大数据学习入门到实战教程,精心整理万字长文入门,老奶奶看了都说学会了

什么是大数据

基本概念

在互联网技术发展到现今阶段,大量日常、工作等事务产生的数据都已经信息化,人类产生的数据量相比以前有了爆炸式的增长,以前的传统的数据处理技术已经无法胜任,需求催生技术,一套用来处理海量数据的软件工具应运而生,这就是大数据!

换个角度说,大数据是:

1、有海量的数据

2、有对海量数据进行挖掘的需求

3、有对海量数据进行挖掘的软件工具(hadoop、spark、storm、flink、tez、impala…)

大数据在现实生活中的具体应用

电商推荐系统:基于海量的浏览行为、购物行为数据,进行大量的算法模型的运算,得出各类推荐结论,以供电商网站页面来为用户进行商品推荐

精准广告推送系统:基于海量的互联网用户的各类数据,统计分析,进行用户画像(得到用户的各种属性标签),然后可以为广告主进行有针对性的精准的广告投放

什么是hadoop

hadoop中有3个核心组件:

分布式文件系统:HDFS —— 实现将文件分布式存储在很多的服务器上

分布式运算编程框架:MAPREDUCE —— 实现在很多机器上分布式并行运算

分布式资源调度平台:YARN —— 帮用户调度大量的mapreduce程序,并合理分配运算资源

hdfs整体运行机制

hdfs:分布式文件系统

hdfs有着文件系统共同的特征:

  • 有目录结构,顶层目录是:/

  • 系统中存放的就是文件

  • 系统可以提供对文件的:创建、删除、修改、查看、移动等功能

  • hdfs跟普通的单机文件系统有区别:

  • 单机文件系统中存放的文件,是在一台机器的操作系统中

  • hdfs的文件系统会横跨N多的机器

  • 单机文件系统中存放的文件,是在一台机器的磁盘上

  • hdfs文件系统中存放的文件,是落在n多机器的本地单机文件系统中(hdfs是一个基于linux本地文件系统之上的文件系统)

  • hdfs的工作机制:

    1、客户把一个文件存入hdfs,其实hdfs会把这个文件切块后,分散存储在N台linux机器系统中(负责存储文件块的角色:datanode)<准确来说:切块的行为是由客户端决定的>

    2、一旦文件被切块存储,那么,hdfs中就必须有一个机制,来记录用户的每一个文件的切块信息,及每一块的具体存储机器(负责记录块信息的角色是:namenode)

    3、为了保证数据的安全性,hdfs可以将每一个文件块在集群中存放多个副本(到底存几个副本,是由当时存入该文件的客户端指定的)

    综述:一个hdfs系统,由一台运行了namenode的服务器,和N台运行了datanode的服务器组成!

    搭建hdfs分布式集群

    hdfs集群组成结构:

    安装hdfs集群的具体步骤:

    一、首先需要准备N台linux服务器

    学习阶段,用虚拟机即可!

    先准备4台虚拟机:1个namenode节点 + 3 个datanode 节点

    二、修改各台机器的主机名和ip地址

    主机名:hdp-01 对应的ip地址:192.168.33.61

    主机名:hdp-02 对应的ip地址:192.168.33.62

    主机名:hdp-03 对应的ip地址:192.168.33.63

    主机名:hdp-04 对应的ip地址:192.168.33.64

    三、从windows中用CRT软件进行远程连接

    在windows中将各台linux机器的主机名配置到的windows的本地域名映射文件中:

    c:/windows/system32/drivers/etc/hosts192.168.33.61  hdp-01192.168.33.62  hdp-02192.168.33.63  hdp-03192.168.33.64  hdp-04

    用crt连接上后,修改一下crt的显示配置(字号,编码集改为UTF-8):

    配置linux服务器的基础软件环境

    防火墙

    关闭防火墙:

    service iptables stop

    关闭防火墙自启:

    chkconfig iptables off安装jdk:(hadoop体系中的各软件都是java开发的)

    1)利用alt+p 打开sftp窗口,然后将jdk压缩包拖入sftp窗口

    2)然后在linux中将jdk压缩包解压到/root/apps 下

    3)配置环境变量:JAVA_HOME PATH

    vi /etc/profile 在文件的最后,加入:


    export JAVA_HOME=/root/apps/jdk1.8.0_60export PATH=$PATH:$JAVA_HOME/bin

    4)修改完成后,记得 source /etc/profile使配置生效

    5)检验:在任意目录下输入命令:java -version 看是否成功执行

    6)将安装好的jdk目录用scp命令拷贝到其他机器

    7)将/etc/profile配置文件也用scp命令拷贝到其他机器并分别执行source命令

    集群内主机的域名映射配置

    在hdp-01上,

    vi /etc/hosts

    127.0.0.1   localhost localhost.localdomain localhost4 localhost4.localdomain4::1         localhost localhost.localdomain localhost6 localhost6.localdomain6192.168.33.61   hdp-01192.168.33.62   hdp-02192.168.33.63   hdp-03192.168.33.64   hdp-04

    然后,将hosts文件拷贝到集群中的所有其他机器上

    scp /etc/hosts hdp-02:/etc/scp /etc/hosts hdp-03:/etc/scp /etc/hosts hdp-04:/etc/

    补充

    提示: 如果在执行scp命令的时候,提示没有scp命令,则可以配置一个本地yum源来安装

    1、先在虚拟机中配置cdrom为一个centos的安装镜像iso文件

    2、在linux系统中将光驱挂在到文件系统中(某个目录)

    3、mkdir /mnt/cdrom

    4、mount -t iso9660 -o loop /dev/cdrom /mnt/cdrom

    5、检验挂载是否成功:ls /mnt/cdrom

    6、3、配置yum的仓库地址配置文件

    7、yum的仓库地址配置文件目录:

    /etc/yum.repos.d

    8、先将自带的仓库地址配置文件批量更名:

    9、然后,拷贝一个出来进行修改

    10、修改完配置文件后,再安装scp命令:11、yum install openssh-clients -y

    五、安装hdfs集群

    1、上传hadoop安装包到hdp-01

    2、修改配置文件

    要点提示 核心配置参数:

    1)指定hadoop的默认文件系统为:hdfs

    2)指定hdfs的namenode节点为哪台机器

    3)指定namenode软件存储元数据的本地目录

    4)指定datanode软件存放文件块的本地目录

    hadoop的配置文件在:/root/apps/hadoop安装目录/etc/hadoop/

    1.修改hadoop-env.sh

    export JAVA_HOME=/root/apps/jdk1.8.0_60

    2.修改core-site.xml

    fs.defaultFShdfs://hdp-01:9000

    3.修改hdfs-site.xml

    dfs.namenode.name.dir/root/dfs/namedfs.datanode.data.dir/root/dfs/data

    4.拷贝整个hadoop安装目录到其他机器

    scp -r /root/apps/hadoop-2.8.0  hdp-02:/root/apps/scp -r /root/apps/hadoop-2.8.0  hdp-03:/root/apps/scp -r /root/apps/hadoop-2.8.0  hdp-04:/root/apps/

    5.启动HDFS

    所谓的启动HDFS,就是在对的机器上启动对的软件

    要点提示:要运行hadoop的命令,需要在linux环境中配置HADOOP_HOME和PATH环境变量vi /etc/profileexport JAVA_HOME=/root/apps/jdk1.8.0_60export HADOOP_HOME=/root/apps/hadoop-2.8.0export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

    首先,初始化namenode的元数据目录

    要在hdp-01上执行hadoop的一个命令来初始化namenode的元数据存储目录

    hadoop namenode -format

  • 创建一个全新的元数据存储目录

  • 生成记录元数据的文件fsimage

  • 生成集群的相关标识:如:集群id——clusterID

  • 然后,启动namenode进程(在hdp-01上)

    hadoop-daemon.sh start namenode

    启动完后,首先用jps查看一下namenode的进程是否存在

    然后,在windows中用浏览器访问namenode提供的web端口:50070

    http://hdp-01:50070

    然后,启动众datanode们(在任意地方)

    hadoop-daemon.sh start datanode

    ** 用自动批量启动脚本来启动HDFS**

    1)先配置hdp-01到集群中所有机器(包含自己)的免密登陆2)配完免密后,可以执行一次  ssh 0.0.0.03)修改hadoop安装目录中/etc/hadoop/slaves(把需要启动datanode进程的节点列入)hdp-01hdp-02hdp-03hdp-044)在hdp-01上用脚本:start-dfs.sh 来自动启动整个集群5)如果要停止,则用脚本:stop-dfs.sh

    hdfs的客户端操作

    客户端的理解

    hdfs的客户端有多种形式:

    1、网页形式

    2、命令行形式

    3、客户端在哪里运行,没有约束,只要运行客户端的机器能够跟hdfs集群联网

    文件的切块大小和存储的副本数量,都是由客户端决定!

    所谓的由客户端决定,是通过配置参数来定的

    hdfs的客户端会读以下两个参数,来决定切块大小、副本数量:

    切块大小的参数:dfs.blocksize

    副本数量的参数:dfs.replication

    上面两个参数应该配置在客户端机器的hadoop目录中的hdfs-site.xml中配置

    dfs.blocksize64mdfs.replication2

    hdfs命令行客户端的常用操作命令

    0、查看hdfs中的目录信息

    hadoop fs -ls /hdfs路径

    1、上传文件到hdfs中

    > hadoop fs -put /本地文件  /aaa> > hadoop fs -copyFromLocal /本地文件  /hdfs路径   ##  copyFromLocal等价于 put> > hadoop fs -moveFromLocal /本地文件  /hdfs路径  ##> 跟copyFromLocal的区别是:从本地移动到hdfs中

    2、下载文件到客户端本地磁盘

    hadoop fs -get /hdfs中的路径 /本地磁盘目录

    hadoop fs -copyToLocal /hdfs中的路径 /本地磁盘路径 ## 跟get等价

    hadoop fs -moveToLocal /hdfs路径 /本地路径 ## 从hdfs中移动到本地

    3、在hdfs中创建文件夹

    hadoop fs -mkdir -p /aaa/xxx

    4、移动hdfs中的文件(更名)

    hadoop fs -mv /hdfs的路径 /hdfs的另一个路径

    5、删除hdfs中的文件或文件夹

    hadoop fs -rm -r /aaa

    6、修改文件的权限

    hadoop fs -chown user:group /aaa

    hadoop fs -chmod 700 /aaa

    7、追加内容到已存在的文件

    hadoop fs -appendToFile /本地文件 /hdfs中的文件

    8、显示文本文件的内容

    hadoop fs -cat /hdfs中的文件

    hadoop fs -tail /hdfs中的文件

    补充:hdfs命令行客户端的所有命令列表Usage: hadoop fs [generic options]        [-appendToFile  ... ]        [-cat [-ignoreCrc]  ...]        [-checksum  ...]        [-chgrp [-R] GROUP PATH...]        [-chmod [-R]  PATH...]        [-chown [-R] [OWNER][:[GROUP]] PATH...]        [-copyFromLocal [-f] [-p] [-l] [-d]  ... ]        [-copyToLocal [-f] [-p] [-ignoreCrc] [-crc]  ... ]        [-count [-q] [-h] [-v] [-t []] [-u] [-x]  ...]        [-cp [-f] [-p | -p[topax]] [-d]  ... ]        [-createSnapshot  []]        [-deleteSnapshot  ]        [-df [-h] [ ...]]        [-du [-s] [-h] [-x]  ...]        [-expunge]        [-find  ...  ...]        [-get [-f] [-p] [-ignoreCrc] [-crc]  ... ]        [-getfacl [-R] ]        [-getfattr [-R] {-n name | -d} [-e en] ]        [-getmerge [-nl] [-skip-empty-file]  ]        [-help [cmd ...]]        [-ls [-C] [-d] [-h] [-q] [-R] [-t] [-S] [-r] [-u] [ ...]]        [-mkdir [-p]  ...]        [-moveFromLocal  ... ]        [-moveToLocal  ]        [-mv  ... ]        [-put [-f] [-p] [-l] [-d]  ... ]        [-renameSnapshot   ]        [-rm [-f] [-r|-R] [-skipTrash] [-safely]  ...]        [-rmdir [--ignore-fail-on-non-empty]  ...]        [-setfacl [-R] [{-b|-k} {-m|-x } ]|[--set  ]]        [-setfattr {-n name [-v value] | -x name} ]        [-setrep [-R] [-w]   ...]        [-stat [format]  ...]        [-tail [-f] ]        [-test -[defsz] ]        [-text [-ignoreCrc]  ...]        [-touchz  ...]        [-truncate [-w]   ...]        [-usage [cmd ...]]

    hdfs的java客户端编程

    HDFS客户端编程应用场景:数据采集

    在windows开发环境中做一些准备工作:

    1、在windows的某个路径中解压一份windows版本的hadoop安装包

    2、将解压出的hadoop目录配置到windows的环境变量中:HADOOP_HOME

    开发代码

    1、将hdfs客户端开发所需的jar导入工程(jar包可在hadoop安装包中找到common/hdfs)

    2、写代码

    要点:要对hdfs中的文件进行操作,代码中首先需要获得一个hdfs的客户端对象

    Configuration conf = new Configuration();FileSystem fs = FileSystem.get(new URI("hdfs://hdp-01:9000"),conf,"root");

    3、利用fs对象的方法进行文件操作

    比如:

    上传文件—— fs.copyFromLocalFile(new Path("本地路径"),new Path("hdfs的路径"));

    下载文件——fs.copyToLocalFile(new Path("hdfs的路径"),new Path("本地路径"))

    项目实战

    需求描述:

    在业务系统的服务器上,业务程序会不断生成业务日志(比如网站的页面访问日志)

    业务日志是用log4j生成的,会不断地切出日志文件

    需要定期(比如每小时)从业务服务器上的日志目录中,探测需要采集的日志文件(access.log不能采),发往HDFS

    注意点:业务服务器可能有多台(hdfs上的文件名不能直接用日志服务器上的文件名)

    当天采集到的日志要放在hdfs的当天目录中

    采集完成的日志文件,需要移动到到日志服务器的一个备份目录中

    定期检查(一小时检查一次)备份目录,将备份时长超出24小时的日志文件清除

    Timer timer = new Timer()timer.schedual()

    hdfs的核心工作原理

    namenode元数据管理要点

    1、什么是元数据?

    hdfs的目录结构及每一个文件的块信息(块的id,块的副本数量,块的存放位置)

    2、元数据由谁负责管理?

    namenode

    3、namenode把元数据记录在哪里?

    namenode的实时的完整的元数据存储在内存中;

    namenode还会在磁盘中(dfs.namenode.name.dir)存储内存元数据在某个时间点上的镜像文件;

    namenode会把引起元数据变化的客户端操作记录在edits日志文件中;

    secondarynamenode会定期从namenode上下载fsimage镜像和新生成的edits日志,然后加载fsimage镜像到内存中,然后顺序解析edits文件,对内存中的元数据对象进行修改(整合)

    整合完成后,将内存元数据序列化成一个新的fsimage,并将这个fsimage镜像文件上传给namenode

    上述过程叫做:checkpoint操作

    提示:secondary namenode每次做checkpoint操作时,都需要从namenode上下载上次的fsimage镜像文件吗?

    第一次checkpoint需要下载,以后就不用下载了,因为自己的机器上就已经有了。

    补充:secondary namenode启动位置的配置

    默认值    dfs.namenode.secondary.http-address  0.0.0.0:50090

    把默认值改成你想要的机器主机名即可

    secondarynamenode保存元数据文件的目录配置:

    默认值

      dfs.namenode.checkpoint.dir  file://${hadoop.tmp.dir}/dfs/namesecondary

    改成自己想要的路径即可:/root/dfs/namesecondary

    mapreduce快速上手

    小案例:

    统计HDFS的/wordcount/input/a.txt文件中的每个单词出现的次数——wordcount

    明白了一点:可以在任何地方运行程序,访问HDFS上的文件并进行统计运算,并且可以把统计的结果写回HDFS的结果文件中;

    但是,进一步思考:如果文件又多又大,用上面那个程序有什么弊端?

    慢!因为只有一台机器在进行运算处理!

    如何变得更快?

    核心思想:让我们的运算程序并行在多台机器上执行!

    mapreduce运行平台YARN

    mapreduce程序应该是在很多机器上并行启动,而且先执行map task,当众多的maptask都处理完自己的数据后,还需要启动众多的reduce task,这个过程如果用用户自己手动调度不太现实,需要一个自动化的调度平台——hadoop中就为运行mapreduce之类的分布式运算程序开发了一个自动化调度平台——YARN。

    安装yarn集群

    yarn集群中有两个角色:

    主节点:Resource Manager 1台

    从节点:Node Manager N台

    Resource Manager一般安装在一台专门的机器上

    Node Manager应该与HDFS中的data node重叠在一起

    修改配置文件:

    yarn-site.xmlyarn.resourcemanager.hostnamehdp-04yarn.nodemanager.aux-servicesmapreduce_shuffle

    然后复制到每一台机器上

    然后在hdp-04上,修改hadoop的slaves文件,列入要启动nodemanager的机器

    然后将hdp-04到所有机器的免密登陆配置好

    然后,就可以用脚本启动yarn集群:

    sbin/start-yarn.sh

    停止:

    sbin/stop-yarn.sh

    启动完成后,可以在windows上用浏览器访问resourcemanager的web端口:

    http://hdp-04:8088

    看resource mananger是否认出了所有的node manager节点

    运行mapreduce程序

    首先,为你的mapreduce程序开发一个提交job到yarn的客户端类(模板代码):

    描述你的mapreduce程序运行时所需要的一些信息(比如用哪个mapper、reducer、map和reduce输出的kv类型、jar包所在路径、reduce task的数量、输入输出数据的路径)

    将信息和整个工程的jar包一起交给yarn

    然后,将整个工程(yarn客户端类+ mapreduce所有jar和自定义类)打成jar包

    然后,将jar包上传到hadoop集群中的任意一台机器上

    最后,运行jar包中的(YARN客户端类)

    [root@hdp-04 ~]# hadoop jar wc.jar cn.edu360.hadoop.mr.wc.JobSubmitter

    你可能感兴趣的:(大数据学习入门到实战教程,精心整理万字长文入门,老奶奶看了都说学会了)