大数据学习

1.大数据介绍

1.什么是大数据？

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

按顺序给出数据存储单位:bit、Byte、 KB、MB、GB、TB、PB、EB、ZB、YB、 BB、NB、DB。

1Byte = 8bit 1K = 1024Byte 1MB = 1024K 1G = 1024M 1T = 1024G 1P = 1024T

大数据主要解决，海量数据的采集、存储和分析计算问题

2.大数据的特点(4V)

1.Volumea(大量)

在当前，个人计算机硬盘容量已经为TB级别，而一些大企业的数据已经EB级别量级

2.Velocity(高速)

在海量的数据面前，处理速度的效率是很高速的

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

4.Value(低价值密度)

对有价值的数据进行提纯

3.大数据部门组织结构

2.Hadoop

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——分Hadoop生态圈。

2.Hadoop组成

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在组成上是没有变化的

3.HDFS架构的概述

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

HDFS一共由三大部分组成

NameNode(nn): 主要负责存储文件的元数据，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

4.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

YARN一共由四大部分组成:

ResourceManager(RM):整个集群资源(内存、CPU等)的老大
NodeManager(NM):单个节点服务器资源老大
ApplicationMaster(AM):单个任务运行的老大
Container:容器，相当一台独立的服务器，里面封装了

5.MapReduce架构

MapReduce 将计算过程分为两个阶段:Map 和 Reduce

Map 阶段并行处理输入数据
Reduce 阶段对 Map 结果进行汇总

6.HDFS、YARN、MapReduce 三者关系

7.大数据生态体系

以上涉及到的技术名词

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
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
KafkaKafka 是一种高吞吐量的分布式发布订阅消息系统
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
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
Oozie:Oozie 是一个管理 Hadoop 作业(job)的工作流程调度管理系统
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
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
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

8.Linux 上Hadoop的下载安装

1.找到hadoop官网下载地址，可以根据自己需求下载对应的版本

2.然后在Linux上输入以下指令进行下载

wget https://dlcdn.apache.org/hadoop/common/hadoop-3.3.1/hadoop-3.3.1.tar.gz

如果出现以下问题

请使用以下命令

wget --no-check-certificate https://dlcdn.apache.org/hadoop/common/hadoop-3.3.1/hadoop-3.3.1.tar.gz

3.下载完成后解压

tar -zxvf  hadoop-3.3.1.tar.gz

4.配置环境变量

配置环境变量，添加以下部分内容

vim /etc/profile

#hadoop
export HADOOP_HOME=/home/wl/hadoop-3.3.1
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin

![image-20211217105154630](/Users/wangliang/Library/Application Support/typora-user-images/image-20211217105154630.png)

在Hadoop后期的版本上需要将各进程用户设为root,需要在环境变量中添加以下内容

#赋权
export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root

这里需要注意一个点,还在配置一下jdk,不然下面启动hdfs会报错

需要在 /etc/profile 配置hadoop文件中添加以下内容

export JAVA_HOME=/usr/java/jdk1.8.0_191-amd64

然后在找到以下路径的文件，并进行修改

vim /home/wl/hadoop-3.3.1/etc/hadoop/hadoop-env.sh

指定jdk的位置

JAVA_HOME=/usr/java/jdk1.8.0_191-amd64

让配置文件生效

source /etc/profile

5.完成后，输入以下指令查看是否安装成功

hadoop version

6.查看目录结构

目录的解释说明

bin目录：存放对Hadoop相关服务，(hdfs,yarn,mapred)进行操作的脚本
etc目录：hadoop的配置文件目录，存放Hadoop的配置文件
lib目录：存放Hadoop的本地库，(对数据进行压缩解压缩功能)
sbin目录:存放启动或者停止Hadoop相关服务的脚本
share目录：存放hadoop的依赖jar包、文档、和官方案例

9.Hadoop运行模式

Hadoop一共包含三种运行模式：

本地模式：单机运行
伪分布模式：也是单机运行，但是具备Hadoop集群的所有功能，一台服务器模拟一个分布式的环境
完全分布模式：多台服务器组成分布式环境。生产环境使用

10.scp拷贝命令和rsync命令(可以实现服务器之间的数据互传)

1.scp基本语法

scp   -r      $pdir/$fname          $user@$host:$pdir/$fname
命令   递归    要拷贝的文件路径/名称    目的地用户@主机:目的地路径/名称

案例

将自己服务器上的数据拷贝到别的服务器上

scp -r /home/wl/hadoop-3.3.1.tar.gz root@wyp:/home/wyp

将别人服务器上的数据拷贝到自己服务器上

scp -r root@wyp:/home/wyp/go1.16.7.linux-amd64.tar.gz  /home/wl

将别人服务器上的数据拷贝到别人的服务器上

scp -r root@wyp:/home/wyp/go1.16.7.linux-amd64.tar.gz  root@wl:/home/wl

2.rsync语法

rsync 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。 rsync 和 scp 区别:用 rsync 做文件的复制要比 scp 的速度快，rsync 只对差异文件做更

新。scp 是把所有文件都复制过去。

rsync  -av       $pdir/$fname       $user@$host:$pdir/$fname
命令   选项参数   要拷贝的文件路径/名称   目的地用户@主机:目的地路径/名称

选项参数说明

选项	功能
-a	归档拷贝
-v	显示复制过程

案例

自己服务器同步数据到别人服务器

rsync -av  /home/wl/hadoop-3.3.1.tar.gz  root@wyp:/home/wyp

从别人服务器同步数据到自己服务器

rsync -av root@wl:/home/wl/hadoop-3.3.1 /home/wl/

11.SSH无密登录配置

1.免密登录原理

2.生成公钥和私钥

输入以下指令生成公钥和私钥

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 目标机器ip地址

这里需要将116.62的主机的公钥拷贝到 101和39的主机上，其他两台也是这样

12.单机配置

.卸载虚拟机自带的JDK

rpm -qa | grep -i java | xargs -n1 rpm -e --nodeps

参数解析:

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

下载一个JDK并配置环境变量

这里我是从我的阿里云上面使用scp命令拷贝了一个jdk

 scp  root@wl:/home/wl/jdk-8u191-linux-x64.rpm  /home/wl

解压缩

rpm -ivh jdk-8u191-linux-x64.rpm

完成后步骤见8

来到 hadoop的安装目录，找到以下文件进行修改

vim etc/hadoop/core-site.xml
 <!-- 指定 NameNode 的地址 -->

    <property>

        <name>fs.defaultFS</name>

        <value>hdfs://localhost:8020</value>

    </property>

    <!-- 指定 hadoop 数据的存储目录 -->

    <property>

        <name>hadoop.tmp.dir</name>

        <value>/home/wl/hadoop-3.3.1/data</value>

    </property>

    <!-- 配置 HDFS 网页登录使用的静态用户为 atguigu -->

    <property>

        <name>hadoop.http.staticuser.user</name>

        <value>root</value>

    </property>

修改hdfs-site.xml

<configuration>



    <!-- 指定HDFS保存数据副本数量 -->

     <property>

        <name>dfs.replication</name>

        <value>1</value>

     </property>



<!-- 允许在web页面查看，下载文件-->

    <property>

        <name>dfs.webhdfs.enabled</name>

        <value>true</value>

    </property>



</configuration>

修改mapred-site.xml

<configuration>

<!-- 指定 MapReduce 程序运行在 Yarn 上 -->

<property>

  <name>mapreduce.framework.name</name>

  <value>yarn</value>

</property>

</configuration>

修改yarn-site.xml

<configuration>

    <!-- 指定 MR 走 shuffle -->

    <property>

        <name>yarn.nodemanager.aux-services</name>

        <value>mapreduce_shuffle</value>

    </property>

    <!-- 指定 ResourceManager 的地址-->

    <property>

        <name>yarn.resourcemanager.hostname</name>

        <value>localhost</value>

    </property>

</configuration>

第一次启动，需要格式化namenode

hdfs namenode -format

启动hdfs

sbin/start-dfs.sh

启动yarn

sbin/start-yarn.sh

出现这种错误,就是没有设置免密登录,具体操作见11

启动完成后,输入

jps查看,是否启动成功

2.启动MR的任务出现的错误

在执行wordcount时候出现了以下错误

解决方法:

在Hadoop的 mapred-site.xml中添加以下内容

/home/wl/hadoop-3.3.1 指的是hadoop的安装目录

<property>

 <name>yarn.app.mapreduce.am.env</name>

 <value>HADOOP_MAPRED_HOME=/home/wl/hadoop-3.3.1</value>

 </property>

 

<property>

 <name>mapreduce.map.env</name>

 <value>HADOOP_MAPRED_HOME=/home/wl/hadoop-3.3.1</value>

</property>



<property>

 <name>mapreduce.reduce.env</name>

 <value>HADOOP_MAPRED_HOME=/home/wl/hadoop-3.3.1</value>

</property>

13.集群配置

1.集群职责分布

	wl	zbc	wyp
HDFS	Namenode DataNode	DataNode	SecondaryNameNode DataNode
YARN	Nodemanager	ResourceManager NodeManager	NodeManager

2.四个配置文件的修改

我们来到要修改的是wl主机以下路径下的这四个配置文件

添加hosts映射,另外两台机器也要添加

vim

172.25.37.7     wl     #自己机器设置为内网ip，其他的都是外网

wyp   wyp
zbc zbc

修改core-site.xml文件

vim core-site.xml

添加以下内容

<configuration>

    <!-- 指定 NameNode 的地址 -->
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://wl:8020</value>
    </property>
    <!-- 指定 hadoop 数据的存储目录 -->
    <property>
        <name>hadoop.tmp.dir</name>
        <value>/home/wl/hadoop-3.3.1/data</value>
    </property>
    <!-- 配置 HDFS 网页登录使用的静态用户为 atguigu -->
    <property>
        <name>hadoop.http.staticuser.user</name>
        <value>root</value>
    </property>
</configuration>

修改hdfs-site.xml

<configuration>
    <!-- nn web端访问地址-->
    <property>
        <name>dfs.namenode.http-address</name>
        <value>wl:9870</value>
    </property>
    <!-- 2nn web 端访问地址-->
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>wyp:9868</value>
    </property>

    <property>
        <name>dfs.webhdfs.enabled</name>
        <value>true</value>
    </property>
</configuration>

修改mapred-site.xml

<configuration>
<!-- 指定 MapReduce 程序运行在 Yarn 上 -->
<property>
  <name>mapreduce.framework.name</name>
  <value>yarn</value>
</property>
</configuration>

修改yarn-site.xml

<configuration>
    <!-- 指定 MR 走 shuffle -->
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <!-- 指定 ResourceManager 的地址-->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>zbc</value>
    </property>
</configuration>

然后将修改的配置文件复制给 101.34.63.113 和wyp两台机器上

使用以下命令进行同步配置

rsync -av  /home/wl/hadoop-3.3.1  root@wyp:/home/wyp

rsync -av  /home/wl/hadoop-3.3.1  root@101.34.63.113:/home/wl

修改workers文件(其他两台服务器也需要修改workers文件) 如下

172.26.37.8  #由于是阿里云服务器，这里要写成内网ip,本机写成自己的内网ip，其他的都是外网
wyp
101.34.63.113

常见问题总结：常见问题总结

14.HDFS的Shell操作

上传操作

首先在hdfs上创建一个文件夹为 sanguo,输入以下指令

hadoop fs -mkdir /sanguo

1.-moveFromLocal:从本地文件系统中剪切到HDFS中

首先来到hadoop的操作目录下

cd /home/wl/hadoop-3.3.1

写本地文件

vim shuguo.txt

然后使用以下命令执行剪切

hadoop fs -moveFromLocal shuguo.txt /sanguo

2.-put:从本地文件系统中拷贝文件到 HDFS 路径去

写本地文件

vim wuguo.txt

拷贝

hadoop fs -put wuguo.txt /sanguo

3.-appendToFile:追加一个文件到一个已经存在的文件的末尾

写本地文件

vim liubei.txt

追加

hadoop fs -appendToFile liubei.txt   /sanguo/shuguo.txt

下载操作

1.-get:从HDFS拷贝到本地

hadoop fs -get /sanguo/shuguo.txt shuguo2.txt

直接操作

1.-ls:显示目录信息

hadoop fs -ls /

2.-cat:显示文件内容

hadoop fs -cat /sanguo/weiguo.txt

3.-chgrp、-chmod、-chown:修改文件所属权限

hadoop fs -chmod 666  /input

4.-mkdir:在HDFS上创建路径

hadoop fs -mkdir /test

5.-cp:从HDFS的一个路径拷贝到HDFS上的另外一个路径

hadoop fs -cp /test /input

6.-mv:在HDFS目录中移动文件

hadoop fs -mv /sanguo/weiguo.txt /test

7.-tail:显示一个文件的末尾数据

hadoop fs -tail /test/weiguo.txt

8.-rm：删除文件或文件夹

hadoop fs -rm  /test

9.rm -r:递归删除目录及目录里面的内容

hadoop fs -rm -r /test

10.-du：统计文件夹的大小信息

hadoop fs -du /jinguo

7表示一个文件的大小,21表示是三个副本的总和 3*7

11.-setrep:设置HDFS中文件的副本数量

15.java连接HDFS

1.新建maven工程,依赖如下

  <dependencies>

    <!--连接hadoop-->

    <dependency>

      <groupId>org.apache.hadoop</groupId>

      <artifactId>hadoop-client</artifactId>

      <version>3.1.3</version>

    </dependency>

    <dependency>

      <groupId>junit</groupId>

      <artifactId>junit</artifactId>

      <version>4.12</version>

    </dependency>

    <dependency>

      <groupId>org.slf4j</groupId>

      <artifactId>slf4j-log4j12</artifactId>

      <version>1.7.30</version>

    </dependency>

    <!--糊涂工具包-->

    <dependency>

      <groupId>cn.hutool</groupId>

      <artifactId>hutool-all</artifactId>

      <version>5.7.17</version>

    </dependency>



  </dependencies>

2.项目代码如下

package com.oasis;



import cn.hutool.core.date.DateUtil;

import org.apache.hadoop.conf.Configuration;

import org.apache.hadoop.fs.*;

import org.junit.After;

import org.junit.Before;

import org.junit.Test;



import java.io.IOException;

import java.net.URI;

import java.net.URISyntaxException;

import java.util.Arrays;

import java.util.Date;





public class HDFSClient {

    private FileSystem fs;



    @Before // 在@Test方法执行前执行

    public void connectInit() throws URISyntaxException, IOException, InterruptedException {

        Configuration config = new Configuration();

        // 配置文件的优先级   hdfs-default.xml < hdfs-site.xml < resources资源目录下的配置文件 < 代码配置里面的文件

        // 配置副本数

        config.set("dfs.replication","2");

        // 获取文件系统

        fs = FileSystem.get(new URI("hdfs://wl:8020"),config , "root");

    }

    @After

    public void close() throws IOException {

        // 关闭资源

        fs.close();

    }



    // 创建文件夹

    @Test

    public void mkidr() throws IOException {

        // 创建目录

        fs.mkdirs(new Path("/wl"));



    }



    // 上传文件

    @Test

    public void  upload() throws IOException {

        // 上传文件

        /**

         * boolean delSrc         是否将原文件删除

         * boolean overwrite      是否允许覆盖

         * Path src               原文件路径

         * Path dst               目标路径

         */

        fs.copyFromLocalFile(false,true,new Path("src/main/resources/test.txt"),new Path("/"));

    }



    // 下载文件

    @Test

    public void download() throws IOException {

        /**

         * boolean delSrc                    是否将原文件删除

         * Path src                          下载文件的路径

         * Path dst                          指定文件下载到哪个路径

         * boolean useRawLocalFileSystem     是否开启文件校验

         */

        fs.copyToLocalFile(false,new Path("/jinguo"),new Path("src/main/resources/"),true);

    }

    // 文件的改名和移动

    @Test

    public void rename() throws IOException {

        /**

         * Path src     要修改或者移动的路径

         * Path dst     修改后或者移动后的

         */

        // 修改文件名

        // fs.rename(new Path("/wl/upload.txt"),new Path("/wl/uploads.txt"));

        // 移动文件位置并改名

        fs.rename(new Path("/wl/uploads.txt"),new Path("/sanguo/upload.txt"));

    }

    // 文件的删除

    @Test

    public void remove() throws IOException {

        /**

         * Path f               需要删除的文件路径

         * boolean recursive    是否递归删除

         */



        // 不递归删除

//        fs.delete(new Path("/wl"),false);

        // 递归删除

        fs.delete(new Path("/sanguo"),true);

    }



    // 文件详情的查看

    @Test

    public  void detail() throws IOException {

        /**

         * final Path f             文件路径

         * final boolean recursive  是否递归查看

         */

        RemoteIterator<LocatedFileStatus> listFiles = fs.listFiles(new Path("/"), true);

        while (listFiles.hasNext()){

            LocatedFileStatus file = listFiles.next();

            System.out.println("文件的权限:"+file.getPermission());

            System.out.println("文件的创建者:"+file.getOwner());

            System.out.println("所属组:"+file.getGroup());

            System.out.println("文件大小:"+file.getLen());

            System.out.println("文件的修改时间"+ DateUtil.format(new Date(file.getModificationTime()),"yyyy-MM-dd HH:ss:mm"));

            System.out.println("副本数:"+file.getReplication());

            System.out.println("文件块大小:"+file.getBlockSize());

            System.out.println("文件名称:"+file.getPath().getName());

            // 获取块信息

            BlockLocation[] blockLocations = file.getBlockLocations();

            System.out.println("块"+Arrays.toString(blockLocations));



            System.out.println("========分隔==========");

        }





    }

    // 文件和文件夹的判断

    @Test

    public void isDirectory() throws IOException {

        FileStatus[] fileStatuses = fs.listStatus(new Path("/"));

        for (FileStatus status : fileStatuses) {

          if (status.isFile()){

              System.out.println("文件:"+status.getPath().getName());

          } else {

              System.out.println("文件夹:"+status.getPath().getName());

          }

        }

    }





}

posted @ 2021-12-16 16:52 没有梦想的java菜鸟阅读(124) 评论(0) 编辑收藏举报

刷新页面返回顶部

没有梦想的java菜鸟

大数据学习

1.大数据介绍

1.什么是大数据？

2.大数据的特点(4V)

3.大数据部门组织结构

2.Hadoop

1.Hadoop是什么?

2.Hadoop组成

3.HDFS架构的概述

4.YARN架构概述

5.MapReduce架构

6.HDFS、YARN、MapReduce 三者关系

7.大数据生态体系

8.Linux 上Hadoop的下载安装

1.找到hadoop官网下载地址，可以根据自己需求下载对应的版本

2.然后在Linux上输入以下指令进行下载

3.下载完成后解压

4.配置环境变量

5.完成后，输入以下指令查看是否安装成功

6.查看目录结构

9.Hadoop运行模式

10.scp拷贝命令和rsync命令(可以实现服务器之间的数据互传)

1.scp基本语法

2.rsync语法

11.SSH无密登录配置

1.免密登录原理

2.生成公钥和私钥

12.单机配置

.卸载虚拟机自带的JDK

2.启动MR的任务出现的错误

13.集群配置

1.集群职责分布

2.四个配置文件的修改

14.HDFS的Shell操作

上传操作

下载操作

直接操作

15.java连接HDFS

1.新建maven工程,依赖如下

2.项目代码如下

公告