大数据概论

一、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。
最小的基本单位是bit，按顺序给出所有单位：bit、Byte、KB、MB、GB、TB、PB、EB、ZB、YB、BB、NB、DB。
1Byte = 8bit 1K = 1024bit 1MB = 1024K 1G = 1024M
1T = 1024G 1P = 1024T 1E = 1024P 1Z = 1024E
1Y = 1024Z 1B = 1024Y 1N = 1024B 1D = 1024N

二、大数据的特点

1）Volume（大量）：
截至目前，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。
​​ ​

2）Velocity（高速）：
这是大数据区分于传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报告，预计到2020年，全球数据使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。
天猫双十一：2016年6分58秒，天猫交易额超过100亿
​​ ​​
​​

3）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、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求。
订单数据：
​​
网络数据：
​​
4）Value（低价值密度）：
价值密度的高低与数据总量的大小成反比。比如，在一天监控视频中，我们只关心宋宋老师晚上在床上健身那一分钟，如何快速对有价值数据“提纯”成为目前大数据背景下待解决的难题。
​​

三、大数据能干啥？

1）O2O：百度大数据+平台通过先进的线上线下打通技术和客流分析能力，助力商家精细化运营，提升销量。
​​ ​​
2）零售：探索用户价值，提供个性化服务解决方案；贯穿网络与实体零售，携手创造极致体验。经典案例，子尿布+啤酒。
​​ ​​ ​​


3）旅游：深度结合百度独有大数据能力与旅游行业需求，共建旅游产业智慧管理、智慧服务和智慧营销的未来。
​​
4）商品广告推荐：给用户推荐访问过的商品广告类型
​​
5） 房产：大数据全面助力房地产行业，打造精准投策与营销，选出更合适的地，建造更合适的楼，卖给更合适的人。
6）保险：海量数据挖掘及风险预测，助力保险行业精准营销，提升精细化定价能力。
7）金融：多维度体现用户特征，帮助金融机构推荐优质客户，防范欺诈风险。
​​
8）移动联通：移动联通：根据用户年龄、职业、消费情况，分析统计哪种套餐适合哪类人群。对市场人群精准定制。
​​
9）人工智能
​​ ​​
​​ ​​
​​ ​​

四、大数据发展前景

1）党的十八届五中全会提出“实施国家大数据战略”，国务院印发《促进大数据发展行动纲要》，大数据技术和应用处于创新突破期，国内市场需求处于爆发期，我国大数据产业面临重要的发展机遇。
2）国际数据公司IDC预测，到2020年，企业基于大数据计算分析平台的支出将突破5000亿美元。目前，我国大数据人才只有46万，未来3到5年人才缺口达150万之多。
​​
人才缺口计算
150w-40w=110w
110W/5年 = 22w/年
22w/12月=1.83w/月
自古不变的真理：先入行者吃肉，后入行者喝汤，最后到的买单！
3）2017年北京大学、中国人民大学、北京邮电大学等25所高校成功申请开设大数据课程。
4）大数据属于高新技术，大牛少，升职竞争小；
5）在北京大数据开发工程师的平均薪水已经到17800元（数据统计来职友集），而且目前还保持强劲的发展势头。
​​
​​

五、企业数据部的业务流程分析

六、企业数据部的一般组织结构

企业数据部的一般组织结构，适用于大中型企业。

Hadoop（入门）

一 从Hadoop框架讨论大数据生态

1.1 Hadoop是什么

1）Hadoop是一个由Apache基金会所开发的分布式系统基础架构
2）主要解决，海量数据的 存储 和海量数据的 分析计算 问题。
3）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发展历史

1）Lucene–Doug Cutting开创的开源软件，用java书写代码，实现与Google类似的全文搜索功能，它提供了全文检索引擎的架构，包括完整的查询引擎和索引引擎
2）2001年年底成为apache基金会的一个子项目
3）对于大数量的场景，Lucene面对与Google同样的困难
4）学习和模仿Google解决这些问题的办法 ：微型版Nutch
5）可以说Google是hadoop的思想之源(Google在大数据方面的三篇论文)
GFS —>HDFS
Map-Reduce —>MR
BigTable —>Hbase
6）2003-2004年，Google公开了部分GFS和Mapreduce思想的细节，以此为基础Doug Cutting等人用了2年业余时间实现了DFS和Mapreduce机制，使Nutch性能飙升
7）2005 年Hadoop 作为 Lucene的子项目 Nutch的一部分正式引入Apache基金会。2006 年 3 月份，Map-Reduce和Nutch Distributed File System (NDFS) 分别被纳入称为 Hadoop 的项目中
8）名字来源于Doug Cutting儿子的玩具大象
​​
9）Hadoop就此诞生并迅速发展，标志这云计算时代来临

1.3 Hadoop三大发行版本

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。
Cloudera在大型互联网企业中用的较多。
Hortonworks文档较好。

1）Cloudera Hadoop
（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。
（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support
（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。
（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。Cloudera Support即是对Hadoop的技术支持。
（5）Cloudera的标价为每年每个节点4000美元。Cloudera开发并贡献了可实时处理大数据的Impala项目。
2）Hortonworks Hadoop
（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。
（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。
（3）雅虎工程副总裁、雅虎Hadoop开发团队负责人Eric Baldeschwieler出任Hortonworks的首席执行官。
（4）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。
（5）HCatalog，一个元数据管理系统，HCatalog现已集成到Facebook开源的Hive中。Hortonworks的Stinger开创性的极大的优化了Hive项目。Hortonworks为入门提供了一个非常好的，易于使用的沙盒。
（6）Hortonworks开发了很多增强特性并提交至核心主干，这使得Apache Hadoop能够在包括Window Server和Windows Azure在内的microsoft Windows平台上本地运行。定价以集群为基础，每10个节点每年为12500美元。

1.4 Hadoop的优势

1）高可靠性：因为Hadoop假设计算元素和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理。
2）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。
3） 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。
4）高容错性：自动保存多份副本数据，并且能够自动将失败的任务重新分配。

1.5 Hadoop组成

1）Hadoop HDFS：一个高可靠、高吞吐量的分布式文件系统。
2）Hadoop MapReduce：一个分布式的离线并行计算框架。
3）Hadoop YARN：作业调度与集群资源管理的框架。
4）Hadoop Common：支持其他模块的工具模块。

HSFS相当于电脑磁盘
Hadoop MapReduce相当于应用程序
Hadoop YARN相当于电脑系统

1.5.1 HDFS架构概述

1）NameNode（nn）：存储文件的元数据，如文件名，文件目录结构，文件属性（生成时间、副本数、文件权限），以及每个文件的块列表和块所在的DataNode等。
​​ ​​

2）DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。
​​ ​​

3）Secondary NameNode(2nn)：用来监控HDFS状态的辅助后台程序，每隔一段时间获取HDFS元数据的快照。辅助NameNode工作

1.5.2 YARN架构概述

1）ResourceManager(rm)：处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；
2）NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；
3）ApplicationMaster：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。
4）Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。

1.5.3 MapReduce架构概述

MapReduce将计算过程分为两个阶段：Map和Reduce
1）Map阶段并行处理输入数据
2）Reduce阶段对Map结果进行汇总

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Cloudera提供的一个高可用的，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；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。
3）Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统，有如下特性：
（1）通过O(1)的磁盘数据结构提供消息的持久化，这种结构对于即使数以TB的消息存储也能够保持长时间的稳定性能。
（2）高吞吐量：即使是非常普通的硬件Kafka也可以支持每秒数百万的消息
（3）支持通过Kafka服务器和消费机集群来分区消息。
（4）支持Hadoop并行数据加载。
4）Storm：Storm为分布式实时计算提供了一组通用原语，可被用于“流处理”之中，实时处理消息并更新数据库。这是管理队列及工作者集群的另一种方式。 Storm也可被用于“连续计算”（continuous computation），对数据流做连续查询，在计算时就将结果以流的形式输出给用户。
5）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。
6）Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。Oozie协调作业就是通过时间（频率）和有效数据触发当前的Oozie工作流程。
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。
10）R语言：R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。
11）Mahout:
Apache Mahout是个可扩展的机器学习和数据挖掘库，当前Mahout支持主要的4个用例：
推荐挖掘：搜集用户动作并以此给用户推荐可能喜欢的事物。
聚集：收集文件并进行相关文件分组。
分类：从现有的分类文档中学习，寻找文档中的相似特征，并为无标签的文档进行正确的归类。
频繁项集挖掘：将一组项分组，并识别哪些个别项会经常一起出现。
12）ZooKeeper：Zookeeper是Google的Chubby一个开源的实现。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。ZooKeeper的目标就是封装好复杂易出错的关键服务，将简单易用的接口和性能高效、功能稳定的系统提供给用户。

1.7 推荐系统框架图

二 Hadoop运行环境搭建

2.1 虚拟机网络模式设置为NAT

​​ ​​

最后，重新启动系统。
[root@hadoop101 ~]# sync
[root@hadoop101 ~]# reboot

2.2 克隆虚拟机

1）克隆虚拟机
​​

​​
​​
​​
​​
​​
​​

2）启动虚拟机

2.3 修改为静态ip

1）在终端命令窗口中输入
[root@hadoop101 /]#vim /etc/udev/rules.d/70-persistent-net.rules
进入如下页面，删除eth0该行；将eth1修改为eth0，同时复制物理ip地址
​​
因为这个是本机的物理网卡
2）修改IP地址
[root@hadoop101 /]#vim /etc/sysconfig/network-scripts/ifcfg-eth0
需要修改的内容有5项：
IPADDR=192.168.1.101
GATEWAY=192.168.1.2
ONBOOT=yes
BOOTPROTO=static
DNS1=192.168.1.2
（1）修改前
​​
（2）修改后
​​
：wq 保存退出
3）执行service network restart
​​
4）如果报错，reboot，重启虚拟机

2.4 修改主机名

1）修改linux的hosts文件
（1）进入Linux系统查看本机的主机名。通过hostname命令查看
[root@hadoop ~]# hostname
hadoop100
（2）如果感觉此主机名不合适，我们可以进行修改。通过编辑/etc/sysconfig/network文件
#vi /etc/sysconfig/network

文件中内容
NETWORKING=yes
NETWORKING_IPV6=no
HOSTNAME= hadoop101
注意：主机名称不要有“_”下划线
（3）打开此文件后，可以看到主机名。修改此主机名为我们想要修改的主机名hadoop101。
（4）保存退出。
（5）打开/etc/hosts
vim /etc/hosts
添加如下内容
192.168.1.100 hadoop100
192.168.1.101 hadoop101
192.168.1.102 hadoop102
192.168.1.103 hadoop103
192.168.1.104 hadoop104
192.168.1.105 hadoop105
192.168.1.106 hadoop106
192.168.1.107 hadoop107
192.168.1.108 hadoop108
192.168.1.109 hadoop109
192.168.1.110 hadoop110
（6）并重启设备，重启后，查看主机名，已经修改成功

2）修改window7的hosts文件
（1）进入C:\Windows\System32\drivers\etc路径
（2）打开hosts文件并添加如下内容
192.168.1.100 hadoop100
192.168.1.101 hadoop101
192.168.1.102 hadoop102
192.168.1.103 hadoop103
192.168.1.104 hadoop104
192.168.1.105 hadoop105
192.168.1.106 hadoop106
192.168.1.107 hadoop107
192.168.1.108 hadoop108
192.168.1.109 hadoop109
192.168.1.110 hadoop110

2.5 关闭防火墙

1）查看防火墙开机启动状态
chkconfig iptables --list
2）关闭防火墙
chkconfig iptables off

2.6 在opt目录下创建文件

1）创建atguigu用户
在root用户里面执行如下操作
2）设置atguigu用户具有root权限
修改 /etc/sudoers 文件，找到下面一行，在root下面添加一行，如下所示：

## Allow root to run any commands anywhere
root    ALL=(ALL)     ALL
atguigu   ALL=(ALL)     ALL

修改完毕，现在可以用atguigu帐号登录，然后用命令 su - ，即可获得root权限进行操作。
3）在/opt目录下创建文件夹
（1）在root用户下创建module、software文件夹（如果mkdir的命令不行就sudo mkdir）
mkdir module
mkdir software
（2）修改module、software文件夹的所有者
[root@hadoop101 opt]# chown atguigu module
[root@hadoop101 opt]# chown atguigu software
[root@hadoop101 opt]# ls -al
总用量 24
drwxr-xr-x. 6 root root 4096 4月 24 09:07 .
dr-xr-xr-x. 23 root root 4096 4月 24 08:52 …
drwxr-xr-x. 4 atguigu root 4096 4月 23 16:26 module
drwxr-xr-x. 2 root root 4096 3月 26 2015 rh
drwxr-xr-x. 2 atguigu root 4096 4月 23 16:25 software

2.7 安装jdk

1）卸载现有jdk
（1）查询是否安装java软件：
rpm -qa|grep java
（2）如果安装的版本低于1.7，卸载该jdk：
rpm -e 软件包
2）用filezilla工具将jdk、Hadoop-2.7.2.tar.gz（官方原版的）导入到opt目录下面的software文件夹下面
​​
3）在linux系统下的opt目录中查看软件包是否导入成功。
[root@hadoop101opt]# cd software/
[root@hadoop101software]# ls
jdk-7u79-linux-x64.gz hadoop-2.7.2.tar.gz
4）解压jdk到/opt/module目录下
tar -zxf jdk-7u79-linux-x64.gz -C /opt/module/
5）配置jdk环境变量
（1）先获取jdk路径：
[root@hadoop101 jdk1.7.0_79]# pwd
/opt/module/jdk1.7.0_79
（2）打开/etc/profile文件：
[root@hadoop101 jdk1.7.0_79]# vi /etc/profile
在profie文件末尾添加jdk路径：
##JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.7.0_79
export PATH=PATH:PATH:PATH:JAVA_HOME/bin
（3）保存后退出：
:wq
（4）让修改后的文件生效：
[root@hadoop101 jdk1.7.0_79]# source /etc/profile
（5）重启（如果java –version可以用就不用重启）：
[root@hadoop101 jdk1.7.0_79]# sync
[root@hadoop101 jdk1.7.0_79]# reboot
6）测试jdk安装成功
[root@hadoop101 jdk1.7.0_79]# java -version
java version “1.7.0_79”

2.8 安装Hadoop

1）进入到Hadoop安装包路径下：
[root@hadoop101 ~]# cd /opt/software/
2）解压安装文件到/opt/module下面
[root@hadoop101 software]# tar -zxf hadoop-2.7.2.tar.gz -C /opt/module/
3）查看是否解压成功
[root@hadoop101 software]# ls /opt/module/
hadoop-2.7.2

hadoop中的内容：
bin 一些命令
etc 配置文件
include c语言的一些类库
lib libexec 第三方的类库
LIECENSE.txt NOTICE.txt README.txt 描述性文件
sbin 用户命令
share jar包
4）配置hadoop中的hadoop-env.sh
cd /opt/module/hadoop-2.7.2
ll
cd etc/
ll
cd hadoop
ll （发现有hadoop-env.sh）
vi hadoop-env.sh

找到
export JAVA_HOME=$(JAVA_HOME)
修改为
export JAVA_HOME=/opt/module/jdk1.7.0_79（自己的java home）

5）将hadoop添加到环境变量
（1）获取hadoop安装路径：
[root@ hadoop101 hadoop-2.7.2]# pwd
/opt/module/hadoop-2.7.2
（2）打开/etc/profile文件：
root@ hadoop101 hadoop-2.7.2]# vi /etc/profile
在profie文件末尾添加jdk路径：（shitf+g）
##HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-2.7.2
export PATH=PATH:PATH:PATH:HADOOP_HOME/bin
export PATH=PATH:PATH:PATH:HADOOP_HOME/sbin
（3）保存后退出：
:wq
（4）让修改后的文件生效：
root@ hadoop101 hadoop-2.7.2]# source /etc/profile
（5）重启(如果hadoop命令不能用再重启)：
root@ hadoop101 hadoop-2.7.2]# sync
root@ hadoop101 hadoop-2.7.2]# reboot

三 Hadoop运行模式

1）官方网址
（1）官方网站：
http://hadoop.apache.org/
（2）各个版本归档库地址
https://archive.apache.org/dist/hadoop/common/hadoop-2.7.2/
（3）hadoop2.7.2版本详情介绍
http://hadoop.apache.org/docs/r2.7.2/
2）Hadoop运行模式
（1）本地模式（默认模式）：
不需要启用单独进程，直接可以运行，测试和开发时使用。
（2）伪分布式模式：
等同于完全分布式，只有一个节点。
（3）完全分布式模式：
多个节点一起运行。

3.1 本地文件运行Hadoop 案例

3.1.1 官方grep案例

1）创建在hadoop-2.7.2文件下面创建一个input文件夹

[atguigu@hadoop101 hadoop-2.7.2]$mkdir input

2）将hadoop的xml配置文件复制到input

[atguigu@hadoop101 hadoop-2.7.2]$cp etc/hadoop/*.xml input

3）执行share目录下的mapreduce程序

[atguigu@hadoop101 hadoop-2.7.2]$ bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar grep input output 'dfs[a-z.]+'

如果配置了hadoop环境变量的话可以直接hadoop
input 输入文件夹，是说在这个文件夹下面查找数据，前面已经输入进去了
output查询的结果放到哪个文件中去，output不允许已经存在，否则会报错。也可以起其他的名字，比如out
dfs[a-z.]+ dfs开头[] 表示可选 a-z可选 + 表示还可以有其他的字母

ll
发现多了一个outpput目录，
cd output
ll
发现有如下两个文件
part-r-00000（地址内容）
_SUCCESS（标志性的）

cat part-r-00000
1 dfsadmin

从一堆配置文件中找到了dfsadmin，并且这个单词出现的次数是1

4）查看输出结果

[atguigu@hadoop101 hadoop-2.7.2]$ cat output/*

3.1.2 官方wordcount案例

1）创建在hadoop-2.7.2文件下面创建一个wcinput文件夹

[atguigu@hadoop101 hadoop-2.7.2]$mkdir wcinput

2）在wcinput文件下创建一个wc.input文件

[atguigu@hadoop101 hadoop-2.7.2]$cd wcinput
[atguigu@hadoop101 wcinput]$touch wc.input

3）编辑wc.input文件 输入任意字符都可以
4）回到hadoop目录/opt/module/hadoop-2.7.2
5）执行程序：
[atguigu@hadoop101 hadoop-2.7.2]$ hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount wcinput wcoutput
6）查看结果：
[atguigu@hadoop101 hadoop-2.7.2]$cat wcoutput/part-r-00000
atguigu 2
hadoop 2
mapreduce 1
yarn 1

3.2 伪分布式运行Hadoop 案例

3.2.1 HDFS上运行MapReduce 程序

1）分析：
（1）准备1台客户机
（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
（7）启动、测试集群增、删、查
（8）在HDFS上执行wordcount案例

服务器最小系统
2.1 虚拟机网络模式设置为NAT
2.2 克隆虚拟机
2.3 修改为静态ip （1）[root@hadoop101 /]#vim /etc/udev/rules.d/70-persistent-net.rules 删除eth0,升级eth1为eth0;
复制物理ip地址。 （2）[root@hadoop101 /]#vim
/etc/sysconfig/network-scripts/ifcfg-eth0 粘贴复制的物理ip地址
IPADDR=192.168.1.101
2.4修改主机名 （1）#vi /etc/sysconfig/network 修改主机名称 （2）vim /etc/hosts
192.168.1.100 hadoop100
192.168.1.101 hadoop101
192.168.1.102 hadoop102 -------------------------------------- 重启： sync reboot
2.5 关闭防火墙 chkconfig iptables --list

2）执行步骤
需要配置hadoop文件如下
（1）配置集群
（a）配置：hadoop-env.sh
Linux系统中获取jdk的安装路径：
[root@ hadoop101 ~]# echo $JAVA_HOME
/opt/module/jdk1.7.0_79
修改JAVA_HOME 路径：
（b）配置：core-site.xml

<!--指定HDFS中NameNode的地址-->
<property><name>fs.defaultFS</name><value>hdfs://hadoop101:8020</value>//hdfs:// hdfs协议，类似http://
</property>
<!--指定hadoop运行时产生文件的存储目录-->
<property><name>hadoop.tmp.dir</name><value>/opt/module/hadoop-2.7.2/data/tmp</value>
</property>

通过查看apache官网发现，fs.defaultFS默认值是file:/// 也就是本地文件，这也就是为什么在本地模式下不需要任何配置直接能运行，而这里我们是用集群的hdfs的方式来控制。
（c）配置：hdfs-site.xml

<!--指定HDFS副本的数量-->
<property><name>dfs.replication</name><value>1</value>
</property>

默认值是3

（2）启动集群
（a）格式化namenode（第一次启动时格式化，以后就不要总格式化）
cd hadoop-2.7.2/bin （101机器，因为是伪集群，也就是本机）
ll (发现有一个hdfs吗，专门用来处理hdfs相关的)
cd hadoop-2.7.2
bin/hdfs namenode -format
（b）启动namenode
cd cd hadoop-2.7.2
sbin/hadoop-daemon.sh start namenode
（c）启动datanode
sbin/hadoop-daemon.sh start datanode
（3）查看集群
（a）查看是否启动成功
[root@hadoop101 ~]# jps
13586 NameNode
13668 DataNode
13786 Jps
（b）查看产生的log日志
当前目录：/opt/module/hadoop-2.7.2/logs
[root@hadoop101 logs]# ls
hadoop-root-datanode-hadoop.atguigu.com.log
hadoop-root-datanode-hadoop.atguigu.com.out
hadoop-root-namenode-hadoop.atguigu.com.log
hadoop-root-namenode-hadoop.atguigu.com.out
SecurityAuth-root.audit
[root@hadoop101 logs]# cat hadoop-root-datanode-hadoop.atguigu.com.log
（c）web端查看HDFS文件系统
输入 http://192.168.1.101:50070/
这个端口号，是hadoop框架提供的访问端口
http://192.168.1.101:50070/dfshealth.html#tab-overview
注意：如果不能查看，看如下帖子处理
http://www.cnblogs.com/zlslch/p/6604189.html

startd 创建时间
version 版本号
conpiled 完成时间
cluster id 集群id号
block Pool id 模块的版本号

node 显示的节点 可以看到还是本机101


hdfs具体存放数据的路径，这个页面只能查看，要想创建需要通过linu
（4）操作集群
（a）在hdfs文件系统上创建一个input文件夹
[atguigu@hadoop101 hadoop-2.7.2]$ bin/hdfs dfs -mkdir -p /user/atguigu/mapreduce/wordcount/input
注意：bin/hdfs dfs等价于hadoop fs

完了之后在这个页面上就会出现相应的目录

-R是递归、-ls 类似linux ls ，查看根目录下的fs -lsr和-ls -R是等价的
（b）将测试文件内容上传到文件系统上
bin/hdfs dfs -put wcinput/wc.input /user/atguigu/mapreduce/wordcount/input/
是hadoop-2.7.2目录下上面的例子中创建的文件，这里可以上传其他的文件，这里只是举例wcinput/wc.input

但是这个页面只允许查看不允许修改
（c）查看上传的文件是否正确
bin/hdfs dfs -ls /user/atguigu/mapreduce/wordcount/input/
bin/hdfs dfs -cat /user/atguigu/mapreduce/wordcount/input/wc.input
（d）在Hdfs上运行mapreduce程序
bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/mapreduce/wordcount/input/ /user/atguigu/mapreduce/wordcount/output
wordcount 是wordcount案例，于上面的官方案例的区别是吧input和output 的路径换成了hdfs的路径
（e）查看输出结果
命令行查看：
bin/hdfs dfs -cat /user/atguigu/mapreduce/wordcount/output/*

浏览器查看
​​
（f）将测试文件内容下载到本地
hadoop fs -get /user/atguigu/mapreduce/wordcount/output/part-r-00000 ./wcoutput/

（g）删除输出结果
hdfs dfs -rmr /user/atguigu/mapreduce/wordcount/output
-rmr 递归删除
为什么要删除output目录？
因为在再次运行的时候就运行不了了

这里注意，集群不能正常启动的问题：

第一次启动没问题，第二次启动时，会有文件残留，bin/hdfs namenode -formate 会产生一个新的namenode文件（id），就不认识一点的datanode了，导致进群不能正常启动。
解决办法：在格式化之前，删除datanode里面的信息（默认在/tmp，如果配置该目录，那就要去你配置的目录下删除(hadoop-2.7.2/data/tmp)）

3.2.2 YARN上运行MapReduce 程序

1）分析：
（1）准备1台客户机
（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yarn上运行
（7）启动、测试集群增、删、查
（8）在yarn上执行wordcount案例
2）执行步骤
（1）配置集群
（a）配置yarn-env.sh
配置一下JAVA_HOME

记住env.sh只需要配置JAVA_HOME
（b）配置yarn-site.xml

<!--reducer获取数据的方式-->
<property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value>//mapreduce_shuffle获取数据的方式
</property>
<!--指定YARN的ResourceManager的地址-->
<property><name>yarn.resourcemanager.hostname</name><value>hadoop101</value>
</property>

cd /opt/module/hadoop-2.7.2/etc/hadoop
vi yarn-site.xml

（c）配置：mapred-env.sh
配置一下JAVA_HOME （同上）
（d）配置： (对mapred-site.xml.template重新命名为) mapred-site.xml
cd /opt/module/hadoop-2.7.2/etc/hadoop
ll
mv mapred-site.xml.template mapred-site.xml

<!--指定mr运行的yarn上-->
<property><name>mapreduce.fremework.name</name><value>yarn</value>
</property>

（2）启动集群
启动之前先开启namenode和datanode
sbin/hadoop-daemon.sh start namenode
sbin/hadoop-daemon.sh start datanode

（a）启动resourcemanager
sbin/yarn-daemon.sh start resourcemanager (hadoop-2.7.2/sbin目录)
（b）启动nodemanager
sbin/yarn-daemon.sh start nodemanager

（3）集群操作
（a）yarn的浏览器页面查看
http://192.168.1.101:8088/cluster
​​
（b）删除文件系统上的output文件
bin/hdfs dfs -rm -R /user/atguigu/mapreduce/wordcount/output
（c）执行mapreduce程序
bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/atguigu/mapreduce/wordcount/input /user/atguigu/mapreduce/wordcount/output

可以看到map全部执行完毕，之后才开始执行reduce
（d）查看运行结果
bin/hdfs dfs -cat /user/atguigu/mapreduce/wordcount/output/*
​​

3.2.3 修改本地临时文件存储目录

1）停止进程
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop nodemanager
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh stop resourcemanager
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh stop datanode
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh stop namenode

关闭之后尝试启动

发现启动不了

因为这里的tmp没有删除，这里的目录是默认值在下面有讲
rm -rf hadoop-atguigu
rm -rf hadoop-atguigu-namenode.pid

cd …/(hadoop-2.2.7)
rm -rf logs （里面保存着上一个集群的日志）
2）修改hadoop.tmp.dir

mkdir -p data/tmp 也可以不创建，因为下面指定了
[core-site.xml]
cd hadoop-2.7.2/rtc/hadoop
vi core-site.xml

<!---->
<property><name>hadoop.tmp.dir</name><value>/opt/module/hadoop-2.7.2/data/tmp</value>
</property>

默认值

3）格式化NameNode
[atguigu@hadoop101 hadoop-2.7.2]$ hadoop namenode -format
4）启动所有进程
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start namenode
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/hadoop-daemon.sh start datanode
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh start resourcemanager
[atguigu@hadoop101 hadoop-2.7.2]$ sbin/yarn-daemon.sh start nodemanager
5）查看/opt/module/hadoop-2.7.2/data/tmp这个目录下的内容。

3.2.4 Hadoop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。
（1）默认配置文件：存放在hadoop相应的jar包中
找到从官网上下载的hadoop包，解压
cd hadoop-2.7.2/share/hadoop/hdfs(mapreduce、yarn)

[core-default.xml]
hadoop-common-2.7.2.jar/ core-default.xml
[hdfs-default.xml]
hadoop-hdfs-2.7.2.jar/ hdfs-default.xml
[yarn-default.xml]
hadoop-yarn-common-2.7.2.jar/ yarn-default.xml
[core-default.xml]
hadoop-mapreduce-client-core-2.7.2.jar/ core-default.xml
（2）自定义配置文件：存放在$HADOOP_HOME/etc/hadoop
core-site.xml
hdfs-site.xml
yarn-site.xml
mapred-site.xml

3.2.5 历史服务配置启动查看

1）配置mapred-site.xml
2）查看启动历史服务器文件目录：

[root@hadoop101 hadoop-2.7.2]# ls sbin/ |grep mr
mr-jobhistory-daemon.sh
3）启动历史服务器
sbin/mr-jobhistory-daemon.sh start historyserver
4）查看历史服务器是否启动
jps
5）查看jobhistory
http://192.168.1.101:19888/jobhistory

3.2.6 日志的聚集

日志聚集概念：应用运行完成以后，将日志信息上传到HDFS系统上
开启日志聚集功能步骤：

（1）配置yarn-site.xml
（2）关闭nodemanager 、resourcemanager和historymanager
sbin/yarn-daemon.sh stop resourcemanager
sbin/yarn-daemon.sh stop nodemanager
sbin/mr-jobhistory-daemon.sh stop historyserver
（3）启动nodemanager 、resourcemanager和historymanager
sbin/yarn-daemon.sh start resourcemanager
sbin/yarn-daemon.sh start nodemanager
sbin/mr-jobhistory-daemon.sh start historyserver
（4）删除hdfs上已经存在的hdfs文件
bin/hdfs dfs -rm -R /user/atguigu/mapreduce/wordcount/output
（5）执行wordcount程序
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0.jar wordcount /user/atguigu/mapreduce/wordcount/input /user/atguigu/mapreduce/wordcount/output
（6）查看日志
http://192.168.1.101:19888/jobhistory

​​
​​
​​

3.3 完全分布式部署Hadoop（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）安装ssh
7）配置集群
8）启动测试集群

3.3.1 虚拟机准备

详见2.2-2.3章。
简单概括：
先准备一个什么都没有的虚拟机，

主机ip 主机名 防火墙全部关闭

然后克隆两台

修改ip hostname hosts 等
之后重启

3.3.2 主机名设置

详见2.4章。

3.3.3 scp

1）scp可以实现服务器与服务器之间的数据拷贝。
2）案例实操
（1）将hadoop101中/opt/module和/opt/software文件拷贝到hadoop102、hadoop103和hadoop104上。
[root@hadoop101 /]# scp -r /opt/module/ root@hadoop102:/opt
[root@hadoop101 /]# scp -r /opt/software/ root@hadoop102:/opt
[root@hadoop101 /]# scp -r /opt/module/ root@hadoop103:/opt
[root@hadoop101 /]# scp -r /opt/software/ root@hadoop103:/opt
[root@hadoop101 /]# scp -r /opt/module/ root@hadoop104:/opt
[root@hadoop101 /]# scp -r /opt/software/ root@hadoop105:/opt
（2）将192.168.1.102服务器上的文件拷贝到当前用户下。
[root@hadoop101 opt]# scp root@hadoop102:/etc/profile /opt/tmp/
（3）实现两台远程机器之间的文件传输（hadoop103主机文件拷贝到hadoop104主机上）
[atguigu@hadoop102 test]$ scp atguigu@hadoop103:/opt/test/haha atguigu@hadoop104:/opt/test/

3.3.4 SSH无密码登录

1）配置ssh
（1）基本语法
ssh 另一台电脑的ip地址
（2）ssh连接时出现Host key verification failed的解决方法
[root@hadoop2 opt]# ssh 192.168.1.103
The authenticity of host ‘192.168.1.103 (192.168.1.103)’ can’t be established.
RSA key fingerprint is cf:1e??d7:d0:4c:2d:98:60:b4:fd:ae:b1:2d:ad:06.
Are you sure you want to continue connecting (yes/no)?
Host key verification failed.
（3）解决方案如下：直接输入yes
2）无密钥配置
（1）进入到我的home目录
cd ~/.ssh


（2）生成公钥和私钥：
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）
（3）将公钥拷贝到要免密登录的目标机器上
ssh-copy-id 192.168.1.102
（4）然后就可以直接ssh 192.168.1.102 不需要输入免密码
3）.ssh文件夹下的文件功能解释
（1）~/.ssh/known_hosts ：记录ssh访问过计算机的公钥(public key)
（2）id_rsa ：生成的私钥
（3）id_rsa.pub ：生成的公钥
（4）authorized_keys ：存放授权过得无秘登录服务器公钥

a访问b 配置了免密登录可以免密登录，b访问a，必须还要再次配置才能免密登录

3.3.5 rsync

rsync远程同步工具，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。
（1）查看rsync使用说明
man rsync | more
（2）基本语法
rsync -rvl pdir/pdir/pdir/fname user@hadoopuser@hadoopuser@hadoophost:$pdir
命令 命令参数 要拷贝的文件路径/名称 目的用户@主机:目的路径
选项
-r 递归
-v 显示复制过程
-l 拷贝符号连接
（3）案例实操
把本机/opt/tmp目录同步到hadoop103服务器的root用户下的/opt/tmp目录
rsync -rvl /opt/tmp/* root@hadoop103:/opt/tmp

拷贝路径的时候，a及其c文件==>b文件c文件
a机器c文件下有d、e b机器c文件下有f、g、d
通过rsync会将b机器原来的d覆盖掉，原来的没丢，新加入e，最后b机器的c文件下应该是d、e、f、g，但是d是a机器d的内容

3.3.6 编写集群分发脚本xsync

类似于scp
1）需求分析：循环复制文件到所有节点的相同目录下。
（1）原始拷贝：
rsync -rvl /opt/module root@hadoop103:/opt/
（2）期望脚本：
xsync 要同步的文件名称
（3）在/usr/local/bin这个目录下存放的脚本，可以在系统任何地方直接执行，需要制定路径。
2）案例实操：
（1）在/usr/local/bin目录下创建xsync文件，文件内容如下：

#!/bin/bash
#1 获取输入参数个数，如果没有参数，直接退出
//获取参数个数
pcount=$#
if((pcount==0)); then
echo no args;
//直接退出，不让程序往后执行
exit;
fi#2 获取文件名称
p1=$1
//basename 是为了获得末尾的目录，例如/opt/a  会得到a
fname=`basename $p1`
echo fname=$fname#3 获取上级目录到绝对路径
//dir /usr/local/bin/a.txt   得到 /usr/local/bin
//cd -P防止软连接
pdir=`cd -P $(dirname $p1); pwd`
echo pdir=$pdir#4 获取当前用户名称
user=`whoami`#5 循环
for((host=103; host<105; host++)); do
//rsync  -rvl     /opt/module        root@hadoop103:/opt/
//这里循环两次是因为例子中只有103 104 机器，具体情况根据自己实际情况循环#echo $pdir/$fname $user@hadoop$host:$pdirecho --------------- hadoop$host ----------------rsync -rvl $pdir/$fname $user@hadoop$host:$pdir
done

（2）修改脚本 xsync 具有执行权限
[root@hadoop102 bin]# chmod a+x xsync
（3）调用脚本形式：xsync 文件名称
中间可能会提示输入密码，输入即可，也可以配置下免密登录。

3.3.7 编写分发脚本xcall

1）需求分析：在所有主机上同时执行相同的命令
xcall +命令
2）具体实现
（1）在/usr/local/bin目录下创建xcall文件，文件内容如下：

#!/bin/bash
pcount=$#
if((pcount==0));thenecho no args;exit;
fiecho -------------localhost----------
$@
for((host=101; host<=108; host++)); doecho ----------hadoop$host---------//登录机器后执行命令ssh hadoop$host $@
done

（2）修改脚本 xcall 具有执行权限
[root@hadoop102 bin]# chmod a+x xcall
（3）调用脚本形式： xcall 操作命令
[root@hadoop102 ~]# xcall rm -rf /opt/tmp/profile

注意，/opt/tmp/profile 需要用绝对路径
当然也可以：

3.3.8 配置集群

1）集群部署规划

2）配置文件
（1）core-site.xml
(hadoop/etc/hadoop)

<!-- 指定HDFS中NameNode的地址 --><property><name>fs.defaultFS</name><value>hdfs://hadoop102:9000</value></property><!-- 指定hadoop运行时产生文件的存储目录 --><property><name>hadoop.tmp.dir</name><value>/opt/module/hadoop-2.7.2/data/tmp</value></property>

（2）Hdfs
hadoop-env.sh
(hadoop/etc/hadoop)

export JAVA_HOME=/opt/module/jdk1.7.0_79

hdfs-site.xml
(hadoop/etc/hadoop)

<configuration>   <property><name>dfs.replication</name><value>3</value></property>//配置secondaryNameNode<property><name>dfs.namenode.secondary.http-address</name><value>hadoop104:50090</value></property>
</configuration>

slaves

(hadoop/etc/hadoop)
这个配置文件中不能有空格、回车等特殊字符，要求严格，容易报错。

hadoop102
hadoop103
hadoop104

（3）yarn
yarn-env.sh
(hadoop/etc/hadoop)

export JAVA_HOME=/opt/module/jdk1.7.0_79

yarn-site.xml
(hadoop/etc/hadoop)

<configuration>
<!-- Site specific YARN configuration properties -->
<!-- reducer获取数据的方式 --><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property><!-- 指定YARN的ResourceManager的地址 --><property><name>yarn.resourcemanager.hostname</name><value>hadoop103</value></property></configuration>

（4）mapreduce
mapred-env.sh
(hadoop/etc/hadoop)

export JAVA_HOME=/opt/module/jdk1.7.0_79

mapred-site.xml
(hadoop/etc/hadoop)
将原来的mapred-site.xml.template修改为mapred-site.xml
然后进行修改

<configuration>
<!-- 指定mr运行在yarn上 --><property><name>mapreduce.framework.name</name><value>yarn</value></property></configuration>

3）在集群上分发以上所有文件
cd /opt/module/hadoop-2.7.2/etc/hadoop
xsync /opt/module/hadoop-2.7.2/etc/hadoop/core-site.xml
xsync /opt/module/hadoop-2.7.2/etc/hadoop/yarn-site.xml
xsync /opt/module/hadoop-2.7.2/etc/hadoop/slaves

当然可以直接xync hadoop/
4）查看文件分发情况
xcall cat /opt/module/hadoop-2.7.2/etc/hadoop/slaves

3.3.9 集群启动及测试

1）启动集群
（0）如果集群是第一次启动，需要格式化namenode
[root@hadoop102 hadoop-2.7.2]# bin/hdfs namenode -format
（1）启动HDFS：
启动之前需要所有节点删除 hadoop根目录/data 、hadoop根目录/logs
[root@hadoop102 hadoop-2.7.2]# sbin/start-dfs.sh (在namenode执行，datanode会自动启动)
[root@hadoop102 hadoop-2.7.2]# jps
4166 NameNode
4482 Jps
4263 DataNode

[root@hadoop103 桌面]# jps
3218 DataNode
3288 Jps

[root@hadoop104 桌面]# jps
3221 DataNode
3283 SecondaryNameNode
3364 Jps
（2）启动yarn
sbin/start-yarn.sh
注意：Namenode和ResourceManger如果不是同一台机器，不能在NameNode上启动 yarn，应该在ResouceManager所在的机器上启动yarn。

slaves文件中配置的是datenode，每一个DateNode机器上都会有一个NodeManager，所以在启动yarn的时候，只需要启动ResourceManger，NodeManager会根据slaves文件自动寻找有DateNode的节点自动启动。

每次 启动失败都要重复一下：1.启动之前需要所有节点删除 hadoop根目录/data 、hadoop根目录/logs 2.如果集群是第一次启动，需要格式化namenode ： bin/hdfs namenode -format

注意点：
1 一定要配置好ssh，能够ssh通，注意配置ssh的用户是root还是普通用户，最好配置免密登录
2 yarn一定要在ResourceManager上启动

2）集群基本测试
（1）上传文件到集群（NameNode节点）
查看集群中是否有东西
hadoop fs -lsr /
上传小文件
bin/hdfs dfs -mkdir -p /user/atguigu/tmp/conf
bin/hdfs dfs -put etc/hadoop/*-site.xml /user/atguigu/tmp/conf
-put命令：第一个参数要上传的文件，第二个参数要上传的位置
上传大文件
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -put /opt/software/hadoop-2.7.2.tar.gz /user/atguigu/input
查看是否存上去了
hadoop fs -lsr /
当然也可以通过访问 http://hadoop102:50070

permission 权限
owner 文件的拥有者
group 拥有者的组
size 大小
last modified 最后修改时间
replication 副本数（这里显示的注释计划的副本，不是真正的副本数，可能现在只有三个节点）
block size块大小，hdfs是按照块存储的，文件很大会拆分成很多块

点击后面的文件名：

可以下载，查看目前在哪个块（上面的例子中如果是tar.gz文件就有两个块，如果是.txt文件就只显示一个块），块id，块pool id，大小
最主要的是 Availability：哪个节点课件，即这个快属于谁，即备份了几份，备份到了哪几个数据节点上，
（2）上传文件后查看文件存放在什么位置
cd hadoop_home/data/tmp/dfs
ll
发现有两个文件 data、name（NameNode节点）
发现有一个文件data（DataNode节点）
发现有两个文件data、namesecondary（secondary文件）

cd data
ll
cd current
ll
cd BP-xxxxxxxxx
ll
cd current
cd finalized
cd subdir0
cd subdir0
ll

发现这里面存的是块
cat blk_xxx825
输出上面的xiaoxiong.txt中的内容
因为上面比较大的tar包分成了两个块（826、827）
所以car blk_xxx826
输出乱码如何将826和827进行拼接？看下面

文件存储路径
[atguigu@hadoop102 subdir0]$ pwd
/opt/module/hadoop-2.7.2/data/tmp/dfs/data/current/BP-938951106-192.168.10.107-1495462844069/current/finalized/subdir0/subdir0
查看文件内容
[atguigu@hadoop102 subdir0]$ cat blk_1073741825
hadoop
atguigu
atguigu

或者hadoop fs -cat /user/atguigu/input/xxx
（3）拼接
-rw-rw-r–. 1 atguigu atguigu 134217728 5月 23 16:01 blk_1073741836
-rw-rw-r–. 1 atguigu atguigu 1048583 5月 23 16:01 blk_1073741836_1012.meta
-rw-rw-r–. 1 atguigu atguigu 63439959 5月 23 16:01 blk_1073741837
-rw-rw-r–. 1 atguigu atguigu 495635 5月 23 16:01 blk_1073741837_1013.meta

mkdir tmp.file (当然这个文件的名字随意，我也可以叫tmp)
[atguigu@hadoop102 subdir0]$ cat blk_1073741836>>tmp.file
[atguigu@hadoop102 subdir0]$ cat blk_1073741837>>tmp.file
[atguigu@hadoop102 subdir0]$ tar -zxvf tmp.file
发现能够解压成hadoop-2.7.2文件
（4）下载
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -get /user/atguigu/input/hadoop-2.7.2.tar.gz
或
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -get /user/atguigu/input/hadoop-2.7.2.tar.gz ./
3）性能测试集群
写海量数据
读海量数据

3.3.10 Hadoop启动停止方式

1）各个服务组件逐一启动
（1）分别启动hdfs组件
hadoop-daemon.sh start|stop namenode|datanode|secondarynamenode
暂时不用，在新加节点，停止节点的时候用
（2）启动yarn
yarn-daemon.sh start|stop resourcemanager|nodemanager
2）各个模块分开启动（配置ssh是前提） 常用
（1）整体启动/停止hdfs
start-dfs.sh 启动NameNode DataNode namesecondary
stop-dfs.sh
（2）整体启动/停止yarn
start-yarn.sh ResouceManager NodeManager
stop-yarn.sh
3）全部启动（不建议使用）
start-all.sh
stop-all.sh

3.3.11 集群时间同步

时间同步的方式：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，比如，每日十分钟，同步一次时间。
配置时间同步：
1）时间服务器配置
（1）检查ntp是否安装
[root@hadoop102 桌面]# rpm -qa|grep ntp
ntp-4.2.6p5-10.el6.centos.x86_64
fontpackages-filesystem-1.41-1.1.el6.noarch
ntpdate-4.2.6p5-10.el6.centos.x86_64
（2）修改ntp配置文件
vi /etc/ntp.conf
修改内容如下
a）修改1
#restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap为
restrict 192.168.1.0 mask 255.255.255.0 nomodify notrap
b）修改2
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
server 127.127.1.0
fudge 127.127.1.0 stratum 10
3）修改/etc/sysconfig/ntpd 文件
vim /etc/sysconfig/ntpd
增加内容如下
SYNC_HWCLOCK=yes
4）重新启动ntpd
[root@hadoop102 桌面]# service ntpd status
ntpd 已停
[root@hadoop102 桌面]# service ntpd start
正在启动 ntpd： [确定]
5）执行：
chkconfig ntpd on
2）其他机器配置（必须root用户）
（1）在其他机器配置10分钟与时间服务器同步一次
[root@hadoop103 hadoop-2.7.2]# crontab -e
编写脚本
*/10 * * * * /usr/sbin/ntpdate hadoop102
（2）修改任意机器时间
date -s “2015-9-11”
（3）十分钟后查看机器是否与时间服务器同步
date

3.3.12 配置集群常见问题

1）防火墙没关闭、或者没有启动yarn
报错如下：
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
xsync脚本用root用户，启动集群最好用非root用户
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
最好直接复制粘贴
7）未编译源码
Unable to load native-hadoop library for your platform… using builtin-java classes where applicable
不兼容，比如hadoop下载的64位，可是机器是32位
17/05/22 15:38:58 INFO client.RMProxy: Connecting to ResourceManager at hadoop108/192.168.10.108:8032
8）datanode不被namenode识别问题
Namenode在format初始化的时候会形成两个标识，blockPoolId和clusterId。新的datanode加入时，会获取这两个标识作为自己工作目录中的标识。
一旦namenode重新format后，namenode的身份标识已变，而datanode如果依然持有原来的id，就不会被namenode识别。
解决办法，删除datanode节点中的数据后，再次重新格式化namenode。
9）不识别主机名称
解决办法：
（1）在/etc/hosts文件中添加192.168.1.102 hadoop102
（2）主机名称不要起hadoop hadoop000等特殊名称
10）datanode和namenode进程同时只能工作一个。

11）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。
12）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。

四 Hadoop编译源码

4.1 前期准备工作

1）CentOS联网
[root@hadoop101 桌面]# vi /etc/sysconfig/network-scripts/ifcfg-eth0
[root@hadoop101 桌面]# service network restart
注意：采用root角色编译，减少文件夹权限出现问题
2）jar包准备(hadoop源码、JDK7 、 maven、 ant 、protobuf)
（1）hadoop-2.7.2-src.tar.gz
（2）jdk-7u79-linux-x64.gz
（3）apache-ant-1.9.9-bin.tar.gz
（4）apache-maven-3.0.5-bin.tar.gz
（5）protobuf-2.5.0.tar.gz

4.2 jar包安装

0）注意：所有操作必须在root用户下完成
1）JDK解压、配置环境变量 JAVA_HOME和PATH，验证java-version(如下都需要验证是否配置成功)
[root@hadoop101 software] # tar -zxf jdk-7u79-linux-x64.gz -C /opt/module/
[root@hadoop101 software]# vi /etc/profile
[root@hadoop101 software]#source /etc/profile
验证命令：java -version
2）Maven解压、配置 MAVEN_HOME和PATH。
[root@hadoop101 software]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
[root@hadoop101 apache-maven-3.0.5]# vi /etc/profile
[root@hadoop101 software]#source /etc/profile
验证命令：mvn -version
3）ant解压、配置 ANT _HOME和PATH。
[root@hadoop101 software]# tar -zxvf apache-ant-1.9.9-bin.tar.gz -C /opt/module/
[root@hadoop101 apache-ant-1.9.9]# vi /etc/profile
[root@hadoop101 software]#source /etc/profile
验证命令：ant -version
4）安装 glibc-headers 和 g++ 命令如下:
[root@hadoop101 apache-ant-1.9.9]# yum install glibc-headers
[root@hadoop101 apache-ant-1.9.9]# yum install gcc-c++
5）安装make和cmake
[root@hadoop101 apache-ant-1.9.9]# yum install make
[root@hadoop101 apache-ant-1.9.9]# yum install cmake
6）解压protobuf ，进入到解压后protobuf主目录，/opt/module/protobuf-2.5.0
然后相继执行命令：
[root@hadoop101 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
[root@hadoop101 opt]# cd /opt/module/protobuf-2.5.0/

[root@hadoop101 protobuf-2.5.0]#./configure
[root@hadoop101 protobuf-2.5.0]# make
[root@hadoop101 protobuf-2.5.0]# make check
[root@hadoop101 protobuf-2.5.0]# make install
[root@hadoop101 protobuf-2.5.0]# ldconfig

[root@hadoop101 hadoop-dist]# vi /etc/profile
[root@hadoop101 software]#source /etc/profile
验证命令：protoc --version
7）安装openssl库
[root@hadoop101 software]#yum install openssl-devel
8）安装 ncurses-devel库：
[root@hadoop101 software]#yum install ncurses-devel
到此，编译工具安装基本完成。

4.3 编译源码

1）解压源码到/opt/tools目录
[root@hadoop101 software]# tar -zxvf hadoop-2.7.2-src.tar.gz -C /opt/
2）进入到hadoop源码主目录
[root@hadoop101 hadoop-2.7.2-src]# pwd
/opt/hadoop-2.7.2-src
3）通过maven执行编译命令
[root@hadoop101 hadoop-2.7.2-src]#mvn package -Pdist,native -DskipTests -Dtar
等待时间30分钟左右，最终成功是全部SUCCESS。
​​
4）成功的64位hadoop包在/opt/hadoop-2.7.2-src/hadoop-dist/target下。
[root@hadoop101 target]# pwd
/opt/hadoop-2.7.2-src/hadoop-dist/target

4.4 常见的问题及解决方案

1）MAVEN install时候JVM内存溢出
处理方式：在环境配置文件和maven的执行文件均可调整MAVEN_OPT的heap大小。（详情查阅MAVEN 编译 JVM调优问题，如：http://outofmemory.cn/code-snippet/12652/maven-outofmemoryerror-method）
2）编译期间maven报错。可能网络阻塞问题导致依赖库下载不完整导致，多次执行命令（一次通过比较难）：
[root@hadoop101 hadoop-2.7.2-src]#mvn package -Pdist,native -DskipTests -Dtar
3）报ant、protobuf等错误，插件下载未完整或者插件版本问题，最开始链接有较多特殊情况，同时推荐
2.7.0版本的问题汇总帖子 http://www.tuicool.com/articles/IBn63qf