副本数量改为1
   • yarn-site.xml：
     • aux-services: 当map任务结束后，使用aux来响应reduce的数据请求，释放map任务的资源。
     • 容器内存：最大为4G，数值为4096
     • 物理内存和虚拟内存检查，修改为关闭
     • 开启日志聚集和设置日志保留时间
   • mapred-site.xml:
     • 指定MR运行在yarn调度器上
     • 配置日志落盘
   • workers: 指定小弟所在的主机，注意不能有空行和空格。
6. 在NN所在节点进行格式化 hdfs namenode -format, 只能执行该命令一次。
7. 在NN节点使用start-dfs.sh来启动Hadoop集群，并使用jpsall脚本查看进程是否正常启动。
8. 在RM节点使用start-yarn.sh来启动yarn资源调度器。
9. 启动历史服务器，mapred --daemon start historyserver
10. 在hadoop102:9870和hadoop103:8088和hadoop102:19888来查看集群，yarn任务调度器和历史服务器是否正常启动。
11. 编写群起群关脚本hdp.sh

3.2 经验

1. 存储多目录
2. 参数调优
   • dfs.namenode.handle.count: 并发上限，默认值为10，并发线程个数计算公式为20*ln(集群机器数量)
   • 集群中内存利用率不高时，可以在yarn调节内存上限。

4. 安装zookeeper

4.1 介绍

给分布式框架提供统一协调服务，主要提供监听功能。使用场景有：

1. Hadoop的HA模式，多个NN作为临时节点进行监听，进行备份节点的切换。
2. kafka的配置文件的存储，可以只修改一份文件，其他分布式主机的配置文件会自动同步。

4.2 选举机制和监听器原理

• 选举机制：
  • 半数机制，超过一般，注意不包括一半时才能选出Leader，因此主机数量一般为奇数个。
  • 自私原则：投票时先投给自己
  • 墙头草原则：数据新旧和myID大小
• 监听器原理：两个线程，connect用来发送；listen用来监听。

4.3 步骤

1. 解压后修改文件名为zookeeper
2. 配置zoo.cfg文件
   • dataDir: 修改为/opt/module/zookeeper/zkData
   • 增加配置参数,第一个端口号用于数据同步，第二个端口号用于选举。

server.2=hadoop102:2888:3888
server.3=hadoop103:2888:3888
server.4=hadoop104:2888:3888

3. 修改hadoop103, hadoop104主机中的myid内容为3和4
4. 编写群起群关脚本

#!/bin/bash

case $1 in
"start"){
	for i in hadoop102 hadoop103 hadoop104
	do
        echo ---------- zookeeper $i 启动 ------------
		ssh $i "/opt/module/zookeeper/bin/zkServer.sh start"
	done
};;
"stop"){
	for i in hadoop102 hadoop103 hadoop104
	do
        echo ---------- zookeeper $i 停止 ------------    
		ssh $i "/opt/module/zookeeper/bin/zkServer.sh stop"
	done
};;
"status"){
	for i in hadoop102 hadoop103 hadoop104
	do
        echo ---------- zookeeper $i 状态 ------------    
		ssh $i "/opt/module/zookeeper/bin/zkServer.sh status"
	done
};;
esac