大数据学习笔记
大数据技术之大数据概论
第 1 章 大数据概念
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。
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
1K = 1024Byte
1MB = 1024K
1G = 1024M
1T = 1024G
1P = 1024T
第 2 章 大数据特点（4V）
- Volume (大量)
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。
- Velocity**（高速）**
天猫双十一：2017年3分01秒，天猫交易额超过100亿
2020年96秒，天猫交易额超过100亿
- 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。
- Value**（低价值密度）**
价值密度的高低与数据总量的大小成反比。我们只想提取在大量数据中的有价值的信息。（”提纯“）
第三章 大数据的应用场景
- 抖音推荐你喜欢的视频
- 电商站内广告推荐：给用户推荐可能喜欢的商品
- 零售：分析用户消费习惯，为用户购买商品提供方便，从而提升商品销量。经典案例，纸尿布+啤酒。
- 物流仓储：京东物流，通过大数据分析各地该存储啥物品。
- 保险，金融，房产等
- 人工智能 + 5G + 物联网 + 虚拟与现实
第四章大数据发展前景
- 国家支持
- 下一个风口
- 人才缺，需求大，工资高
第五章 大数据部门间业务流程分析
第 6 章 大数据部门内组织结构
大数据技术之 Hadoop（入门）
学习路线图
一、概念
1.1、Hadoop是什么
-
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
-
主要解决，海量数据的存储和海量数据的分析计算问题。
-
广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。
1.2、Hadoop的发展历史
-
Hadoop创始人Doug Cutting
-
名字来源于Doug Cutting儿子的玩具大象
1.3、Hadoop的三大发行版本**（了解）**
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。2006
Cloudera 内部集成了很多大数据框架，对应产品 CDH。2008
Hortonworks 文档较好，对应产品 HDP。2011
Hortonworks 现在已经被 Cloudera 公司收购，推出新的品牌 CDP。
1.4、Hadoop 优势（4高）
- 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。
-
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。
-
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
- 高容错性：能够自动将失败的任务重新分配
1.5 Hadoop*组成（面试重点)
1.5.1 HDFS 架构概述
Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。
1.5.2 YARN架构概述
Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。
1.5.3 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
1.5.4 HDFS、YARN、MapReduce 三者关系
1.6 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。
1.7 推荐系统框架图
二、环境准备
用户信息：
账号：lijunjie 密码123456，登录使用
1.模拟虚拟机准备
安装centos7.5镜像
模拟虚拟机准备
配置Ip和主机名配置
1.配置VM的ip
2.修改NAT设置
3.Windows的iP设置
4.修改Hadoop的IP地址，主机名称
[root@Hadoop100 ~]# vim /etc/sysconfig/network-scripts/ifcfg-ens33
TYPE="Ethernet"
PROXY_METHOD="none"
BROWSER_ONLY="no"
BOOTPROTO="static" //把ip地址改为静态ip地址，下次登录时ip不变
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="60915f68-5ac1-4e5c-bfaf-1ad91c02abcd"
DEVICE="ens33"
ONBOOT="yes"
//下面为新加内容
IPADDR=192.168.10.100 //设置ip地址
GATEWAY=192.168.10.2 //设置网关
DNS1=192.168.10.2 //设置域名解析器
5.修改主机名称
[root@Hadoop100 ~]# vim /etc/hostname
6.主机名称映射
- 将192.168.10.105的ip映射为为hadoop100,凡是出现192.168.10.105，。用hadoop100代替。
- 当因升级改变ip时，可以不用大量修改。
[root@Hadoop100 ~]# vim /etc/hosts
127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
::1 localhost localhost.localdomain localhost6 localhost6.localdomain6
192.168.10.100 hadoop100 //一下都是添加的
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108
7.然后重启reboot
- 查看当前ip(ifconfig)
- 能否联通外网(ping www.baidu.com)
- 查看主机名称（hostname）
Xshell远程访问工具
注意问题：
修改 windows 的主机映射文件（hosts 文件）
（1）如果操作系统是 window7，可以直接修改
（a）进入 C:\Windows\System32\drivers\etc 路径
（b）打开 hosts 文件并添加如下内容，然后保存
192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108
（2）如果操作系统是 window10，先拷贝出来，修改保存以后，再覆盖即可
（a）进入 C:\Windows\System32\drivers\etc 路径
（b）拷贝 hosts 文件到桌面
（c）打开桌面 hosts 文件并添加如下内容
192.168.10.100 hadoop100
192.168.10.101 hadoop101
192.168.10.102 hadoop102
192.168.10.103 hadoop103
192.168.10.104 hadoop104
192.168.10.105 hadoop105
192.168.10.106 hadoop106
192.168.10.107 hadoop107
192.168.10.108 hadoop108
（d）将桌面 hosts 文件覆盖 C:\Windows\System32\drivers\etc 路径 hosts 文件
hadoop100 虚拟机配置要求如下
- 使用 yum 安装需要虚拟机可以正常上网
- 安装 epel-release
[root@hadoop100 ~]# yum install -y epel-release
- 关闭防火墙，关闭防火墙开机自启
[root@Hadoop100 ~]# systemctl stop firewalld
[root@Hadoop100 ~]# systemctl disable firewalld.service
Removed symlink /etc/systemd/system/multi-user.target.wants/firewalld.service.
Removed symlink /etc/systemd/system/dbus-org.fedoraproject.FirewallD1.service.
-
创建 ljj 用户，并修改 ljj用户的密码(123456)
-
配置 ljj 用户具有 root 权限，方便后期加 sudo 执行 root 权限的命令
[root@hadoop100 ~]# vim /etc/sudoers 修改/etc/sudoers 文件，在%wheel 这行下面添加一行，如下所示： ## Allow root to run any commands anywhere root ALL=(ALL) ALL ## Allows people in group wheel to run all commands %wheel ALL=(ALL) ALL 尚硅谷大数据技术之 Hadoop（入门） ljj ALL=(ALL) NOPASSWD:ALL -
在/opt 目录下创建文件夹，并修改所属主和所属组
(1) 在/opt 目录下创建 module、software 文件夹 [ljj@Hadoop100 opt]$ sudo mkdir module [ljj@Hadoop100 opt]$ sudo mkdir software （2）修改 module、software 文件夹的所有者和所属组均为 atguigu 用户 [root@hadoop100 ~]# chown ljj:ljj /opt/module [root@hadoop100 ~]# chown ljj:ljj /opt/software (3) （3）查看 module、software 文件夹的所有者和所属组 [root@hadoop100 ~]# cd /opt/ [root@hadoop100 opt]# ll 总用量 12 [root@Hadoop100 opt]# ll 总用量 0 drwxr-xr-x. 2 ljj ljj 6 4月 24 09:27 module drwxr-xr-x. 2 ljj ljj 6 4月 24 09:27 software -
卸载虚拟机自带的 JDK
[root@hadoop100 ~]# rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps
[root@Hadoop100 opt]# rpm -qa | grep -i java //查询已经安装的jdk
python-javapackages-3.4.1-11.el7.noarch
java-1.8.0-openjdk-headless-1.8.0.161-2.b14.el7.x86_64
tzdata-java-2018c-1.el7.noarch
java-1.7.0-openjdk-1.7.0.171-2.6.13.2.el7.x86_64
java-1.8.0-openjdk-1.8.0.161-2.b14.el7.x86_64
javapackages-tools-3.4.1-11.el7.noarch
java-1.7.0-openjdk-headless-1.7.0.171-2.6.13.2.el7.x86_64
- ）重启虚拟机 reboot
2 . 克隆虚拟机
1.利用模板机 hadoop100
克隆三台虚拟机：hadoop102 hadoop103 hadoop104
- 注意：克隆时，要先关闭 hadoop100
2.修改克隆机 IP
以下以 hadoop102 举例说
1）修改克隆虚拟机的静态 IP
[root@hadoop100 ~]#vim /etc/sysconfig/network-scripts/ifcfg-ens33
改成
DEVICE=ens33
TYPE=Ethernet
ONBOOT=yes
BOOTPROTO=static
NAME="ens33"
IPADDR=192.168.10.102 //改下IP地址
PREFIX=24
GATEWAY=192.168.10.2
DNS1=192.168.10.2
3.修改克隆机主机名，
- 以下以 hadoop102 举例说明
(1)修改主机名称
[root@hadoop100 ~]# vim /etc/hostname
hadoop102
（2）配置 Linux 克隆机主机名称映射 hosts 文件，打开/etc/hosts
[root@hadoop100 ~]# vim /etc/hosts
4.JDK的安装
-
在Hadoop102上安装jdk,然后复制到其它虚拟机
-
卸载现有 JDK
-
用 XShell 传输工具将 JDK 导入到 opt 目录下面的 software 文件夹下面
出现问题：远程登录使用lijunjie用户传输显示失败。
解决方法：改为远程登录使用root,即可成功。
- 查看是否传输成功
- 解压 JDK 到/opt/module 目录下
tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/
- 配置 JDK 环境变量
1）新建/etc/profile.d/my_env.sh 文件
[atguigu@hadoop102 ~]$ sudo vim /etc/profile.d/my_env.sh
添加如下内容
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin
（2）保存后退出
:wq
（3）source 一下/etc/profile 文件，让新的环境变量 PATH 生效
[atguigu@hadoop102 ~]$ source /etc/profile
- ）测试 JDK 是否安装成功
[ljj@Hadoop102 opt]$ java -version
java version "1.8.0_212" //出现这个即为成功
Java(TM) SE Runtime Environment (build 1.8.0_212-b10)
Java HotSpot(TM) 64-Bit Server VM (build 25.212-b10, mixed mode)
[ljj@Hadoop102 opt]$
6.在 hadoop102 安装 Hadoop
- 1）用 XShell 文件传输工具将 hadoop-3.1.3.tar.gz 导入到 opt 目录下面的 software 文件夹
- 进入到 Hadoop 安装包路径下
[ljj@hadoop102 software]$ cd /opt/software/
- 解压安装文件到/opt/module 下面
[ljj@hadoop102 software]$ tar -zxvf hadoop-3.1.3.tar.gz -C /opt/module/ (时间有点长)
- 查看是否解压成功
查看是否解压成功
[ljj@hadoop102 software]$ ls /opt/module/
hadoop-3.1.3
- 将 Hadoop 添加到环境变量
（1）获取 Hadoop 安装路径
[atguigu@hadoop102 hadoop-3.1.3]$ pwd
/opt/module/hadoop-3.1.3
（2）打开/etc/profile.d/my_env.sh 文件
[atguigu@hadoop102 hadoop-3.1.3]$ sudo vim /etc/profile.d/my_env.sh
➢ 在 my_env.sh 文件末尾添加如下内容：（shift+g）
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-3.1.3
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
➢ 保存并退出： :wq
（3）让修改后的文件生效
[atguigu@hadoop102 hadoop-3.1.3]$ source /etc/profile
- 测试是否安装成功
[ljj@Hadoop102 opt]$ hadoop version
Hadoop 3.1.3
- 重启（如果 Hadoop 命令不能用再重启虚拟机）
[atguigu@hadoop102 hadoop-3.1.3]$ sudo reboot
7.Hadoop 目录结构
- 查看 Hadoop 目录结构
[ljj@Hadoop102 module]$ cd hadoop-3.1.3/
[ljj@Hadoop102 hadoop-3.1.3]$ ll
总用量 176
drwxr-xr-x. 2 ljj ljj 183 9月 12 2019 bin
drwxr-xr-x. 3 ljj ljj 20 9月 12 2019 etc
drwxr-xr-x. 2 ljj ljj 106 9月 12 2019 include
drwxr-xr-x. 3 ljj ljj 20 9月 12 2019 lib
drwxr-xr-x. 4 ljj ljj 288 9月 12 2019 libexec
-rw-rw-r--. 1 ljj ljj 147145 9月 4 2019 LICENSE.txt
-rw-rw-r--. 1 ljj ljj 21867 9月 4 2019 NOTICE.txt
-rw-rw-r--. 1 ljj ljj 1366 9月 4 2019 README.txt
drwxr-xr-x. 3 ljj ljj 4096 9月 12 2019 sbin
drwxr-xr-x. 4 ljj ljj 31 9月 12 2019 share
[ljj@Hadoop102 hadoop-3.1.3]$ cd bin/
- 重要目录
（1）bin 目录：存放对 Hadoop 相关服务（hdfs，yarn，mapred）进行操作的脚本
[ljj@Hadoop102 hadoop-3.1.3]$ cd bin/
[ljj@Hadoop102 bin]$ ll
-rwxr-xr-x. 1 ljj ljj 441936 9月 12 2019 container-executor
-rwxr-xr-x. 1 ljj ljj 8707 9月 12 2019 hadoop
-rwxr-xr-x. 1 ljj ljj 11265 9月 12 2019 hadoop.cmd
-rwxr-xr-x. 1 ljj ljj 11026 9月 12 2019 hdfs
-rwxr-xr-x. 1 ljj ljj 8081 9月 12 2019 hdfs.cmd
-rwxr-xr-x. 1 ljj ljj 6237 9月 12 2019 mapred
-rwxr-xr-x. 1 ljj ljj 6311 9月 12 2019 mapred.cmd
-rwxr-xr-x. 1 ljj ljj 483728 9月 12 2019 test-container-executor
-rwxr-xr-x. 1 ljj ljj 11888 9月 12 2019 yarn
-rwxr-xr-x. 1 ljj ljj 12840 9月 12 2019 yarn.cmd
（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
三 、Hadoop 运行模式
3.1 三种运行模式基本介绍
- Hadoop 官方网站：http://hadoop.apache.org/
- 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。
- 完全分布式模式：多台服务器组成分布式环境。生产环境使用。
3.2 本地运行模式（官方 WordCount案例）
-
创建在 hadoop-3.1.3 文件下面创建一个 wcinput 文件夹
[ljj@Hadoop102 hadoop-3.1.3]$ mkdir wcinput -
在 wcinput 文件下创建一个 word.txt 文件
[ljj@hadoop102 hadoop-3.1.3]$ cd wcinput
- 编辑 word.txt 文件
[ljj@hadoop102 wcinput]$ vim word.txt ➢ 在文件中输入如下内容
ss ss
cls cls
shaolin
shaomin
wudang
wudang
wudang
➢ 保存退出：:wq
- 回到 Hadoop 目录/opt/module/hadoop-3.1.3
- 执行程序
[ljj@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput
出现一大长串字符
//可以通过连续两次按tab获取 下一步路径的信息
[ljj@Hadoop102 hadoop-3.1.3]$ hadoop jar share/
doc/ hadoop/
- 查看结果
[ljj@Hadoop102 hadoop-3.1.3]$ cd wcoutput/
[ljj@Hadoop102 wcoutput]$ ll
总用量 4
-rw-r--r--. 1 ljj ljj 44 4月 24 20:27 part-r-00000
-rw-r--r--. 1 ljj ljj 0 4月 24 20:27 _SUCCESS
[ljj@Hadoop102 wcoutput]$ cat part-r-00000
` 1
cls 2
shaolin 1
shaomin 1
ss 2
wudang 3
在文件中输入如下内容
ss ss
cls cls
shaolin
shaomin
wudang
wudang
wudang
➢ 保存退出：:wq
4. 回到 Hadoop 目录/opt/module/hadoop-3.1.3
5. 执行程序
[ljj@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount wcinput wcoutput
出现一大长串字符
//可以通过连续两次按tab获取 下一步路径的信息
[ljj@Hadoop102 hadoop-3.1.3]$ hadoop jar share/
doc/ hadoop/
6. 查看结果
[ljj@Hadoop102 hadoop-3.1.3]$ cd wcoutput/
[ljj@Hadoop102 wcoutput]$ ll
总用量 4
-rw-r–r--. 1 ljj ljj 44 4月 24 20:27 part-r-00000
-rw-r–r--. 1 ljj ljj 0 4月 24 20:27 _SUCCESS
[ljj@Hadoop102 wcoutput]$ cat part-r-00000
` 1
cls 2
shaolin 1
shaomin 1
ss 2
wudang 3
3.3 完全分布式运行模式（开发重点）
分析：
1）准备 3 台客户机（关闭防火墙、静态 IP、主机名称）
2）安装 JDK
3）配置环境变量
4）安装 Hadoop
5）配置环境变量
6）配置集群 尚硅谷大数据技术之 Hadoop（入门）
7）单点启动
8）配置 ssh
9）群起并测试集群
3.3.1虚拟机准备
克隆一下Hadoop102
3.3.2 编写集群分发脚本 xsync
scp（secure copy）安全拷贝
1）scp 定义
scp 可以实现服务器与服务器之间的数据拷贝。（from server1 to server2）
（2）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
（3）案例实操
➢ 前提：在 hadoop102、hadoop103、hadoop104 都已经创建好的/opt/module、
/opt/software 两个目录，并且已经把这两个目录修改为 atguigu:atguigu
[atguigu@hadoop102 ~]$ sudo chown atguigu:atguigu -R
/opt/module
（a）在 hadoop102 上，将 hadoop102 中/opt/module/jdk1.8.0_212 目录拷贝到
hadoop103 上。
[atguigu@hadoop102 ~]$ scp -r /opt/module/jdk1.8.0_212
atguigu@hadoop103:/opt/module
（b）在 hadoop103 上，将 hadoop102 中/opt/module/hadoop-3.1.3 目录拷贝到
hadoop103 上。
[atguigu@hadoop103 ~]$ scp -r
atguigu@hadoop102:/opt/module/hadoop-3.1.3 /opt/module/
（c）在 hadoop103 上操作，将 hadoop102 中/opt/module 目录下所有目录拷贝到
hadoop104 上。
[atguigu@hadoop103 opt]$ scp -r
atguigu@hadoop102:/opt/module/*
atguigu@hadoop104:/opt/module
rsync 远程同步工具
rsync 主要用于备份和镜像。具有速度快、避免复制相同内容和支持符号链接的优点。
rsync 和 scp 区别：用 rsync 做文件的复制要比 scp 的速度快，rsync 只对差异文件做更
新。scp 是把所有文件都复制过去.
（1）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
选项参数说明
选项 功能
-a 归档拷贝
-v 显示复制过程
（2）案例实操
（a）删除 hadoop103 中/opt/module/hadoop-3.1.3/wcinput
[atguigu@hadoop103 hadoop-3.1.3]$ rm -rf wcinput/
（b）同步 hadoop102 中的/opt/module/hadoop-3.1.3 到 hadoop103
[atguigu@hadoop102 module]$ rsync -av hadoop-3.1.3/
atguigu@hadoop103:/opt/module/hadoop-3.1.3/
xsync 集群分发脚本
（1）需求：循环复制文件到所有节点的相同目录下
（2）需求分析：
（a）rsync 命令原始拷贝：
rsync -av /opt/module atguigu@hadoop103:/opt/
（b）期望脚本：
xsync 要同步的文件名称
（c）期望脚本在任何路径都能使用（脚本放在声明了全局环境变量的路径）
[atguigu@hadoop102 ~]$ echo $PATH
/usr/local/bin:/usr/bin:/usr/local/sbin:/usr/sbin:/home/atgu
igu/.local/bin:/home/atguigu/bin:/opt/module/jdk1.8.0_212/bin
（3）脚本实现
（a）在/home/atguigu/bin 目录下创建 xsync 文件
[atguigu@hadoop102 opt]$ 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
#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 $file does not exists!
fi
done
done
（b）修改脚本 xsync 具有执行权限
[atguigu@hadoop102 bin]$ chmod +x xsync
（c）测试脚本
[atguigu@hadoop102 ~]$ xsync /home/lijunjie/bin
（d）将脚本复制到/bin 中，以便全局调用
[atguigu@hadoop102 bin]$ sudo cp xsync /bin/
（e）同步环境变量配置（root 所有者）
[atguigu@hadoop102 ~]$ sudo ./bin/xsync /etc/profile.d/my_env.sh
注意：如果用了 sudo，那么 xsync 一定要给它的路径补全。
让环境变量生效
[atguigu@hadoop103 bin]$ source /etc/profile
[atguigu@hadoop104 opt]$ source /etc/profile
ssh免密登录
免密登录原理
1.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）
[lijunjie@Hadoop104 .ssh]$ ll
总用量 12
-rw-------. 1 lijunjie lijunjie 1675 4月 26 18:34 id_rsa
-rw-r--r--. 1 lijunjie lijunjie 400 4月 26 18:34 id_rsa.pub
-rw-r--r--. 1 lijunjie lijunjie 372 4月 26 18:25 known_hosts
2.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
3.注意
注意：
还需要在 Hadoop103 上采用 lijunjie 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 lijunjie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；
4…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
集群配置
1.集群部署规划
注意：
➢ NameNode 和 SecondaryNameNode 不要安装在同一台服务器
➢ ResourceManager 也很消耗内存，不要和 NameNode、SecondaryNameNode 配置在
同一台机器上。
需求图：
2.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。
- 默认的配置文件
3.配置集群
- 核心配置文件
- 配置 core-site.xml
[lijunjie@Hadoop102 ~]$ cd $HADOOP_HOME/etc/hadoop
[lijunjie@Hadoop102 hadoop]$ vim core-site.xml
文件内容如下：
拷贝之间的内容
fs.defaultFS
hdfs://Hadoop102:8020
hadoop.tmp.dir //表示创建的临时文件，一个月后会自动销毁
/opt/module/hadoop-3.1.3/data //改成固定文件
hadoop.http.staticuser.user
lijunjie
- HDFS 配置文件
- 配置 hdfs-site.xml
[lijunjie@Hadoop102 hadoop]$ vim hdfs-site.xml
文件内容如下：
dfs.namenode.http-address
Hadoop102:9870
dfs.namenode.secondary.http-address
Hadoop104:9868
3.YARN 配置文件
-
配置 yarn-site.xml
[lijunjie@hadoop102 hadoop]$ vim yarn-site.xml
文件内容如下：
yarn.nodemanager.aux-services
mapreduce_shuffle
yarn.resourcemanager.hostname
Hadoop103
yarn.nodemanager.env-whitelist
JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CO
NF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAP
RED_HOME
4.MapReduce 配置文件
- 配置 mapred-site.xml
[atguigu@hadoop102 hadoop]$ vim mapred-site.xml
文件内容如下：
mapreduce.framework.name
yarn
5.在集群上分发配置好的 Hadoop 配置文件
[lijunjie@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc/hadoop/
6.去 103 和 104 上查看文件分发情况
[atguigu@hadoop103 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml
[atguigu@hadoop104 ~]$ cat /opt/module/hadoop-3.1.3/etc/hadoop/core-site.xm
3.3.3 群起集群
关闭服务命令
[lijunjie@hadoop102 software]$ stop-all.sh
WARNING: Stopping all Apache Hadoop daemons as lijunjie in 10 seconds.
WARNING: Use CTRL-C to abort.
Stopping namenodes on [hadoop102]
Stopping datanodes
Stopping secondary namenodes [hadoop104]
Stopping nodemanagers
hadoop104: WARNING: nodemanager did not stop gracefully after 5 seconds: Trying to kill with kill -9
hadoop103: WARNING: nodemanager did not stop gracefully after 5 seconds: Trying to kill with kill -9
Stopping resourcemanager
1.配置 workers
[lijunjie@hadoop102 hadoop]$ vim /opt/module/hadoop-3.1.3/etc/hadoop/workers
在该文件中增加如下内容：
hadoop102
hadoop103
hadoop104
注意：该文件中添加的内容结尾不允许有空格，文件中不允许有空行。
同步所有节点配置文件
[lijunjie@hadoop102 hadoop]$ xsync /opt/module/hadoop-3.1.3/etc
2.启动集群
2.1如果集群是第一次启动
如果集群是第一次启动，需要在 hadoop102 节点格式化 NameNode（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。如果集群在运行过程中报错，需要重新格式化 NameNode 的话，一定要先停
止 namenode 和 datanode 进程，并且要删除所有机器的 data 和 logs 目录，然后再进行格式
化。）
[lijunjie@hadoop102 hadoop-3.1.3]$ hdfs namenode -format
2.2启动 HDFS
[lijunjie@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
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]
----------------------------------------------
[lijunjie@hadoop102 hadoop-3.1.3]$ jps
4241 Jps
3977 DataNode
3820 NameNode
---------------------------------
[lijunjie@hadoop103 ~]$ jps
3072 DataNode
3480 Jps
-------------------------
[lijunjie@hadoop104 .ssh]$ jps
3030 DataNode
3094 SecondaryNameNode
3210 Jps
2.3启动 YARN
在配置了 ResourceManager 的节点（hadoop103）
[atguigu@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
[lijunjie@hadoop103 hadoop-3.1.3]$ jps
3072 DataNode
4069 Jps
3607 ResourceManager
3719 NodeManager
-------------------------
[lijunjie@hadoop102 hadoop-3.1.3]$ jps
4322 NodeManager
3977 DataNode
3820 NameNode
4447 Jps
-----------------
[lijunjie@hadoop104 hadoop-3.1.3]$ jps
8160 DataNode
8416 NodeManager
8563 Jps
8284 SecondaryNameNode
2.4 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
2.5 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
3. 集群基本测试
3.1 上传文件到集群
上传小文件
[lijunjie@hadoop102 subdir0]$ hadoop fs -mkdir /input //上传了一个input空文件夹
[lijunjie@hadoop102 subdir0]$ hadoop fs -put wcinput/word.txt /input // 把word.txt文件上传到input里面
上传大文件
把jdk上传到/ 下了
[lijunjie@hadoop102 subdir0]$ hadoop fs -put /opt/software/jdk-8u212-linux-x64.tar.gz /
-put 表示上传
3.2上传后看文件存放在哪里
[lijunjie@hadoop102 subdir0]$ pwd
/opt/module/hadoop-3.1.3/data/dfs/data/current/BP-238949251-192.168.10.102-1619877031998/current/finalized/subdir0/subdir0
[lijunjie@hadoop102 subdir0]$ ll
总用量 191944
-rw-rw-r--. 1 lijunjie lijunjie 51 5月 1 22:24 blk_1073741825
-rw-rw-r--. 1 lijunjie lijunjie 11 5月 1 22:24 blk_1073741825_1001.meta
-rw-rw-r--. 1 lijunjie lijunjie 134217728 5月 1 22:31 blk_1073741826
-rw-rw-r--. 1 lijunjie lijunjie 1048583 5月 1 22:31 blk_1073741826_1002.meta
-rw-rw-r--. 1 lijunjie lijunjie 60795424 5月 1 22:31 blk_1073741827
-rw-rw-r--. 1 lijunjie lijunjie 474975 5月 1 22:31 blk_1073741827_1003.meta
[lijunjie@hadoop102 subdir0]$ cat blk_1073741825
ss ss
cls cls
shaolin
shaomin
wudang
wudang
wudang
hadoop fs -get /jdk-8u212-linux-x64.tar.gz ./
3.3下载
hadoop fs -get 要下载的文件 在那个路径
[lijunjie@hadoop104 software]$ hadoop fs -get /jdk-8u212-linux-x64.tar.gz ./
2021-05-01 22:53:26,041 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
[lijunjie@hadoop104 software]$ ll
总用量 190444
-rw-r--r--. 1 lijunjie lijunjie 195013152 5月 1 22:53 jdk-8u212-linux-x64.tar.gz
3.4 执行 wordcount 程序·
[lijunjie@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar wordcount /input /output
在这看进行任务资源调度。表示有一个任务。
4.集群崩溃处理方式
问题：Hadoop102中没有nameNode,或者不小心删除了虚拟机中的date目录等。
原因是：DateNode与NameNode版本不一致导致。新开启的NameNode不能和原先的DataNode匹配。
解决方法：1.先停到服务，各个服务都要停止。
2.在把每一个虚拟机中的date目录和logs目录全部删除
3.在格式化 NameNode，$ hdfs namenode -format
4.在开启服务即可
5.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。具体配置步骤如下：
5.1配置 mapred-site.xml
[lijunjie@hadoop102 hadoop]$ vim mapred-site.xml
在该文件里面增加如下配置。
mapreduce.jobhistory.address
hadoop102:10020
mapreduce.jobhistory.webapp.address
hadoop102:19888
5.2分发配置
[lijunjie@hadoop102 hadoop]$ xsync mapred-site.xml
5.3 在hadoop102中启动历史服务器
[lijunjie@hadoop102 hadoop]$ mapred --daemon start historyserver
[lijunjie@hadoop102 hadoop]$ jps
1973 DataNode
1884 NameNode
2909 JobHistoryServer
2974 Jps
5.4查看 JobHistory
http://hadoop102:19888/jobhistory
6.配置日志的聚集
(操作有问题)
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。
开启日志聚集功能
6.1 配置yarn-site.xml
[lijunjie@hadoop102 hadoop]$ vim yarn-site.xml
在文件中加入
yarn.log-aggregation-enable
true
yarn.log.server.url
http://hadoop102:19888/jobhistory/logs
yarn.log-aggregation.retain-seconds
604800
6.2 分发配置
[lijunjie@hadoop102 hadoop]$ xsync yarn-site.xml
6.3关闭 NodeManager 、ResourceManager 和 HistoryServer
[lijunjie@hadoop103 hadoop-3.1.3]$ sbin/stop-yarn.sh
[lijunjie@hadoop102 hadoop-3.1.3]$ mapred --daemon stop historyserver
[lijunjie@hadoop102 hadoop-3.1.3]$ jps
1973 DataNode
3834 Jps
1884 NameNode
6.4 启动 NodeManager 、ResourceManage 和 HistoryServer
[lijunjie@hadoop103 ~]$ start-yarn.sh
[lijunjie@hadoop102 ~]$ mapred --daemon start historyserver
6.5 案例
删除 HDFS 上已经存在的输入文件
[lijunjie@hadoop102 hadoop-3.1.3]$ hadoop fs -rm -r /input
Deleted /input
执行 WordCount 程序
[lijunjie@hadoop102 hadoop-3.1.3]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar
wordcount /input /output
查看日志
（1）历史服务器地址
http://hadoop102:19888/jobhistory
7.集群启动/停止方式
7.1整体启动/停止 HDFS
start-dfs.sh
stop-dfs.sh
7.2 整体启动/停止YARN
start-yarn.sh/stop-yarn.sh
7.3各个服务组件逐一启动/停止
分别启动/停止 HDFS 组件
hdfs --daemon start/stop namenode/datanode/secondarynamenode
启动/停止 YARN
yarn --daemon start/stop resourcemanager/nodemanager
停止服务
kill -9 进程号
[lijunjie@hadoop102 hadoop-3.1.3]$ jps
5504 Jps
4067 JobHistoryServer
3908 NodeManager
1973 DataNode
1884 NameNode
[lijunjie@hadoop102 hadoop-3.1.3]$ kill -9 1973
[lijunjie@hadoop102 hadoop-3.1.3]$ jps
4067 JobHistoryServer
3908 NodeManager
5530 Jps
1884 NameNode
8.编写 Hadoop 集群常用脚本
8.1Hadoop 集群启停脚本
（包含 HDFS，Yarn，Historyserver）：myhadoop.sh
#!/bin/bash
if [ $# -lt 1 ]
then
echo "No Args Input..."
exit ;
fi
case $1 in
"start")
echo " =================== 启动 hadoop 集群 ==================="
echo " --------------- 启动 hdfs ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/start-dfs.sh"
echo " --------------- 启动 yarn ---------------"
ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/start-yarn.sh"
echo " --------------- 启动 historyserver ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon start
historyserver"
;;
"stop")
echo " =================== 关闭 hadoop 集群 ==================="
echo " --------------- 关闭 historyserver ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/bin/mapred --daemon stop
historyserver"
echo " --------------- 关闭 yarn ---------------"
ssh hadoop103 "/opt/module/hadoop-3.1.3/sbin/stop-yarn.sh"
echo " --------------- 关闭 hdfs ---------------"
ssh hadoop102 "/opt/module/hadoop-3.1.3/sbin/stop-dfs.sh"
;;
*)
echo "Input Args Error..."
;;
esac
8.2 查看三台服务器 Java 进程脚本：jpsall
[lijunjie@hadoop102 bin]$ vim jpsall
#!/bin/bash
for host in hadoop102 hadoop103 hadoop104
do
echo =============== $host ===============
ssh $host jps
done
[lijunjie@hadoop102 bin]$ jpsall
=============== hadoop102 ===============
9604 DataNode
9430 NameNode
9900 NodeManager
10076 JobHistoryServer
10223 Jps
=============== hadoop103 ===============
9025 Jps
8466 ResourceManager
8277 DataNode
8726 NodeManager
=============== hadoop104 ===============
7025 Jps
6820 NodeManager
6726 SecondaryNameNode
6605 DataNode
8.3 脚本：实现集群一键关机 shutdown.sh
vim shutdown.sh
如下：配置hadoop102 脚本
#!/bin/bash
#虚拟机群体关机脚本
for host in hadoop104 hadoop103 hadoop102
do
echo “==================== $host关机 ===================”
ssh $host "sudo init 0"
done
注意点：这里在利用for循环遍历的时候一定要区分先后顺序，比如在Linux2上编辑的集群关机脚本，那么最后再执行关机Linux2的命令–>也就是for循环最后在遍历Linux2；
9.常用端口号说明
常用配置文件
| Hadoop2.x | Hadoop3.x |
|---|---|
| core-site.xml | core-site.xml |
| yarn-site.xml | yarn-site.xml |
| mapred-site.xml | mapred-site.xml |
| hdfs-site.xml | hdfs-site.xml |
| workers | slaves |
10.集群时间同步
能连外网的情况下，不需要配置集群时间同步，会影响集群性能。
1.如果服务器在公网环境（能连接外网），可以不采用集群时间同步，因为服务器会定期和公网时间进行校准；
2.如果服务器在内网环境，必须要配置集群时间同步，否则时间久了，会产生时间偏差，导致集群执行任务时间不同
10.1需求
找一个机器，作为时间服务器，所有的机器与这台集群时间进行定时的同步，生产环境根据任务对时间的准确程度要求周期同步。测试环境为了尽快看到效果，采用 1 分钟同步一次
10.2时间服务器配置（必须 root 用户）
- 查看所有节点 ntpd 服务状态和开机自启动状态
[atguigu@hadoop102 ~]$ sudo systemctl status ntpd
[atguigu@hadoop102 ~]$ sudo systemctl start ntpd
[atguigu@hadoop102 ~]$ sudo systemctl is-enabled ntpd //设置开机自启动
-
修改 hadoop102 的 ntp.conf 配置文件
[atguigu@hadoop102 ~]$ sudo vim /etc/ntp.conf
（a）修改 1（授权 192.168.10.0-192.168.10.255 网段上的所有机器可以从这台机器上查询和同步时间）
#restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap 修改为
restrict 192.168.10.0 mask 255.255.255.0 nomodify notrap
b）修改 2（集群在局域网中，不使用其他互联网上的时间）
server 0.centos.pool.ntp.org iburst
server 1.centos.pool.ntp.org iburst
server 2.centos.pool.ntp.org iburst
server 3.centos.pool.ntp.org iburst
为
#server 0.centos.pool.ntp.org iburst
#server 1.centos.pool.ntp.org iburst
#server 2.centos.pool.ntp.org iburst
#server 3.centos.pool.ntp.org iburst
（c）添加 3（当该节点丢失网络连接，依然可以采用本地时间作为时间服务器为集群中
的其他节点提供时间同步）
server 127.127.1.0
fudge 127.127.1.0 stratum 10
- 修改 hadoop102 的/etc/sysconfig/ntpd 文件
[atguigu@hadoop102 ~]$ sudo vim /etc/sysconfig/ntpd
增加内容如下（让硬件时间与系统时间一起同步）
SYNC_HWCLOCK=yes
- 重新启动 ntpd 服务
[atguigu@hadoop102 ~]$ sudo systemctl start ntpd
-
设置 ntpd 服务开机启动
[atguigu@hadoop102 ~]$ sudo systemctl enable ntpd
10.3 其他机器配置（必须 root 用户）
（1）关闭所有节点上 ntp 服务和自启动
[atguigu@hadoop103 ~]$ sudo systemctl stop ntpd
[atguigu@hadoop103 ~]$ sudo systemctl disable ntpd
[atguigu@hadoop104 ~]$ sudo systemctl stop ntpd
[atguigu@hadoop104 ~]$ sudo systemctl disable ntpd
（2）在其他机器配置 1 分钟与时间服务器同步一次
[atguigu@hadoop103 ~]$ sudo crontab -e
编写定时任务如下：
*/1 * * * * /usr/sbin/ntpdate hadoop102
（3）修改任意机器时间
[atguigu@hadoop103 ~]$ sudo date -s "2021-9-11 11:11:11"
（4）1 分钟后查看机器是否与时间服务器同步[atguigu@hadoop103 ~]$ sudo date
四、 常见错误及解决方案
1）防火墙没关闭、或者没有启动 YARN
INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
2）主机名称配置错误
3）IP 地址配置错误
4）ssh 没有配置好
5）root 用户和 atguigu 两个用户启动集群不统一
6）配置文件修改不细心
7）不识别主机名称
java.net.UnknownHostException: hadoop102: hadoop102
at
java.net.InetAddress.getLocalHost(InetAddress.java:1475)
at
org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(Job
Submitter.java:146)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1290)
at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1287)
at java.security.AccessController.doPrivileged(Native
Method)
at javax.security.auth.Subject.doAs(Subject.java:415)
解决办法：
（1）在/etc/hosts 文件中添加 192.168.10.102 hadoop102
（2）主机名称不要起 hadoop hadoop000 等特殊名称
8）DataNode 和 NameNode 进程同时只能工作一个
9）执行命令不生效，粘贴 Word 中命令时，遇到-和长–没区分开。导致命令失效解决办法：尽量不要粘贴 Word 中代码。
10）jps 发现进程已经没有，但是重新启动集群，提示进程已经开启。原因是在 Linux 的根目录下/tmp 目录中存在启动的进程临时文件，将集群相关进程删除掉，再重新启动集群。
11）jps 不生效原因：
全局变量 hadoop java 没有生效。解决办法：需要 source /etc/profile 文件。
12）8088 端口连接不上[atguigu@hadoop102 桌面]$ cat /etc/hosts注释掉如下代码
#127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4#::1 hadoop1
13）在hdfs web 端删除文件没有权限
在core-site.xml中加入
hadoop.http.staticuser.user
lijunjie
