标签：

Hadoop7天课程

课程体系

Day01>>>>>>>>>>>>>>>>>>>>

hadoop项目简介

hadoop简介

hadoop前景

apache的开源项目

• 解决问题：（核心）

  海量数据的存储（HDFS）

  ---Hadoop分布式文件系统，解决机器怎么存储

  海量数据的分析（MapReduce）

  ----分布的计算模型，解决机器怎么干活，区分主从

  资源管理调度（YARN）

  ---另一个资源调用系统，hadoop2.0之后出现，以前只能MapReduce

  （不局限于mapreduce：storm实时流、mpi等）

• 作者：Doug Cutting

  

  Hadoop的商业版本cdh，已经提供技术支持

  lucene的作者

• 受Google三篇论文的启发(GFS、MapReduce、BigTable)

  gfs谷歌的分布式文件系统---hdfs数据存储

  mapreduce谷歌分布式计算模型----mapreduce数据分析

  bigtable大表数据库---hbase列式数据库（介于关系型和nosql之间）怎么存储

hadoop能做什么？

hadoop擅长日志分析，主要处理离线数据（分析以前产生的数据），facebook就用Hive来进行日志分析，2009年时facebook就有非编程人员的30%的人使用HiveQL进行数据分析；淘宝搜索中的自定义筛选也使用的Hive；利用Pig还可以做高级的数据处理，包括Twitter、LinkedIn 上用于发现您可能认识的人，可以实现类似Amazon.com的协同过滤的推荐效果。淘宝的商品推荐也是！在Yahoo！的40%的Hadoop作业是用pig运行的，包括垃圾邮件的识别和过滤，还有用户特征建模。（2012年8月25新更新，天猫的推荐系统是Hive，少量尝试mahout！）

storm做实时推荐

hadoop的广泛应用

哪些公司使用hadoop

Hadoop被公认是一套行业大数据标准开源软件，在分布式环境下提供了海量数据的处理能力。几乎所有主流厂商都围绕Hadoop开发工具、开源软件、商业化工具和技术服务。今年大型IT公司，如EMC、Microsoft、Intel、Teradata、Cisco都明显增加了Hadoop方面的投入

hadoop在淘宝

• 从09年开始，用于对海量数据的离线处理，例如对日志的分析，交易记录的分析等
• 规模从当初的3~4百台节点，增加到现在的一个集群有3000个节点，淘宝现在已经有2~3个这样的集群
• 在支付宝的集群规模也有700台节点，使用Hbase对用户的消费记录可以实现毫秒级查询

扩展知识：参照淘宝双十一解决方案

淘宝数据魔方的架构

淘宝数据魔方的真实面目

hadoop生态圈

版本

• Apache

官方版本(2.4.1)

• Cloudera---cdh（hadoop的商业版本）

????使用下载最多的版本，稳定，有商业支持，在Apache的基础上打上了一些patch。推荐使用。

• HDP(Hortonworks Data Platform)

Hortonworks公司发行版本。

Hadoop的核心

Hdfs分布式文件系统

Mapreduce并行计算框架

Yarn资源管理调度系统（运行符合规则的程序）

1.0和2.0

Yarn的出现使得hadoop可以支持多个计算框架（不仅是mapreduce）

核心之一---yarn

核心之二--hdfs

怎么解决海量数据的存储

通过水平扩展机器数量来提高存储数据的能力

hdfs的架构

• 主从结构

  主节点，只有一个: namenode，负责管理

  从节点，有很多个: datanode 负责存储

• namenode负责：

  接收用户操作请求

  维护文件系统的目录结构

  管理文件与block之间关系，block与datanode之间关系

• datanode负责：

  存储文件

  文件被分成block存储在磁盘上

  为保证数据安全，文件会有多个副本

核心之三--mapreduce编程模型

怎样解决海量数据的计算

map：大任务分解为若干个小任务

reduce：小任务再汇总整合成大任务的结果

hadoop集群的物理分布：

Rack：机架、switch：交换机、datanode：hdfs的小弟（从节点）

单点物理结构

Hadoop部署方式

本地模式：eclipse调试用，只启一个mapper一个reduce

伪分布模式：一台机器模拟多台机器

集群模式：真实的生产环境

hadoop的特点

• 扩容能力（Scalable）：能可靠地（reliably）存储和处理千兆字节（PB）数据。
• 成本低（Economical）：可以通过普通机器组成的服务器群来分发以及处理数据。这些服务器群总计可达数千个节点。
• 高效率（Efficient）：通过分发数据，hadoop可以在数据所在的节点上并行地（parallel）处理它们，这使得处理非常的快速。
• 可靠性（Reliable）：hadoop能自动地维护数据的多份副本，并且在任务失败后能自动地重新部署（redeploy）计算任务。

搭建hadoop的伪分布环境

1.准备Linux环境

????1.0点击VMware快捷方式，右键打开文件所在位置 -> 双击vmnetcfg.exe -> VMnet1 host-only ->修改subnet ip 设置网段：192.168.1.0 子网掩码：255.255.255.0 -> apply -> ok

????????回到windows --> 打开网络和共享中心 -> 更改适配器设置 -> 右键VMnet1 -> 属性 -> 双击IPv4 -> 设置windows的IP：192.168.1.110 子网掩码：255.255.255.0 -> 点击确定

????????在虚拟软件上 --My Computer -> 选中虚拟机 -> 右键 -> settings -> network adapter -> host only -> ok????

????1.1修改主机名

????

????????vim /etc/sysconfig/network

????????NETWORKING=yes

????????HOSTNAME=itcast01 ###

????1.2修改IP

????????两种方式：

????????第一种：通过Linux图形界面进行修改（强烈推荐）

????????????进入Linux图形界面 -> 右键点击右上方的两个小电脑 -> 点击Edit connections -> 选中当前网络System eth0 -> 点击edit按钮 -> 选择IPv4 -> method选择为manual -> 点击add按钮 -> 添加IP：192.168.1.119 子网掩码：255.255.255.0 网关：192.168.1.1 -> apply

????????第二种：修改配置文件方式（屌丝程序猿专用）

????????????vim /etc/sysconfig/network-scripts/ifcfg-eth0

????????????DEVICE="eth0"

????????????BOOTPROTO="static"

????????????HWADDR="00:0C:29:2C:BF:E3"

????????????IPV6INIT="yes"

????????????NM_CONTROLLED="yes"

????????????ONBOOT="yes"

????????????TYPE="Ethernet"

????????????UUID="ce22eeca-ecde-4536-8cc3-ef0fc36d6a8c"

????????????IPADDR="192.168.56.32 "

????????????NETMASK="255.255.255.0"

????????????GATEWAY="192.168.56.1"

????1.3修改主机名和IP的映射关系

????----x相当于本地的dns

????????vim /etc/hosts

????????192.168.56.31????jkdong01

????1.4关闭防火墙

????????#查看防火墙状态

????????service iptables status

????????#关闭防火墙

????????service iptables stop

????????#查看防火墙开机启动状态

????????chkconfig iptables --list

????????#关闭防火墙开机启动

????????chkconfig iptables off

????1.5重启Linux

????????reboot

2.安装JDK

????2.1上传（ftp工具）

????2.2解压jdk

????????#创建文件夹

????????mkdir /usr/java

????????#解压

????????tar -zxvf jdk-7u55-linux-i586.tar.gz -C /usr/java/

????2.3将java添加到环境变量中

????????vim /etc/profile

????????#在文件最后添加

????????export JAVA_HOME=/usr/java/jdk1.7.0_55

????????export PATH=$PATH:$JAVA_HOME/bin

????????#刷新配置

????????source /etc/profile

3.安装Hadoop

????3.1上传hadoop安装包

????3.2解压hadoop安装包

????????#解压到/itcast/目录下

????????tar -zxvf hadoop-2.2.0.tar.gz -C /itcast/

????3.3修改配置文件（5个）

Cd etc/hadoop

????????第一个：hadoop-env.sh—指定环境变量

????????#在27行修改

????????第二个：core-site.xml—hadoop核心配置

????????

????????第三个：hdfs-site.xml—hdfs节点配置

????????

????????第四个：mapred-site.xml.template 需要重命名： mv mapred-site.xml.template mapred-site.xml

????????????

第五个：yarn-site.xml

????

????3.4将hadoop添加到环境变量

????????命令：vim /etc/profile

????????????????再执行：source /etc/profile刷新配置

????3.5格式化HDFS（namenode）第一次使用时要格式化

????????hadoop namenode -format（过时了但是依然可用）

hdfs namenode -format（现用的格式化命令）

????3.6启动hadoop

????????先启动HDFS

????????sbin/start-dfs.sh

????????再启动YARN

????????sbin/start-yarn.sh

????3.7验证是否启动成功

????????使用jps命令验证

4.配置ssh免密码登陆

Ssh即安全的shell命令

????生成ssh免登陆密钥

????cd ~，进入到我的home目录

????cd .ssh/

????ssh-keygen -t rsa （四个回车）

????执行完这个命令后，会生成两个文件id_rsa（私钥）、id_rsa.pub（公钥）

????将公钥拷贝到要免登陆的机器上

/root/.ssh目录下：cp id_rsa.pub authorized_keys

????或

????ssh-copy-id 192.168.56.32

Ssh免密登录的原理

这样server A就可以对server B进行免密码登录

Day02>>>>>>>>>>>>>>>>>>>>

课程安排：

• 分布式文件系统与HDFS
• HDFS体系结构与基本概念
• HDFS的shell操作
• java接口及常用api

hdfs原理

Datanode会横向流水线方式复制文件产生副本

上传的文件还会分block块（hadoop块的大小128M）

分布式文件系统

用一个系统来管理多台机器上的文件（冗余存储）

允许通过网络分享文件和存储空间

通透性：访问远程文件就像访问本地资源一样

容错：持续运行而不会使数据损失

Hdfs就是一种分布式文件系统，不支持并发写（按block块的顺序写），小文件不适合（hadoop1.x）

常见分布式文件系统：gfs（谷歌文件系统），hdfs、Lustre。。。

?

Day03>>>>>>>>>>>>>>>>>>>>

?

Day04>>>>>>>>>>>>>>>>>>>>

?

Day05>>>>>>>>>>>>>>>>>>>>

?

Day06>>>>>>>>>>>>>>>>>>>>

?

Day07>>>>>>>>>>>>>>>>>>>>

?

Hadoop_day01

标签：

原文地址：http://www.cnblogs.com/jkdong1024/p/5127381.html