hadoop集群安装与部署（大数据系列）

什么是大数据

基本概念

《数据处理》
在互联网技术发展到现今阶段&＃xff0c;大量日常、工作等事务产生的数据都已经信息化&＃xff0c;人类产生的数据量相比以前有了爆炸式的增长&＃xff0c;以前的传统的数据处理技术已经无法胜任&＃xff0c;需求催生技术&＃xff0c;一套用来处理海量数据的软件工具应运而生&＃xff0c;这就是大数据&＃xff01;

处理海量数据的核心技术&＃xff1a;
海量数据存储&＃xff1a;分布式
海量数据运算&＃xff1a;分布式

这些核心技术的实现是不需要用户从零开始造轮子的
存储和运算&＃xff0c;都已经有大量的成熟的框架来用

存储框架&＃xff1a;
HDFS——分布式文件存储系统&＃xff08;HADOOP中的存储框架&＃xff09;
HBASE——分布式数据库系统
KAFKA——分布式消息缓存系统(实时流式数据处理场景中应用广泛)

运算框架&＃xff1a;&＃xff08;要解决的核心问题就是帮用户将处理逻辑在很多机器上并行&＃xff09;
MAPREDUCE—— 离线批处理/HADOOP中的运算框架
SPARK —— 离线批处理/实时流式计算
STORM —— 实时流式计算

辅助类的工具&＃xff08;解放大数据工程师的一些繁琐工作&＃xff09;&＃xff1a;
HIVE —— 数据仓库工具&＃xff1a;可以接收sql&＃xff0c;翻译成mapreduce或者spark程序运行
FLUME——数据采集
SQOOP——数据迁移
ELASTIC SEARCH —— 分布式的搜索引擎
…

换个角度说&＃xff0c;大数据是&＃xff1a;
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&＃xff08;hadoop、spark、storm、flink、tez、impala…&＃xff09;

大数据在现实生活中的具体应用

数据处理的最典型应用&＃xff1a;公司的产品运营情况分析

电商推荐系统&＃xff1a;基于海量的浏览行为、购物行为数据&＃xff0c;进行大量的算法模型的运算&＃xff0c;得出各类推荐结论&＃xff0c;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&＃xff1a;基于海量的互联网用户的各类数据&＃xff0c;统计分析&＃xff0c;进行用户画像&＃xff08;得到用户的各种属性标签&＃xff09;&＃xff0c;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&＃xff1a;
分布式文件系统&＃xff1a;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&＃xff1a;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&＃xff1a;YARN —— 帮用户调度大量的mapreduce程序&＃xff0c;并合理分配运算资源

hdfs整体运行机制

hdfs&＃xff1a;分布式文件系统
hdfs有着文件系统共同的特征&＃xff1a;
1、有目录结构&＃xff0c;顶层目录是&＃xff1a; /
2、系统中存放的就是文件
3、系统可以提供对文件的&＃xff1a;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&＃xff1a;
1、单机文件系统中存放的文件&＃xff0c;是在一台机器的操作系统中
2、hdfs的文件系统会横跨N多的机器
3、单机文件系统中存放的文件&＃xff0c;是在一台机器的磁盘上
4、hdfs文件系统中存放的文件&＃xff0c;是落在n多机器的本地单机文件系统中&＃xff08;hdfs是一个基于linux本地文件系统之上的文件系统&＃xff09;

hdfs的工作机制&＃xff1a;
1、客户把一个文件存入hdfs&＃xff0c;其实hdfs会把这个文件切块后&＃xff0c;分散存储在N台linux机器系统中&＃xff08;负责存储文件块的角色&＃xff1a;data node&＃xff09;<准确来说&＃xff1a;切块的行为是由客户端决定的>

2、一旦文件被切块存储&＃xff0c;那么&＃xff0c;hdfs中就必须有一个机制&＃xff0c;来记录用户的每一个文件的切块信息&＃xff0c;及每一块的具体存储机器&＃xff08;负责记录块信息的角色是&＃xff1a;name node&＃xff09;

3、为了保证数据的安全性&＃xff0c;hdfs可以将每一个文件块在集群中存放多个副本&＃xff08;到底存几个副本&＃xff0c;是由当时存入该文件的客户端指定的&＃xff09;

综述&＃xff1a;一个hdfs系统&＃xff0c;由一台运行了namenode的服务器&＃xff0c;和N台运行了datanode的服务器组成&＃xff01;

搭建hdfs分布式集群

hdfs集群组成结构&＃xff1a;

安装hdfs集群的具体步骤&＃xff1a;

一、首先需要准备N台linux服务器
学习阶段&＃xff0c;用虚拟机即可&＃xff01;
先准备4台虚拟机&＃xff1a;1个namenode节点 &＃43; 3 个datanode 节点

二、修改各台机器的主机名和ip地址
主机名&＃xff1a;hdp-01 对应的ip地址&＃xff1a;192.168.33.61
主机名&＃xff1a;hdp-02 对应的ip地址&＃xff1a;192.168.33.62
主机名&＃xff1a;hdp-03 对应的ip地址&＃xff1a;192.168.33.63
主机名&＃xff1a;hdp-04 对应的ip地址&＃xff1a;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&＃xff1a;
c:/windows/system32/drivers/etc/hosts
192.168.33.61 hdp-01
192.168.33.62 hdp-02
192.168.33.63 hdp-03
192.168.33.64 hdp-04

用crt连接上后&＃xff0c;修改一下crt的显示配置&＃xff08;字号&＃xff0c;编码集改为UTF-8&＃xff09;&＃xff1a;

四、配置linux服务器的基础软件环境

1.防火墙
关闭防火墙&＃xff1a;service iptables stop
关闭防火墙自启&＃xff1a; chkconfig iptables off

2.安装jdk&＃xff1a;&＃xff08;hadoop体系中的各软件都是java开发的&＃xff09;
1)利用alt&＃43;p 打开sftp窗口&＃xff0c;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&＃xff1a;JAVA_HOME PATH
vi /etc/profile 在文件的最后&＃xff0c;加入&＃xff1a;
export JAVA_HOME&＃61;/root/apps/jdk1.8.0_60
export PATH&＃61;$PATH:$JAVA_HOME/bin
4)修改完成后&＃xff0c;记得 source /etc/profile使配置生效
5)检验&＃xff1a;在任意目录下输入命令&＃xff1a; 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

3.集群内主机的域名映射配置
在hdp-01上&＃xff0c;vi /etc/hosts
127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
::1 localhost localhost.localdomain localhost6 localhost6.localdomain6
192.168.33.61 hdp-01
192.168.33.62 hdp-02
192.168.33.63 hdp-03
192.168.33.64 hdp-04
然后&＃xff0c;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&＃xff0c;提示没有scp命令&＃xff0c;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&＃xff08;某个目录&＃xff09;
3、mkdir /mnt/cdrom
4、mount -t iso9660 -o loop /dev/cdrom /mnt/cdrom
5、检验挂载是否成功&＃xff1a; 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&＃xff1a; /etc/yum.repos.d
8、先将自带的仓库地址配置文件批量更名&＃xff1a;

9、然后&＃xff0c;拷贝一个出来进行修改


10、修改完配置文件后&＃xff0c;再安装scp命令&＃xff1a;
11、yum install openssh-clients -y

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&＃xff1a;
1)指定hadoop的默认文件系统为&＃xff1a;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&＃xff1a;/root/apps/hadoop安装目录/etc/hadoop/

1. 修改hadoop-env.sh
   export JAVA_HOME&＃61;/root/apps/jdk1.8.0_60

2. 修改core-site.xml



fs.defaultFS
hdfs://hdp-01:9000




3. 修改hdfs-site.xml



dfs.namenode.name.dir
/root/hdpdata/name/

dfs.datanode.data.dir
/root/hdpdata/data

dfs.namenode.secondary.http-address
hdp-02:50090



4. 拷贝整个hadoop安装目录到其他机器
   scp -r /root/apps/hadoop-2.8.1 hdp-02:/root/apps/
   scp -r /root/apps/hadoop-2.8.1 hdp-03:/root/apps/
   scp -r /root/apps/hadoop-2.8.1 hdp-04:/root/apps/

5. 启动HDFS

所谓的启动HDFS&＃xff0c;就是在对的机器上启动对的软件
要点
提示&＃xff1a; 要运行hadoop的命令&＃xff0c;需要在linux环境中配置HADOOP_HOME和PATH环境变量
vi /etc/profile
export JAVA_HOME&＃61;/root/apps/jdk1.8.0_60
export HADOOP_HOME&＃61;/root/apps/hadoop-2.8.1
export PATH&＃61;$PATH:$JAVA_HOME/bin:HADOOPHOME/bin:HADOOP_HOME/bin:HADOOPH​OME/bin:HADOOP_HOME/sbin

首先&＃xff0c;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
1.创建一个全新的元数据存储目录
2.生成记录元数据的文件fsimage
3.生成集群的相关标识&＃xff1a;如&＃xff1a;集群id——clusterID

然后&＃xff0c;启动namenode进程&＃xff08;在hdp-01上&＃xff09;
hadoop-daemon.sh start namenode
启动完后&＃xff0c;首先用jps查看一下namenode的进程是否存在

然后&＃xff0c;在windows中用浏览器访问namenode提供的web端口&＃xff1a;50070
http://hdp-01:50070

然后&＃xff0c;启动众datanode们&＃xff08;在任意地方&＃xff09;
hadoop-daemon.sh start datanode

6. 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&＃xff08;包含自己&＃xff09;的免密登陆
   2)配完免密后&＃xff0c;可以执行一次 ssh 0.0.0.0
   3)修改hadoop安装目录中/etc/hadoop/slaves&＃xff08;把需要启动datanode进程的节点列入&＃xff09;
   hdp-01
   hdp-02
   hdp-03
   hdp-04

4)在hdp-01上用脚本&＃xff1a;start-dfs.sh 来自动启动整个集群
5)如果要停止&＃xff0c;则用脚本&＃xff1a;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&＃xff1a;
1、网页形式
2、命令行形式
3、客户端在哪里运行&＃xff0c;没有约束&＃xff0c;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&＃xff0c;都是由客户端决定&＃xff01;
所谓的由客户端决定&＃xff0c;是通过配置参数来定的
hdfs的客户端会读以下两个参数&＃xff0c;来决定切块大小、副本数量&＃xff1a;
切块大小的参数&＃xff1a; dfs.blocksize
副本数量的参数&＃xff1a; 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.blocksize
64m

dfs.replication
2


hdfs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&＃xff1a;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&＃xff08;更名&＃xff09;
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&＃xff1a;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]