大数据概述

大数据
    两个方面
        数据体积
            bit,byte,kb,mb,gb,tb,pb,eb,zb,nb,db,yb
        处理方式
            存储问题
                数据体积比较大的时候不适合进行集中式的存储，转而使用分布式的存储
                集中式存储
                    一个完整的数据都存储在一个存储介质中，数据的物理结构没有被破坏，是完整的，
                    比如一个100mb的数据存放在一块1t的硬盘中
                分布式存储
                    一个完整的数据存储在不同的存储介质中，数据的物理结构被破坏了，从逻辑上看同样是完整，
                    比如一个100mb的数据，其中50mb存放在A机器，30m存放在b机器，20mb存放在c机器
                    为了保证数据的健壮性，我们需要对数据做冗余存储(备份)，把这种存储方式称之为分布式存储
            计算问题
                集中式计算
                    计算和数据在同一个机器的，同一个进程中完成。
                分布式计算
                    1+。。。+1000=50500 一台机器计算需要10分钟
                    机器A：1+。。。+100=A     1分钟
                    机器B：101+。。。+200=B
                    机器i：。。。
                    机器Z：901+。。。+100=Z

                    最终将机器A，B，i，。。，Z计算的结果汇总到其中的一台机器中，最后得到需要的结果。
                    也就是说将一个完整的计算拆分中若干个子模块进行计算，将子模块计算的结果，
                    最终进行汇总得到最终结果的计算，称之为分布式计算。

        描述大数据的时候，需要从两个方面来说
            数据大
            使用非常规的技术/软件去存储和计算这些体积海量数据

Hadoop概述

Hadoop基本概述

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力进行高速运算和存储。

Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

简言之：Hadoop是适合海量数据的分布式存储和分布式计算平台。受Google三篇论文启发，由作者Doug Cutting开发出来的。

问： 为什么hdfs不适合存储小文件？
假如有一个100m的文件和100个1m的文件，在数据存储上面完全没有任何差异；但是在管理节点或者元数据管理上面，
一个100m的文件只有一份 元数据信息，而这100个1m文件的元数据信息就有100分，会对管理节点造成非常大的存储
压力，所以不建议或不适合存储大量的小文件。

分布式存储与分布式计算

    分布式存储
            在分布式存储系统中，分散在不同节点中的数据可能属于同一
         个文件，为了组织众多的文件，把文件可以放到不同的文件夹中， 
         文件夹可以一级一级的包含。我们把这种组织形式称为命名空间  
        （namespace）。命名空间管理着整个服务器集群中的所有文件。
    分布式计算
            把一个需要非常巨大的计算能力才能解决的问题分成许多小的
         部分，然后把这些部分分配给许多计算机进行处理，最后把这些计
         算结果综合起来得到最终的结果。

Hadoop四大模块

Hadoop Common: The common utilities that support the other Hadoop modules.
Hadoop Distributed File System (HDFS™): A distributed file system that provides high-throughput access to application data.
Hadoop YARN: A framework for job scheduling and cluster resource management.
Hadoop MapReduce: A YARN-based system for parallel processing of large data sets.

hdfs1中的管理节点有单点故障问题

Hadoop各个核心项目架构

HDFS2的架构

      负责对数据的分布式存储，主从结构
      主节点——namenode
         可以有2个，负责内容：
         1)接收用户的请求操作，是用户操作的入口
         2)维护文件系统的目录结构，称为命名空间
      从节点——datanode(存储节点)
         至少一个，只干一件事：存储数据

Yarn的架构

      是一个资源的调度和管理平台，也是主从结构
      主节点——ResourceManager
         可以有2个，主要负责：
         1)集群资源的分配和调度
         2)MR、Storm、Spark等应用，要想被RM管理，必须实现ApplicationMaster接口
      从节点——NodeManager(计算节点)
        可以有多个，主要就是单节点资源的管理。

MapReduce的架构

      依赖于磁盘IO的批处理计算模型，只有一个主节点——MRAppMaster，主要负责：
         1)接收客户端提交的计算任务
         2)把计算任务分给NodeManager中的Container执行，即任务调度
         3)监控Task的执行情况

数据和计算之间的距离，称之为数据或计算本地性

Hadoop单机版安装

CentOS的配置
    1、网卡：NAT
        网络：192.168.43.101
        NetMask：255.255.255.0
        GateWay：192.168.43.2
        DNS Server：124.207.160.106,219.239.26.42
        配置完毕之后，重启网卡：
            ]#service network restart
    2、修改主机名和ip地址映射文件(重启生效)
        vim /etc/sysconfig/network
        将HOSTNAME改为uplooking01
        保存退出：
            vim /etc/hosts
        加入一行内容：
            192.168.43.101  uplooking01
        同样在windows下面也做相同的映射配置(C:\Windows\System32\drivers\etc\hosts)：
    3、关闭防火墙，并从开机启动项中去处防火墙
        关闭防火墙：
            service iptables stop
        从开机启动项中移除防火墙
            chkconfig iptables off
    4、关闭selinux服务(重启生效)
        vim /etc/selinux/config
        SELINUX=disabled
    5、开启最小多用户模式
        vim /etc/inittab
        id:5:initdefault:--->id:3:initdefault:
在CentOS下面安装软件的一些约定：
    所有的软件上传至/home/uplooking/soft
    安装在/home/uplooking/app目录
    如果在命令中出现[]表示可选，<>表示必须
    使用xftp软件将jdk和hadoop安装压缩包上传至/opt/soft目录下，进行安装：
1、安装JDK
    第一步：解压
        opt]# tar -zxvf /opt/soft/jdk-8u112-linux-x64.tar.gz [-C /opt/]
    第二步：重命名
        opt]# mv jdk1.8.0_112/ jdk
    第三步：配置JAVA_HOME环境变量
        vim /etc/profile.d/hadoop-etc.sh，添加一下内容
            export JAVA_HOME=/opt/jdk
            export PATH=$PATH:$JAVA_HOME/bin
        保存退出，并让环境生效
        source /etc/profile.d/hadoop-etc.sh
    第四步：验证
        java -version
2、Hadoop的安装/home/uplooking/app目录
    hadoop的版本：hadoop-2.6.4.tar.gz
    1°、解压：
        [uplooking@uplooking01 ~]$ tar -zxvf soft/hadoop-2.6.4.tar.gz -C /home/uplooking/app/
    2°、重命名：
        [uplooking@uplooking01 ~]$ mv /home/uplooking/app/hadoop-2.6.4/ /home/uplooking/app/hadoop
    3°、添加hadoop相关命令到环境变量中
        ~]$ vim ~/.bash_profile
        加入以下内容：
            export HADOOP_HOME=/home/uplooking/app/hadoop
            export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
        生效：
        ~]$ source ~/.bash_profile
    4°、创建数据存储目录：
        1) NameNode 数据存放目录： /home/uplooking/data/hadoop/name
        2) SecondaryNameNode 数据存放目录： /home/uplooking/data/hadoop/secondary
        3) DataNode 数据存放目录： /home/uplooking/data/hadoop/data
        4) 临时数据存放目录： /home/uplooking/data/hadoop/tmp
    5°、配置 hadoop-env.sh 、yarn-env.sh hdfs-site.xml core-site.xml mappred-site.xml yarn-site.xml
        1)、配置hadoop-env.sh
            export JAVA_HOME=/opt/jdk
        2)、配置yarn-env.sh
            export JAVA_HOME=/opt/jdk
        3)、配置hdfs-site.xml
            <configuration>
                <property>  
                    <name>dfs.namenode.name.dir</name>  
                    <value>/home/uplooking/data/hadoop/name</value>
                    <description>存放元数据的磁盘目录</description>
                </property>
                <property> 
                    <name>dfs.datanode.data.dir</name>  
                    <value>/home/uplooking/data/hadoop/data</value>
                    <description>存放数据的磁盘目录</description>        
                </property>
                <property>
                    <name>dfs.namenode.checkpoint.dir</name>
                    <value>/home/uplooking/data/hadoop/secondary</value>
                    <description>存放检查点数据的磁盘目录</description>
                </property>
                <!-- secondaryName http地址 -->
                <property>
                    <name>dfs.namenode.secondary.http-address</name>
                    <value>uplooking01:9001</value>
                </property>
                <!-- 数据备份数量-->
                <property>
                    <name>dfs.replication</name>
                    <value>1</value>
                    <description>默认有3分，但是目前只有一台机器，所以备份数设置为1</description>
                </property>
                <!-- 运行通过web访问hdfs-->
                <property> 
                    <name>dfs.webhdfs.enabled</name>  
                    <value>true</value>  
                </property>
                <!-- 剔除权限控制-->
                <property>
                    <name>dfs.permissions</name>
                    <value>false</value>
                </property>
            </configuration>
        4)、配置core-site.xml
            <configuration>
                <property>
                    <name>fs.defaultFS</name>
                    <value>hdfs://uplooking01:9000</value>
                    <description>hdfs内部通讯访问地址</description>
                </property>
                <property>
                    <name>hadoop.tmp.dir</name>
                    <value>/home/uplooking/data/hadoop/tmp</value>
                </property>
            </configuration>
        5)、配置mapred-site.xml
            <configuration>
                <property>
                    <name>mapreduce.framework.name</name>
                    <value>yarn</value>
                </property> 
                <!-- 历史job的访问地址-->
                <property>  
                    <name>mapreduce.jobhistory.address</name>  
                    <value>uplooking01:10020</value>  
                </property>
                <!-- 历史job的访问web地址-->
                <property>  
                    <name>mapreduce.jobhistory.webapp.address</name>  
                    <value>uplooking01:19888</value>  
                </property>
                <property>
                    <name>mapreduce.map.log.level</name>
                    <value>INFO</value>
                </property>
                <property>
                    <name>mapreduce.reduce.log.level</name>
                    <value>INFO</value>
                </property>
            </configuration>                
        6)、配置yarn-site.xml
            <configuration>
                <property>
                    <name>yarn.nodemanager.aux-services</name>
                    <value>mapreduce_shuffle</value>
                </property>
                <property>
                    <name>yarn.resourcemanager.hostname</name>
                    <value>uplooking01</value>
                </property> 
                <property>  
                    <name>yarn.resourcemanager.address</name>  
                    <value>uplooking01:8032</value>  
                </property>  
                <property>  
                    <name>yarn.resourcemanager.scheduler.address</name>  
                    <value>uplooking01:8030</value>  
                </property>  
                <property>  
                    <name>yarn.resourcemanager.resource-tracker.address</name>  
                    <value>uplooking01:8031</value>  
                </property>  
                <property>  
                    <name>yarn.resourcemanager.admin.address</name>  
                    <value>uplooking01:8033</value>  
                </property>
                <property> 
                    <name>yarn.resourcemanager.webapp.address</name>  
                    <value>uplooking01:8088</value>  
                </property>
                <property>
                    <name>yarn.log-aggregation-enable</name>  
                    <value>true</value>  
                </property>
            </configuration>
    格式化hadoop文件系统
        hdfs namenode -format
        当出现Storage directory /home/uplooking/data/hadoop/name has been successfully formatted.则说明格式化成功
        负责失败，如果失败的话：就要检查配置文件，再次进行格式化，如果要再次进行格式化，
        必须要把dfs.namenode.name.dir配置目录下面的数据清空。
    启动hadoop
        start-all.sh
        分为以下
        start-dfs.sh
        start-yarn.sh
        启动成功之后，通过java命令jps(java process status)会出现5个进程：
            NameNode
            SecondaryNameNode
            DataNode
            ResourceManager
            NodeManager
        在启动的时候，提示需要输入的密码，是因为没有配置ssh免密码登录模式，如何配置？
            ssh-keygen -t rsa
            一路回车
            ssh-copy-id -i uplooking@uplooking01
            根据提示输入当前机器的密码
            验证：ssh uplooking@uplooking01 不需要再输入密码
    验证：
        1°、在命令中执行以下命令：
            hdfs dfs -ls /
        2°、在浏览器中输入http://uplooking01:50070
        3°、验证mr
            /home/uplooking/app/hadoop/share/hadoop/mapreduce目录下面，执行如下命令：
            --------下面是个人添加的笔记--------
            hdfs dfs -mkdir -p /wordcount/input
            mkdir dfs -mkdir -p /wordcount/output
            hdfs dfs -put word.txt /wordcount/input
            --------上面是个人添加的笔记--------
            yarn jar hadoop-mapreduce-examples-2.6.4.jar wordcount /hello /out
            在执行作业的过程中，也可以在地址栏中输入：http://uplooking01:8088来查看作业的执行状态
    问题：
        如果要进行多次格式化，那么需要将刚才创建的/home/uplooking/data/hadoop/中的文件夹删除重建，
        才能进行二次格式化   

        另外，如果后面向hadoop提交mr项目时，如果想查看输出，可以参考下面的方法：
    yarn-site.xml中配置：
    <property>    
    <name>yarn.log-aggregation-enable</name>    
    <value>true</value>    
    </property>
  重启yarn和historyserver
  执行sbin/mr-jobhistory-daemon.sh start historyserver