大数据技术之Hadoop(伪分布搭建)
1.1 Hadoop是什么？
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。
Cloudera在大型互联网企业中用的较多。
Hortonworks文档较好。
1. Apache Hadoop
官网地址：http://hadoop.apache.org/releases.html
下载地址：https://archive.apache.org/dist/hadoop/common/
2. Cloudera Hadoop
官网地址：https://www.cloudera.com/downloads/cdh/5-10-0.html
下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/
（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。
3. Hortonworks Hadoop
官网地址：https://hortonworks.com/products/data-center/hdp/
下载地址：https://hortonworks.com/downloads/#data-platform
（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。
1.3 Hadoop组成
1.3.1 HDFS架构概述
HDFS（Hadoop Distributed File System）的架构概述，如图所示。
1.3.2 YARN架构概述
YARN架构概述，如图所示。
1.3.3 MapReduce架构概述
MapReduce将计算过程分为两个阶段：Map和Reduce，如图所示
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 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用于“连续计算”，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。
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。
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。
2.1 Hadoop运行环境搭建
2.1.1 虚拟机环境准备
1.安装VMware Workstation Pro
下载网址：https://my.vmware.com/en/web/vmware/downloads
2.下载镜像源centos7
下载网址：http://isoredirect.centos.org/centos/8/isos/x86_64/CentOS-8.1.1911-x86_64-dvd1.iso
3.创建新的虚拟机
2.1.2 虚拟机网络配置
1.外部网络配置
1.1控制面板\网络和 Internet\网络连接
1.2打开VMware Network Adapter VMnet8属性
1.3找到internet协议版本4（TCP/Pv4）进行设置，如下图所示。
2.虚拟机网络配置
2.1编辑/虚拟机网络编辑器
2.2更改设置/NAT模式（注意子网ip在最后一位写0，NAT设置里网关与外部对应）
3.内部网络配置
3.1 vi /etc/sysconfig/network-scripts/ifcfg-ens33
3.2 service network restart（网络生效）
3.3 ping www.baidu.com(检测网络连接)
2.1.3 HADOOP伪分布搭建
1. 打开Xshell 6
填写主机名、链接、用户名、密码
2. 进入界面先下载vim
下载vim：yum install vim
3. 开始配置
3.1
cd /usr/local （进入目录）
ll （查看目录信息）
mkdir hadoop
mkdir java （创建目录）
3.2 拖文件
3.2.1 Hadoop架包hadoop -2.9.2.tar.gz 下载网址：https://hadoop.apache.org/releases.html
3.2.2 Java架包 jdk-8uzll-linux-x64.tar.gz 下载网址：https://www.oracle.com/technetwork/java/javase/downloads/index.html
cd hadhoop/ (切换到Hadoop目录下)
ll （查看目录信息）
tar –zxvf hadoop -2.9.2.tar.gz （解压Hadoop）
rm –rf hadoop -2.9.2.tar.gz （删除Hadoop解压包）
cd ../java （到java目录下）
tar –zxvf jdk-8uzll-linux-x64.tar.gz解压java）
rm –rf jdk-8uzll-linux-x64.tar.gz （删除java解压包）
3.4配置环境变量
vim /etc/profile (进入vim编辑器改路径)
export JAVA_HOME=/usr/local/java/jdk1.8.0_211
export HADOOP_HOME=/usr/local/hadoop/hadoop-2.9.2
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
配置文件生效：source /etc/profile
3.5 配置Hadoop环境变量
cd /usr/local/hadoop/hadoop -2.9.21/etc/hadoop/ (进入Hadoop目录下)
1.第一个配置
vim hadoop –env.sh
第25行改Java路径
export JAVA_HOME=/usr/local/java/jdk1.8.0_211/
2.第二个配置（注意主机IP和Hadoop版本）
vim core –site.xml
<!-- 指定HADOOP所使用的文件系统schema（URI），HDFS的老大（NameNode）的地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://192.168.222.101:9000</value>
</property>
<!-- 指定hadoop运行时产生文件的存储目录 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/usr/local/hadoop/hadoop-2.9.2/tmp</value>
</property>
3.第三个配置
vim hdfs –site.xml
<!-- 指定HDFS副本的数量 -->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
3.6进行格式化并启动
hadoop namenode –format
start-dfs.sh（输3遍yes和密码）
3.7输入jps验证是否配置成功
4. 关闭防火墙
systemctl stop firewalld.service（临时）
systemctl disable firewalld.service（开机时关闭）
5. 免密
ssh-keygen -t rsa（一直按回车）
拷贝密钥（开启时不要输三次密码）
ssh-copy-id 192.168.222.101
6.谷歌访问：http://192.168.222.101:50070/
