Hadoop第一天學習筆記

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