大數據：Hadoop入門 一：什麼是大數據 （1.）大數據是指在一定時間內無法用常規軟體對其內容進行抓取，管理和處理的數據集合，簡而言之就是數據量非常大，大到無法用常規工具進行處理，如關係型資料庫，數據倉庫等。這裡“大”是一個什麼量級呢？如在阿裡巴巴每天處理數據達到20PB（即20971520GB） ...
大數據：Hadoop入門
一：什麼是大數據
- 什麼是大數據：
（1.）大數據是指在一定時間內無法用常規軟體對其內容進行抓取，管理和處理的數據集合，簡而言之就是數據量非常大，大到無法用常規工具進行處理，如關係型資料庫，數據倉庫等。這裡“大”是一個什麼量級呢？如在阿裡巴巴每天處理數據達到20PB（即20971520GB）.
2.大數據的特點：
（1.）體量巨大。按目前的發展趨勢來看，大數據的體量已經到達PB級甚至EB級。
（2.）大數據的數據類型多樣，以非結構化數據為主，如網路雜誌，音頻，視屏，圖片，地理位置信息，交易數據，社交數據等。
（3.）價值密度低。有價值的數據僅占到總數據的一小部分。比如一段視屏中，僅有幾秒的信息是有價值的。
（4.）產生和要求處理速度快。這是大數據區與傳統數據挖掘最顯著的特征。
3.除此之外還有其他處理系統可以處理大數據。
Hadoop （開源）
Spark（開源）
Storm（開源）
MongoDB（開源）
IBM PureDate（商用）
Oracle Exadata（商用）
SAP Hana（商用）
Teradata AsterData（商用）
EMC GreenPlum（商用）
HP Vertica（商用）
註：這裡我們只介紹Hadoop。
二：Hadoop體繫結構
- Hadoop來源：
Hadoop源於Google在2003到2004年公佈的關於GFS（Google File System），MapReduce和BigTable的三篇論文，創始人Doug Cutting。Hadoop現在是Apache基金會頂級項目，“Hadoop”一個虛構的名字。由Doug Cutting的孩子為其黃色玩具大象所命名。
- Hadoop的核心：
（1.）HDFS和MapReduce是Hadoop的兩大核心。通過HDFS來實現對分散式儲存的底層支持，達到高速並行讀寫與大容量的儲存擴展。
（2.）通過MapReduce實現對分散式任務進行處理程式支持，保證高速分區處理數據。
3.Hadoop子項目：
（1.）HDFS：分散式文件系統，整個Hadoop體系的基石。
（2.）MapReduce/YARN：並行編程模型。YARN是第二代的MapReduce框架，從Hadoop 0.23.01版本後，MapReduce被重構，通常也稱為MapReduce V2，老MapReduce也稱為 MapReduce V1。
（3.）Hive：建立在Hadoop上的數據倉庫，提供類似SQL語音的查詢方式，查詢Hadoop中的數據，
（4.）Pig：一個隊大型數據進行分析和評估的平臺，主要作用類似於資料庫中儲存過程。
（5.）HBase:全稱Hadoop Database，Hadoop的分散式的，面向列的資料庫，來源於Google的關於BigTable的論文，主要用於隨機訪問，實時讀寫的大數據。
（6.）ZooKeeper：是一個為分散式應用所設計的協調服務，主要為用戶提供同步，配置管理，分組和命名等服務，減輕分散式應用程式所承擔的協調任務。
還有其它特別多其它項目這裡不做一一解釋了。
三：安裝Hadoop運行環境
- 用戶創建：
（1.）創建Hadoop用戶組，輸入命令：
groupadd hadoop
（2.）創建hduser用戶，輸入命令：
useradd –p hadoop hduser
（3.）設置hduser的密碼，輸入命令：
passwd hduser
按提示輸入兩次密碼
（4.）為hduser用戶添加許可權，輸入命令：
#修改許可權
chmod 777 /etc/sudoers
#編輯sudoers
Gedit /etc/sudoers
#還原預設許可權
chmod 440 /etc/sudoers
先修改sudoers 文件許可權，併在文本編輯視窗中查找到行“root ALL=（ALL）”，緊跟後面更新加行“hduser ALL=（ALL） ALL”，將hduser添加到sudoers。添加完成後切記還原預設許可權，否則系統將不允許使用sudo命令。
（5.）設置好後重啟虛擬機，輸入命令：
Sudo reboot
重啟後切換到hduser用戶登錄
- 安裝JDK
（1.）下載jdk-7u67-linux-x64.rpm,併進入下載目錄。
（2.）運行安裝命令:
Sudo rpm –ivh jdk-7u67-linux-x64.rpm
完成後查看安裝路徑，輸入命令：
Rpm –qa jdk –l
記住該路徑，
（3.）配置環境變數，輸入命令：
Sudo gedit /etc/profile
打開profile文件在文件最下麵加入如下內容
export JAVA_HOME=/usr/java/jdk.7.0.67
export CLASSPATH=$ JAVA_HOME/lib:$ CLASSPATH
export PATH=$ JAVA_HOME/bin:$PATH
保存後關閉文件，然後輸入命令使環境變數生效：
Source /etc/profile
（4.）驗證JDK，輸入命令：
Java –version
若出現正確的版本則安裝成功。
- 配置本機SSH免密碼登錄：
（1.）使用ssh-keygen 生成私鑰與公鑰文件，輸入命令：
ssh-keygen –t rsa
（2.）私鑰留在本機，公鑰發給其它主機（現在是localhost）。輸入命令：
ssh-copy-id localhost
（3.）使用公鑰來登錄輸入命令：
ssh localhost
- 配置其它主機SSH免密登錄
（1.）克隆兩次。在VMware左側欄中選中虛擬機右擊，在彈出的快捷鍵菜單中選中管理---克隆命令。在克隆類型時選中“創建完整克隆”，單擊“下一步”，按鈕直到完成。
（2.）分別啟動併進入三台虛擬機，使用ifconfig查詢個主機IP地址。
（3.）修改每台主機的hostname及hosts文件。
步驟1：修改hostname，分別在各主機中輸入命令。
Sudo gedit /etc/sysconfig/network
步驟2：修改hosts文件：
sudo gedit /etc/hosts
步驟3：修改三台虛擬機的IP
第一臺對應node1虛擬機的IP：192.168.1.130
第二台對應node2虛擬機的IP：192.168.1.131
第三台對應node3虛擬機的IP：192.168.1.132
（4.）由於已經在node1上生成過密鑰對，所有現在只要在node1上輸入命令：
ssh-copy-id node2
ssh-copy-id node3
這樣就可以將node1的公鑰發佈到node2，node3。
（5.）測試SSH,在node1上輸入命令：
ssh node2
#退出登錄
exit
ssh node3
exit
四：Hadoop完全分散式安裝
- 1. Hadoop有三種運行方式：
（1.）單機模式：無須配置，Hadoop被視為一個非分散式模式運行的獨立Java進程
（2.）偽分散式：只有一個節點的集群，這個節點即是Master（主節點，主伺服器）也是Slave（從節點，從伺服器），可在此單節點上以不同的java進程模擬分散式中的各類節點
（3.）完全分散式：對於Hadoop,不同的系統會有不同的節點劃分方式。
2.安裝Hadoop
（1.）獲取Hadoop壓縮包hadoop-2.6.0.tar.gz,下載後可以使用VMWare Tools通過共用文件夾，或者使用Xftp工具傳到node1。進入node1 將壓縮包解壓到/home/hduser目錄下，輸入命令：
#進入HOME目錄即：“/home/hduser”
cd ~
tar –zxvf hadoop-2.6.0.tar.gz
（2.）重命名hadoop輸入命令：
mv hadoop-2.6.0 hadoop
（3.）配置Hadoop環境變數，輸入命令：
Sudo gedit /etc/profile
將以下腳本加到profile內：
#hadoop
export HADOOP_HOME=/home/hduser/hadoop
export PATH=$HADOOP_HOME/bin:$PATH
保存關閉，最後輸入命令使配置生效
source /etc/profile
註：node2，和node3都要按照以上配置進行配置。
3.配置Hadoop
（1.）hadoop-env.sh文件用於指定JDK路徑。輸入命令：
[hduser@node1 ~]$ cd ~/hadoop/etc/hadoop
[hduser@node1 hadoop]$ gedit hadoop-env.sh
然後增加如下內容指定jDK路徑。
export JAVA_HOME=/usr/java/jdk1.7.0_67
（2.）打開指定JDK路徑,輸入命令：
export JAVA_HOME=/usr/java/jdk1.7.0_67
（3.）slaves：用於增加slave節點即DataNode節點。
[hduser@node1 hadoop]$ gedit slaves
打開並清空原內容，然後輸入如下內容：
node2
node3
表示node2,node3作為slave節點。
（4.）core-site.xml:該文件是Hadoop全局配置，打開併在<configuration>元素中增加配置屬性如下：
<configuration>
<property>
<name>fs.defaultFs</name>
<value>hdfs://node1:9000</value>
</property>
<name>hadoop.tmp.dir</name>
<value>file:/home/hduser/hadoop/tmp</value>
</property>
<configuration>
這裡給出了兩個常用的配置屬性，fs.defaultFS表示客戶端連接HDFS時，預設路徑首碼，9000是HDFS工作的埠。Hadoop.tmp.dir如不指定會保存到系統的預設臨時文件目錄/tmp中。
（5.）hdfs-site.xml:該文件是hdfs的配置。打開併在<configuration>元素中增加配置屬性。
（6.）mapred-site.xml:該文件是MapReduce的配置，可從模板文件mapred-site.xml.template中複製打開併在<configuration>元素中增加配置。
（7.）yarn-site.xml:如果在mapred-site.xml配置了使用YARN框架，那麼YARN框架就使用此文件中的配置，打開併在<configuration>元素中增加配置屬性。
（8.）複製這七個命令到node2,node3。輸入命令如下：
scp –r /home/hduser/hadoop/etc/hadoop/ hduser@node2:/home/hduser/hadoop/etc/
scp –r /home/hduser/hadoop/etc/hadoop/ hduser@node3:/home/hduser/hadoop/etc/
4.驗證：
下麵驗證hadoop是否正確
（1.）在Master主機（node1）上格式化NameNode。輸入命令：
[hduser@node1 ~]$ cd ~/hadoop
[hduser@node1 hadoop]$ bin/hdfs namenode –format
（2）關閉node1,node2 ,node3,系統防火牆並重啟虛擬機。輸入命令：
service iptables stop
sudo chkconfig iptables off
reboot
（3.）輸入以下啟動HDFS：
[hduser@node1 ~]$ cd ~/hadoop
（4.）啟動所有
[hduser@node1 hadoop]$ sbin/start-all.sh
（5.）查看集群狀態：
[hduser@node1 hadoop]$ bin/hdfs dfsadmin –report
（6.）在瀏覽器中查看hdfs運行狀態，網址：http://node1:50070
（7.）停止Hadoop。輸入命令：
[hduser@node1 hadoop]$ sbin/stop-all.sh
五：Hadoop相關的shell操作
（1.）在操作系統中/home/hduser/file目錄下創建file1.txt,file2.txt可使用圖形界面創建。
file1.txt輸入內容：
Hello World hi HADOOP
file2.txt輸入內容
Hello World hi CHIAN
（2.）啟動hdfs後創建目錄/input2
[hduser@node1 hadoop]$ bin/hadoop fs –mkdir /input2
（3.）將file1.txt.file2.txt保存到hdfs中:
[hduser@node1 hadoop]$ bin/hadoop fs –put -/file/file*.txt /input2/
（4.）[hduser@node1 hadoop]$ bin/hadoop fs –ls /input2
