Hadoop基本概念(不存進數據庫,直接存爲文本文件,直接處理文本,有數據庫是nosql數據庫):
原來數據量大,我們一般是想的是高併發,現在可採用多臺電腦來做(集羣);
海量數據存儲(HDFS:分佈式的存儲系統)
海量數據分析(MapReduce:你負責邏輯編寫,他負責按你的邏輯進行計算)
資源管理調度(YARN:負責資源管理調度)
搜索引擎的一個框架:
hadoop數據處理思路(mapreduce演示):
1.map階段:將邏輯分發到每個節點(多臺電腦),進行一個datenode進行併發計算(本地),map階段進行局部統計;
2.reduce階段:獲取map結果(一臺電腦),進行結果計算(網絡),reduce進行全局處理;
僞分佈式Hadoop集羣安裝:
1.準備Linux環境
1.0點擊VMware快捷方式,右鍵打開文件所在位置 -> 雙擊vmnetcfg.exe -> VMnet1 host-only ->修改subnet ip 設置網段:192.168.1.0 子網掩碼:255.255.255.0 -> apply -> ok
回到windows --> 打開網絡和共享中心 -> 更改適配器設置 -> 右鍵VMnet1 -> 屬性 -> 雙擊IPv4 -> 設置windows的IP:192.168.1.110 子網掩碼:255.255.255.0 -> 點擊確定
在虛擬軟件上 --My Computer -> 選中虛擬機 -> 右鍵 -> settings -> network adapter -> host only -> ok
1.1修改主機名
vim /etc/sysconfig/network
NETWORKING=yes
HOSTNAME=xp ###
1.2修改IP
兩種方式:
第一種:通過Linux圖形界面進行修改startx打開圖形界面(強烈推薦)
進入Linux圖形界面 -> 右鍵點擊右上方的兩個小電腦 -> 點擊Edit connections -> 選中當前網絡System eth0 -> 點擊edit按鈕 -> 選擇IPv4 -> method選擇爲manual -> 點擊add按鈕 -> 添加IP:192.168.1.119 子網掩碼:255.255.255.0 網關:192.168.1.1 -> apply
第二種:修改配置文件方式(屌絲程序猿專用)
vim /etc/sysconfig/network-scripts/ifcfg-eth0
DEVICE="eth0"
BOOTPROTO="static" ###
HWADDR="00:0C:29:3C:BF:E7"
IPV6INIT="yes"
NM_CONTROLLED="yes"
ONBOOT="yes"
TYPE="Ethernet"
UUID="ce22eeca-ecde-4536-8cc2-ef0dc36d4a8c"
IPADDR="192.168.1.44" ###
NETMASK="255.255.255.0" ###
GATEWAY="192.168.1.1" ###
1.3修改主機名和IP的映射關係
vim /etc/hosts
192.168.1.44 xp
1.4關閉防火牆
#查看防火牆狀態
service iptables status
#關閉防火牆
service iptables stop
#查看防火牆開機啓動狀態
chkconfig iptables --list
#關閉防火牆開機啓動
chkconfig iptables off
1.5重啓Linux
reboot
2.安裝JDK
2.1上傳
2.2解壓jdk
#創建文件夾
mkdir /usr/java
#解壓
tar -zxvf jdk-7u55-linux-i586.tar.gz -C /usr/java/
2.3將java添加到環境變量中
vim /etc/profile
#在文件最後添加
export JAVA_HOME=/usr/java/jdk1.7.0_55
export PATH=$PATH:$JAVA_HOME/bin
#刷新配置
source /etc/profile
3.安裝Hadoop
3.1上傳hadoop安裝包
3.2解壓hadoop安裝包
mkdir /cloud
#解壓到/cloud/目錄下
tar -zxvf hadoop-2.2.0.tar.gz -C /cloud/
3.3修改配置文件(5個)
第一個:hadoop-env.sh
#在27行修改
export JAVA_HOME=/usr/java/jdk1.7.0_55
第二個:core-site.xml
<configuration>
<!-- 指定HDFS老大(namenode)的通信地址 -->
<property>
<name>fs.defaultFS</name>
<value>hdfs://xp:9000</value>
</property>
<!-- 指定hadoop運行時產生文件的存儲路徑 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/cloud/hadoop-2.2.0/tmp</value>
</property>
</configuration>
第三個:hdfs-site.xml
<configuration>
<!-- 設置hdfs副本數量 -->
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
第四個:mapred-site.xml.template 需要重命名: mv mapred-site.xml.template mapred-site.xml
<configuration>
<!-- 通知框架MR使用YARN -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
第五個:yarn-site.xml
<configuration>
<!-- reducer取數據的方式是mapreduce_shuffle -->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
3.4將hadoop添加到環境變量
vim /etc/profile
export JAVA_HOME=/usr/java/jdk1.7.0_55
export HADOOP_HOME=/cloud/hadoop-2.2.0
export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin
source /etc/profile
3.5格式化HDFS(namenode)第一次使用時要格式化
hadoop namenode -format
3.6啓動hadoop
先啓動HDFS
sbin/start-dfs.sh
再啓動YARN
sbin/start-yarn.sh
3.7驗證是否啓動成功
使用jps命令驗證
27408 NameNode
28218 Jps
27643 SecondaryNameNode
28066 NodeManager
27803 ResourceManager
27512 DataNode
http://192.168.1.44:50070 (HDFS管理界面)
在這個文件中添加linux主機名和IP的映射關係
C:\Windows\System32\drivers\etc\hosts
192.168.1.119 xp
http://192.168.1.44:8088 (MR管理界面)
4.配置ssh免登陸
生成ssh免登陸密鑰
cd ~,進入到我的home目錄
cd .ssh/
ssh-keygen -t rsa (四個回車)
執行完這個命令後,會生成兩個文件id_rsa(私鑰)、id_rsa.pub(公鑰)
將公鑰拷貝到要免登陸的機器上
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
或
ssh-copy-id -i localhost
hdfs實現機制:比如存一個512M的文件,
總結:hdfs的實現思想:1,hdfs是通過分佈式集羣來存儲文件,爲用戶提供了一個便捷的訪問方式(虛擬目錄)
2,文件存儲到hdfs集羣中是被切割分成block(默認128m)的
3,文件的block是存在若干的DataNode節點上的
4,hdfs文件系統中的文件與真實的block之間存在 映射關係,有namenode管理
5,每一個block在集羣中都有多個副本,提高數據的可靠性與吞吐量