一、Hadoop入门

1.1 Hadoop 是什么

  • Hadoop是一个由Apache基金会所开发的分布式系统基础架构。
  • 主要解决，海量数据的存储和海量数据的分析计算问题。
  • 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 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。2006

Cloudera 内部集成了很多大数据框架，对应产品 CDH。2008

Hortonworks 文档较好，对应产品 HDP。2011

Hortonworks 现在已经被 Cloudera 公司收购，推出新的品牌 CDP。

Apache Hadoop

官网地址：http://hadoop.apache.org

下载地址：https://hadoop.apache.org/releases.html

Cloudera Hadoop

官网地址：https://www.cloudera.com/downloads/cdh

下载地址：https://docs.cloudera.com/documentation/enterprise/6/release-notes/topics/rg_cdh_6_download.html

Hortonworks Hadoop

官网地址：https://hortonworks.com/products/data-center/hdp/

下载地址：https://hortonworks.com/downloads/#data-pl

1.3 Hadoop 优势

1）高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或存储出现故障，也不会导致数据的丢失。

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：能够自动将失败的任务重新分配。

1.4 Hadoop 组成

Hadoop1.x、2.x、3.x区别

在 Hadoop1.x 时 代 ，Hadoop中 的MapReduce同时处理业务逻辑运算和资源的调度，耦合性较大。 在Hadoop2.x时 代，增加 了Yarn。Yarn只负责资 源 的 调 度 ，MapReduce 只负责运算。Hadoop3.x在组成上没有变化。

image-20210302184307303

1.4.1 HDFS 架构概述

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。

  • 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。

  • 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。

  • Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份

1.4.2 YARN 架构概述

Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器

1）ResourceManager（RM）：整个集群资源（内存、CPU等）的老大
3）ApplicationMaster（AM）：单个任务运行的老大
2）NodeManager（N M）：单个节点服务器资源老大
4）Container：容器，相当一台独立的服务器，里面封装了任务运行所需要的资源，如内存、CPU、磁盘、网络等。
说明1：客户端可以有多个
说明2：集群上可以运行多个ApplicationMaster
说明3：每个NodeManager上可以有多个Container

1.4.3 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

1.4.4 HDFS、YARN、MapReduce 三者关系

image-20210302193038549

1.5 大数据技术生态体系

image-20210302193153598

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；
3）Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统；
4）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。
5）Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。
6）Oozie：Oozie 是一个管理 Hadoop 作业（job）的工作流程调度管理系统。
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。
9）ZooKeeper：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。

二、 Hadoop 运行环境搭建

2.1 模板虚拟机环境准备

0）安装模板虚拟机，IP 地址 192.168.10.100、主机名称 hadoop100、内存 4G、硬盘 50G

1）hadoop100 虚拟机配置要求如下（本文 Linux 系统全部以 CentOS-7.5-x86-1804 为例）

（1）使用 yum 安装需要虚拟机可以正常上网，yum 安装前可以先测试下虚拟机联网情
况

（2）安装 epel-release

注：Extra Packages for Enterprise Linux 是为“红帽系”的操作系统提供额外的软件包，

适用于 RHEL、CentOS 和 Scientific Linux。相当于是一个软件仓库，大多数 rpm 包在官方

repository 中是找不到的）

1
[root@hadoop100 ~]# yum install -y epel-release

（3）注意：如果 Linux 安装的是最小系统版，还需要安装如下工具；如果安装的是 Linux
桌面标准版，不需要执行如下操作

net-tool：工具包集合，包含 ifconfig 等命令

1
[root@hadoop100 ~]# yum install -y net-tools

vim：编辑器

1
[root@hadoop100 ~]# yum install -y vim

2）关闭防火墙，关闭防火墙开机自启

1
2
[root@hadoop100 ~]# systemctl stop firewalld
[root@hadoop100 ~]# systemctl disable firewalld.service

3）创建 atguigu 用户，并修改 atguigu 用户的密码

1
2
[root@hadoop100 ~]# useradd atguigu
[root@hadoop100 ~]# passwd atguigu

4）配置 atguigu 用户具有 root 权限，方便后期加 sudo 执行 root 权限的命令

1
[root@hadoop100 ~]# vim /etc/sudoers

修改/etc/sudoers 文件，在%wheel 这行下面添加一行，如下所示：

修改/etc/sudoers 文件，在%wheel 这行下面添加一行，如下所示：

1
2
3
4
5
6
7
8
9
10
## Allow root to run any commands anywhere
root ALL=(ALL) ALL

## Allows people in group wheel to run all commands
%wheel ALL=(ALL) ALL

atguigu ALL=(ALL) NOPASSWD:ALL
注意：atguigu 这一行不要直接放到 root 行下面，因为所有用户都属于 wheel 组，你先
配置了 atguigu 具有免密功能，但是程序执行到%wheel 行时，该功能又被覆盖回需要
密码。所以 atguigu 要放到%wheel 这行下面。

5）在/opt 目录下创建文件夹，并修改所属主和所属组

（1）在/opt 目录下创建 module、software 文件夹
[root@hadoop100 ~]# mkdir /opt/module
[root@hadoop100 ~]# mkdir /opt/software
（2）修改 module、software 文件夹的所有者和所属组均为 atguigu 用户
[root@hadoop100 ~]# chown atguigu:atguigu /opt/module
[root@hadoop100 ~]# chown atguigu:atguigu /opt/software
（3）查看 module、software 文件夹的所有者和所属组
[root@hadoop100 ~]# cd /opt/
[root@hadoop100 opt]# ll
总用量 12
drwxr-xr-x. 2 atguigu atguigu 4096 5 月 28 17:18 module
drwxr-xr-x. 2 root root 4096 9 月 7 2017 rh
drwxr-xr-x. 2 atguigu atguigu 4096 5 月 28 17:18 software

6）卸载虚拟机自带的 JDK

注意：如果你的虚拟机是最小化安装不需要执行这一步。

1
2
3
4
5
6
7
[root@hadoop100 ~]# rpm -qa | grep -i java | xargs -n1 rpm -e 

--nodeps
➢ rpm -qa：查询所安装的所有 rpm 软件包
➢ grep -i：忽略大小写
➢ xargs -n1：表示每次只传递一个参数
➢ rpm -e –nodeps：强制卸载软件

7）重启虚拟机

1
[root@hadoop100 ~]# reboot

2.2 克隆虚拟机

1）利用模板机 hadoop100，克隆三台虚拟机：hadoop102 hadoop103 hadoop104
注意：克隆时，要先关闭 hadoop100
2）修改克隆机 IP，以下以 hadoop102 举例说明
（1）修改克隆虚拟机的静态 IP
[root@hadoop100 ~]# vim /etc/sysconfig/network-scripts/ifcfgens33
改成
DEVICE=ens33
TYPE=Ethernet

1
2
3
4
5
6
7
ONBOOT=yes
BOOTPROTO=static
NAME="ens33"
IPADDR=192.168.10.102
PREFIX=24
GATEWAY=192.168.10.2
DNS1=192.168.10.2

2.3 在 hadoop102 安装 JDK

1）卸载现有 JDK
注意：安装 JDK 前，一定确保提前删除了虚拟机自带的 JDK。详细步骤见问文档 3.1 节
中卸载 JDK 步骤。
2）用 XShell 传输工具将 JDK 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
[atguigu@hadoop102 ~]$ ls /opt/software/
看到如下结果：
jdk-8u212-linux-x64.tar.gz
4）解压 JDK 到/opt/module 目录下
[atguigu@hadoop102 software]$ tar -zxvf jdk-8u212-linuxx64.tar.gz -C /opt/module/
5）配置 JDK 环境变量

（1）新建/etc/profile.d/my_env.sh 文件
[atguigu@hadoop102 ~]$ sudo vim /etc/profile.d/my_env.sh
添加如下内容
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin

（2）保存后退出
:wq
（3）source 一下/etc/profile 文件，让新的环境变量 PATH 生效
[atguigu@hadoop102 ~]$ source /etc/profile

6）测试 JDK 是否安装成功
[atguigu@hadoop102 ~]$ java -version
如果能看到以下结果，则代表 Java 安装成功。
java version “1.8.0_212”