大数据学习笔记之Hadoop（一）：Hadoop入门

文章目录

• 大数据概论
• 一、大数据概念
• 二、大数据的特点
• 三、大数据能干啥？
• 四、大数据发展前景
• 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
• Hadoop（入门）
• 一 从Hadoop框架讨论大数据生态
• 1.1 Hadoop是什么
• 1.2 Hadoop发展历史
• 1.3 Hadoop三大发行版本
• 1.4 Hadoop的优势
• 1.5 Hadoop组成
• 1.5.1 HDFS架构概述
• 1.5.2 YARN架构概述
• 1.5.3 MapReduce架构概述
• 1.6 大数据技术生态体系
• 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
• 2.2 克隆虚拟机
• 2.3 修改为静态ip
• 2.4 修改主机名
• 2.5 关闭防火墙
• 2.6 在opt目录下创建文件
• 2.7 安装jdk
• 2.8 安装Hadoop
• 三 Hadoop运行模式
• 3.1 本地文件运行Hadoop 案例
• 3.1.1 官方grep案例
• 3.1.2 官方wordcount案例
• 3.2 伪分布式运行Hadoop 案例
• 3.2.1 HDFS上运行MapReduce 程序
• 3.2.2 YARN上运行MapReduce 程序
• 3.2.3 修改本地临时文件存储目录
• 3.2.4 Hadoop配置文件说明
• 3.2.5 历史服务配置启动查看
• 3.2.6 日志的聚集
• 3.3 完全分布式部署Hadoop（重点）
• 3.3.1 虚拟机准备
• 3.3.2 主机名设置
• 3.3.3 scp
• 3.3.4 SSH无密码登录
• 3.3.5 rsync
• 3.3.6 编写集群分发脚本xsync
• 3.3.7 编写分发脚本xcall
• 3.3.8 配置集群
• 3.3.9 集群启动及测试
• 3.3.10 Hadoop启动停止方式
• 3.3.11 集群时间同步
• 3.3.12 配置集群常见问题
• 四 Hadoop编译源码
• 4.1 前期准备工作
• 4.2 jar包安装
• 4.3 编译源码
• 4.4 常见的问题及解决方案

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