大数据入门---1.大数据介绍
大数据的介绍
无处不在的大数据
大数据的爆炸式增长
大数据的特征
大数据与我们的生活息息相关
思考：那么我们如何对这些数据进项存储与分析呢？
我们的hadoop就是在这样的场景下应运而生的
1. HADOOP背景介绍
1.1什么是HADOOP
(1)HADOOP是apache旗下的一套开源软件平台
(2)HADOOP提供的功能：利用服务器集群，根据用户的自定义业务逻辑，对海量数据进行分布式处理
1. HADOOP的核心组件有
HDFS（分布式文件系统）
MAPREDUCE（分布式运算编程框架）
YARN（运算资源调度系统）
1.2 HADOOP产生背景
1. HADOOP最早起源于**Nutch，Nutch**的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问题——如何解决数十亿网页的存储和索引问题。
2. 2003年、2004年谷歌发表的两篇论文为该问题提供了可行的解决方案。
——分布式文件系统（GFS），可用于处理海量网页的存储
——分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。
3. Nutch的开发人员完成了相应的开源实现**HDFS和MAPREDUCE**，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。
1.3 HADOOP在大数据、云计算中的位置和关系
1. 云计算是分布式计算、并行计算、网络计算、多核计算、网络存储、虚拟化、负载均衡等传统计算机技术和互联网技术融合发展的产物。借助IaaS(基础设施即服务)、PaaS(平台即服务)、SaaS（软件即服务）等业务模式，把强大的计算能力提供给终端用户。
2. 现阶段，云计算的两大底层支撑技术为“虚拟化”和“大数据技术”
3. 而HADOOP则是云计算的PaaS层的解决方案之一，并不等同于PaaS，更不等同于云计算本身。
1.4 HADOOP应用案例介绍
1**HADOOP应用于数据服务基础平台建设**
2**．HADOOP用于用户画像**
3**、HADOOP用于网站点击流日志数据挖掘**
分析：哪个页面点击的人比较多，哪个页面跳出的人多
1.5 HADOOP的就业情况
1、 HADOOP就业整体情况
A. 大数据产业已纳入国家十三五规划
B. 各大城市都在进行智慧城市项目建设，而智慧城市的根基就是大数据综合平台
C. 互联网时代数据的种类，增长都呈现爆发式增长，各行业对数据的价值日益重视
D. 相对于传统JAVAEE技术领域来说，大数据领域的人才相对稀缺
E. 随着现代社会的发展，数据处理和数据挖掘的重要性只会增不会减，因此，大数据技术是一个尚在蓬勃发展且具有长远前景的领域
2、 HADOOP就业职位要求
大数据是个复合专业，包括应用开发、软件平台、算法、数据挖掘等，因此，大数据技术领域的就业选择是多样的，但就HADOOP而言，通常都需要具备以下技能或知识：
A. HADOOP分布式集群的平台搭建
B. HADOOP分布式文件系统HDFS的原理理解及使用
C. HADOOP分布式运算框架MAPREDUCE的原理理解及编程
D. Hive数据仓库工具的熟练应用
E. Flume、sqoop、oozie等辅助工具的熟练使用
F. Shell/python等脚本语言的开发能力
3、 HADOOP相关职位的薪资水平
大数据技术或具体到HADOOP的就业需求目前主要集中在北上广深一线城市，薪资待遇普遍高于传统**JAVAEE开发人员**，以北京为例：
1.6 HADOOP生态圈以及各组成部分的简介
各组件简介
重点组件：
HDFS：分布式文件系统
MAPREDUCE：分布式运算程序开发框架
HIVE：基于大数据技术（文件系统+运算框架）的SQL数据仓库工具
HBASE：基于HADOOP的分布式海量数据库
ZOOKEEPER**：分布式协调服务基础组件**
Mahout：基于mapreduce/spark/flink等分布式运算框架的机器学习算法库
Oozie：工作流调度框架（Azakaba）
Sqoop：数据导入导出工具
Flume：日志数据采集框架
2. 数据分析流程介绍
初步理解hadoop数据如何处理流程
一个应用广泛的数据分析系统：“web日志数据挖掘”
2.1 案例需求描述
“Web点击流日志”包含着网站运营很重要的信息，通过日志分析，我们可以知道网站的访问量，哪个网页访问人数最多，哪个网页最有价值，广告转化率、访客的来源信息，访客的终端信息等。
2.2 数据来源
本案例的数据主要由用户的点击行为记录
获取方式：在页面预埋一段js程序，为页面上想要监听的标签绑定事件，只要用户点击或移动到标签，即可触发ajax请求到后台servlet程序，用log4j记录下事件信息，从而在web服务器（nginx、tomcat等）上形成不断增长的日志文件。
2.3 数据流程解析
本案例跟典型的BI系统极其类似，整体流程如下：
但是，由于本案例的前提是处理海量数据，因而，流程中各环节所使用的技术则跟传统BI完全不同，后续课程都会一一讲解：
1) 数据采集：定制开发采集程序，或使用开源框架FLUME
2) 数据预处理：定制开发mapreduce程序运行于hadoop集群
3) 数据仓库技术：基于hadoop之上的Hive
4) 数据导出：基于hadoop的sqoop数据导入导出工具
5) 数据可视化：定制开发web程序或使用kettle等产品
6) 整个过程的流程调度：hadoop生态圈中的oozie工具或其他类似开源产品
2.4 项目技术架构图
2.5 项目最终效果
经过完整的数据处理流程后，会周期性输出各类统计指标的报表，在生产实践中，最终需要将这些报表数据以可视化的形式展现出来，本案例采用web程序来实现数据可视化
效果如下所示：
3. HADOOP集群搭建
3.1集群简介
HADOOP集群具体来说包含两个集群：HDFS集群和YARN集群，两者逻辑上分离，但物理上常在一起
HDFS集群：
负责海量数据的存储，集群中的角色主要有 NameNode / DataNode
YARN集群：
负责海量数据运算时的资源调度，集群中的角色主要有 ResourceManager /NodeManager
(那mapreduce是什么呢？它其实是一个应用程序开发包)
也就是我们所说的计算框架
本集群搭建案例，以3节点为例进行搭建，角色分配如下：
hadoop01 NameNode SecondaryNameNode ResourceManager hadoop02 DataNode NodeManager hadoop03 DataNode NodeManager
3.2服务器准备
本案例使用虚拟机服务器来搭建HADOOP集群，所用软件及版本：
Vmware 14.0
Centos 7.5 64bit
3.3网络环境准备(配置网卡)
- 采用NAT方式联网
- 网关地址：19168.xx.xx
- 3个服务器节点IP地址：192.168.xx.110、192.168.xx.120、192.168.xx.130、192.168.xx.140
- 子网掩码：255.255.255.0
3.4服务器系统设置
- 同步时间 ntpdate pool.ntp.org
- 设置主机名 vi /etc/sysconfig/network
- hadoop01
- hadoop02
- hadoop03
- hadoop04
配置内网域名映射：vi /etc/hosts
n 192.168.xx.110 hadoop01
n 192.168.xx.120 hadoop02
n 192.168.xx.130 hadoop03
配置ssh免密登陆
ssh-keygen –t rsa
ssh-copy-id hadoop0x
配置防火墙
3.5 Jdk环境安装
- 上传jdk安装包
- 规划安装目录 /usr /local /jdk1.8.0102
- 解压安装包
- 配置环境变量 /etc/profile
3.6 HADOOP安装部署
- 上传HADOOP安装包
- 规划安装目录 /usr/local /hadoop-7.3
- 解压安装包
- 修改配置文件 /usr/local /hadoop-2.7.3/etc/hadoop/
最简化配置如下：
vi hadoop-env.sh
The java implementation to use. export JAVAHOME=/usr/local/jdk1.8.0102
vi core-site.xml
#Namenode在哪里 ，临时文件存储在哪里 fs.defaultFS hdfs://hadoop01:9000 hadoop.tmp.dir /usr/local/hadoop-2.7.3/tmp
vi hdfs-site.xml
dfs.namenode.name.dir /usr/local/hadoop-2.7.3/data/name dfs.datanode.data.dir /usr/local/hadoop-2.7.3/data/data dfs.replication 3 dfs.secondary.http.address hadoop01:50090
把临时文件修改过来：
mv mapred-site.xml.tmper mapred-site.xml
vi mapred-site.xml
mapreduce.framework.name yarn
vi yarn-site.xml
yarn.resourcemanager.hostname hadoop01 yarn.nodemanager.aux-services mapreduce_shuffle
vi slaves
hadoop02 hadoop03
3.7 启动集群
初始化HDFS(只需要在hadoop01号机子上执行一次就好)
hadoop namenode -format
一键启动(把hdfs与yarn全部启动，也可以使用下边的俩个命令
，二选一)
start-all.sh
启动HDFS
start-dfs.sh
启动YARN
start-yarn.sh