大数据入门之Hadoop基础学习

前言

目前人工智能和大数据火热，使用的场景也越来越广，日常开发中前端同学也逐渐接触了更多与大数据相关的开发需求。因此对大数据知识也有必要进行一些学习理解

基础概念

大数据的本质

一、数据的存储：分布式文件系统（分布式存储）
二、数据的计算：分部署计算

基础知识

学习大数据需要具备Java知识基础及Linux知识基础

学习路线

（1）Java基础和Linux基础
（2）Hadoop的学习：体系结构、原理、编程
第一阶段：HDFS、MapReduce、HBase（NoSQL数据库）
第二阶段：数据分析引擎 -> Hive、Pig

              数据采集引擎 -> Sqoop、Flume

第三阶段：HUE：Web管理工具

                    ZooKeeper：实现Hadoop的HAOozie：工作流引擎

（3）Spark的学习

    第一阶段：Scala编程语言第二阶段：Spark Core -> 基于内存、数据的计算第三阶段：Spark SQL -> 类似于mysql 的sql语句第四阶段：Spark Streaming ->进行流式计算：比如：自来水厂

（4）Apache Storm 类似：Spark Streaming ->进行流式计算

NoSQL：Redis基于内存的数据库

HDFS

分布式文件系统解决以下问题：

1、硬盘不够大：多几块硬盘，理论上可以无限大
2、数据不够安全：冗余度，hdfs默认冗余为3 ，用水平复制提高效率，传输按照数据库为单位：Hadoop1.x 64M，Hadoop2.x 128M

管理员：NameNode 硬盘：DataNode

![image.png](http://ata2-img.cn-hangzhou.img-pub.aliyun-inc.com/8ca9f78b244c7f991e73f71fd1e56421.png)

MapReduce

基础编程模型：把一个大任务拆分成小任务，再进行汇总
MR任务：Job = Map + Reduce Map的输出是Reduce的输入、MR的输入和输出都是在HDFS

MapReduce数据流程分析：

    Map的输出是Reduce的输入，Reduce的输入是Map的集合

HBase

什么是BigTable？: 把所有的数据保存到一张表中，采用冗余 ---> 好处：提高效率

1、因为有了bigtable的思想：NoSQL：HBase数据库
2、HBase基于Hadoop的HDFS的
3、描述HBase的表结构
核心思想是：利用空间换效率

Hadoop环境搭建

环境准备

Linux环境、JDK、http://mirrors.shu.edu.cn/apache/hadoop/common/hadoop-3.0.0/hadoop-3.0.0-src.tar.gz

安装

1、安装jdk、并配置环境变量

vim /etc/profile 末尾添加
![image.png](http://ata2-img.cn-hangzhou.img-pub.aliyun-inc.com/a9bf2e19410f9b3d38c8b0ca64b2f264.png)

2、解压hadoop-3.0.0.tar.gz、并配置环境变量

tar -zxvf hadoop-3.0.0.tar.gz -C /usr/local/
mv hadoop-3.0.0/ hadoop

vim /etc/profile 末尾添加

配置

Hadoop有三种安装模式：

        本地模式  ：1台主机  不具备HDFS，只能测试MapReduce程序伪分布模式：1台主机  具备Hadoop的所有功能，在单机上模拟一个分布式的环境（1）HDFS：主：NameNode，数据节点：DataNode（2）Yarn：容器，运行MapReduce程序主节点：ResourceManager从节点：NodeManager全分布模式：至少3台

我们以伪分布模式为例配置：

修改hdfs-site.xml：冗余度1、权限检查false

<!--配置冗余度为1-->
<property><name>dfs.replication</name><value>1</value>
</property><!--配置权限检查为false-->
<property><name>dfs.permissions</name><value>false</value>
</property>

修改core-site.xml

<!--配置HDFS的NameNode-->
<property><name>fs.defaultFS</name><value>hdfs://192.168.56.102:9000</value>
</property><!--配置DataNode保存数据的位置-->
<property><name>hadoop.tmp.dir</name><value>/usr/local/hadoop/tmp</value>
</property>

修改mapred-site.xml

<!--配置MR运行的框架-->
<property><name>mapreduce.framework.name</name><value>yar</value>
</property>
<property><name>yarn.app.mapreduce.am.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value>
</property>
<property><name>mapreduce.map.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value>
</property>
<property><name>mapreduce.reduce.env</name><value>HADOOP_MAPRED_HOME=/usr/local/hadoop</value>
</property>
<property><name>mapreduce.application.classpath</name><value>/usr/local/hadoop/etc/hadoop,/usr/local/hadoop/share/hadoop/common/*,/usr/local/hadoop/share/hadoop/common/lib/*,/usr/local/hadoop/share/hadoop/hdfs/*,/usr/local/hadoop/share/hadoop/hdfs/lib/*,/usr/local/hadoop/share/hadoop/mapreduce/*,/usr/local/hadoop/share/hadoop/mapreduce/lib/*,/usr/local/hadoop/share/hadoop/yarn/*,/usr/local/hadoop/share/hadoop/yarn/lib/*,</value>
</property>

修改yarn-site.xml

<!--配置ResourceManager地址-->
<property><name>yarn.resourcemanager.hostname</name><value>192.168.56.102</value>
</property><!--配置NodeManager执行任务的方式-->
<property><name>yarn.nodemanager.aux-service</name><value>mapreduce_shuffle</value>
</property>

格式化NameNode

hdfs namenode -format
看到common.Storage: Storage directory /usr/local/hadoop/tmp/dfs/name has been successfully formatted表示格式化成功

启动

start-all.sh
(*)HDFS：存储数据
(*)YARN：

访问

（*）命令行
（*）Java Api
（*）WEB Console
HDFS: http://192.168.56.102:50070
Yarn: http://192.168.56.102:8088

查看HDFS管理界面和yarn资源管理系统

基本操作：

HDFS相关命令

    -mkdir   在HDFD创建目录    hdfs dfs -mkdir /data-ls         查看目录                 hdfs dfs -ls-ls -R      查看目录与子目录    hdfs dfs -ls -R-put        上传一个文件        hdfs dfs -put data.txt /data/input-copyFromLocal 上传一个文件 与-put一样-moveFromLocal 上传一个文件并删除本地文件 -copyToLocal        下载文件 hdfs dfs -copyTolocal /data/input/data.txt-put    下载文件 hdfs dfs -put/data/input/data.txt-rm     删除文件 hdfs dfs -rm-getmerge     将目录所有文件先合并再下载-cp    拷贝-mv    移动-count    统计目录下的文件个数-text、-cat    查看文件-balancer    平衡操作

MapReduce示例

结果：

如上一个最简单的MapReduce示例就执行成功了

思考

Hadoop是基于Java语言的，前端日常开发是用的PHP，在使用、查找错误时还是蛮吃力的。工作之余还是需要多补充点其它语言的相关知识，编程语言是我们开发、学习的工具，而不应成为限制我们技术成长的瓶颈