1. HADOOP背景介紹

1.1 什么是HADOOP

1.HADOOP是apache旗下的一套開源軟件平臺(tái)
2.HADOOP提供的功能：利用服務(wù)器集群，根據(jù)用戶的自定義業(yè)務(wù)邏輯，對(duì)海量數(shù)據(jù)進(jìn)行分布式處理
3.HADOOP的核心組件有 1.HDFS（分布式文件系統(tǒng)）
2.YARN（運(yùn)算資源調(diào)度系統(tǒng)）
3.MAPREDUCE（分布式運(yùn)算編程框架）

4.廣義上來說，HADOOP通常是指一個(gè)更廣泛的概念——HADOOP生態(tài)圈

Hadoop hive hbase flume kafka sqoop spark flink …….

1.2 HADOOP產(chǎn)生背景

1.HADOOP最早起源于Nutch。Nutch的設(shè)計(jì)目標(biāo)是構(gòu)建一個(gè)大型的全網(wǎng)搜索引擎，包括網(wǎng)頁抓取、索引、查詢等功能，但隨著抓取網(wǎng)頁數(shù)量的增加，遇到了嚴(yán)重的可擴(kuò)展性問題——如何解決數(shù)十億網(wǎng)頁的存儲(chǔ)和索引問題。
2.2003年、2004年谷歌發(fā)表的兩篇論文為該問題提供了可行的解決方案。

——分布式文件系統(tǒng)（GFS），可用于處理海量網(wǎng)頁的存儲(chǔ)

——分布式計(jì)算框架MAPREDUCE，可用于處理海量網(wǎng)頁的索引計(jì)算問題。

　　 3.Nutch的開發(fā)人員完成了相應(yīng)的開源實(shí)現(xiàn)HDFS和MAPREDUCE，并從Nutch中剝離成為獨(dú)立項(xiàng)目HADOOP，到2008年1月，HADOOP成為Apache頂級(jí)項(xiàng)目，迎來了它的快速發(fā)展期。

1.3 HADOOP在大數(shù)據(jù)、云計(jì)算中的位置和關(guān)系

1.云計(jì)算是分布式計(jì)算、并行計(jì)算、網(wǎng)格計(jì)算、多核計(jì)算、網(wǎng)絡(luò)存儲(chǔ)、虛擬化、負(fù)載均衡等傳統(tǒng)計(jì)算機(jī)技術(shù)和互聯(lián)網(wǎng)技術(shù)融合發(fā)展的產(chǎn)物。借助IaaS(基礎(chǔ)設(shè)施即服務(wù))、PaaS(平臺(tái)即服務(wù))、SaaS（軟件即服務(wù)）等業(yè)務(wù)模式，把強(qiáng)大的計(jì)算能力提供給終端用戶。

　　  2.現(xiàn)階段，云計(jì)算的兩大底層支撐技術(shù)為“虛擬化”和“大數(shù)據(jù)技術(shù)”

　　  3.而HADOOP則是云計(jì)算的PaaS層的解決方案之一，并不等同于PaaS，更不等同于云計(jì)算本身。 

前言

最近想學(xué)習(xí)下大數(shù)據(jù)，有點(diǎn)急于求成，于是去網(wǎng)上找了各種培訓(xùn)機(jī)構(gòu)的視頻，發(fā)現(xiàn)大都質(zhì)量不佳，理論基本不說或者簡(jiǎn)單講下，然后教你照貓畫虎的敲代碼，出了問題都沒法分析。最后還是找了廈門大學(xué)的公開課從理論開始穩(wěn)扎穩(wěn)打的學(xué)習(xí)了。

一 Hadoop起源

Hadoop的理論起源主要來自谷歌公司的三大論文，并迅速應(yīng)用于全球各大互聯(lián)網(wǎng)公司。因此，學(xué)習(xí)大數(shù)據(jù)Hadoop是繞不開的一個(gè)知識(shí)點(diǎn)。今年來，大數(shù)據(jù)的興起其實(shí)來自于計(jì)算機(jī)技術(shù)的發(fā)展，物聯(lián)網(wǎng)技術(shù)產(chǎn)生了大量的數(shù)據(jù)，云技術(shù)使得計(jì)算機(jī)存儲(chǔ)與運(yùn)算資源更加普及，因此大數(shù)據(jù)技術(shù)應(yīng)運(yùn)而出，用以解決大量數(shù)據(jù)的存儲(chǔ)與計(jì)算的問題。

二 Hadoop生態(tài)圈

學(xué)習(xí)Hadoop，需要知道Hadoop生態(tài)圈中各個(gè)項(xiàng)目的功能與作用，為何要用開發(fā)這種新項(xiàng)目，而不使用已有項(xiàng)目實(shí)現(xiàn)這種功能。

2.1 HDFS

Hadoop的底層文件系統(tǒng)，與傳統(tǒng)文件系統(tǒng)不同在于它是分布式的。同時(shí)與已有的分布式文件系統(tǒng)相比，它又有著舊分布式文件系統(tǒng)沒有的優(yōu)點(diǎn)。如：高可用性，高可靠性，吞吐量大，能使用廉價(jià)服務(wù)器構(gòu)建，可通過不斷增加機(jī)器數(shù)來進(jìn)行拓展。具體實(shí)現(xiàn)在HDFS文章中記錄。

2.2 HBase

構(gòu)建在HDFS之上的分布式數(shù)據(jù)庫系統(tǒng)。是一種基于列的NoSQL數(shù)據(jù)庫，從另一個(gè)角度看也能看成鍵值對(duì)的NoSQL數(shù)據(jù)庫。與傳統(tǒng)關(guān)系型數(shù)據(jù)庫相比，最大的優(yōu)勢(shì)在于可通過增加機(jī)器進(jìn)行橫向擴(kuò)展，并且能使用廉價(jià)服務(wù)器。

2.3 Hive

一種分布式數(shù)據(jù)倉庫，可以導(dǎo)入外部數(shù)據(jù)后用類SQL語言進(jìn)行操作。一般用于歷史數(shù)據(jù)的查詢與分析。與HBase不同，HBase常用于實(shí)時(shí)的交互式查詢。

2.4 MapRuduce

一種分布式計(jì)算框架，MapRuce本來就是一種計(jì)算模型的名稱。核心思想是“分而治之”，能將計(jì)算分解成多個(gè)小計(jì)算，由多個(gè)機(jī)器同時(shí)計(jì)算。適合離線批處理。

2.5 Storm

一種流式計(jì)算框架，MapRuce適合批處理，無法完成流式數(shù)據(jù)的處理，因此開發(fā)出流式處理框架。

2.6 常見大數(shù)據(jù)處理需求

•離線批處理，特點(diǎn)：使用歷史數(shù)據(jù)，大批量的處理，要求吞吐率。
•實(shí)時(shí)交互式處理，特點(diǎn)：用戶交互使用，要求反映速度在秒級(jí)到數(shù)分鐘之間。
•流式數(shù)據(jù)處理，特點(diǎn)：數(shù)據(jù)以流的形式輸入，要求毫秒級(jí)的處理速度，且處理后的數(shù)據(jù)大部分都不用儲(chǔ)存。

2.7 Hadoop組件關(guān)系

基本的關(guān)系就是，底層用HDFS存儲(chǔ)，之上是核心計(jì)算框架MapRuduce。而Hive，Hbase，Pig等等組件一般都是將自身的操作轉(zhuǎn)化成Mapreduce代碼然后通過Mapreduce進(jìn)行計(jì)算實(shí)現(xiàn)功能。同時(shí)與MapRuduce框架同一層次的Storm解決了流式數(shù)據(jù)的處理。Hbase雖然是使用Mapreduce框架進(jìn)行處理，但是基本也能實(shí)現(xiàn)實(shí)時(shí)交互式處理的要求。（也正是Mapreduce存在種種問題，Spark漸漸興起，雖然Mapreduce也做了各種優(yōu)化，但是在某些領(lǐng)域相比Spark還是有些差距）。

三 Hadoop安裝

1.準(zhǔn)備。同一局域網(wǎng)的Linux服務(wù)器數(shù)臺(tái)，我是用我的游戲本同時(shí)開了3個(gè)虛擬機(jī)代替的。

2.Linux里創(chuàng)建hadoop用戶，專門負(fù)責(zé)Hadoop項(xiàng)目，便于管理與權(quán)限劃分。

3.安裝JDK，下載Hadoop時(shí)官方會(huì)指明JDK版本需求，設(shè)置JDK環(huán)境變量

4.安裝SSH并設(shè)置免密登錄。因?yàn)镠DFS的NameNode與其他DateNode等節(jié)點(diǎn)的通訊與管理就是基于SSH協(xié)議的。并且將要使用的機(jī)器域名寫入hosts文件，方便命名。

5.去官網(wǎng)下載并解壓Hadoop。修改hadoop配置文件，位于hadoop/etc/hadoop /下面，分別有：

•slaves。寫入DateNode的機(jī)器，因?yàn)橹靶薷牧擞蛎馕鑫募?，可以直接寫域名，不用寫IP了。
•core-site.xml。Hadoop的核心配置文件

fs.defaultFS，默認(rèn)文件系統(tǒng)的主機(jī)和端口，這里的文件系統(tǒng)就是hdfs。

hadoop.tmp.dir hadoop的臨時(shí)文件路徑，不設(shè)置則會(huì)使用系統(tǒng)臨時(shí)文件路徑，系統(tǒng)重啟后就丟失了。

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://Master:9000</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
</configuration>

•hdfs-site.xml。HDFS的配置文件

dfs.namenode.secondary.http-address。SecondNameNode的機(jī)器和端口

dfs.replication。HDFS系統(tǒng)保存的文件副本數(shù)。

dfs.namenode.name.dir，dfs.datanode.data.dir。NameNode和DataNode數(shù)據(jù)在原本文件系統(tǒng)中的存放位置。

<configuration>
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>Master:50090</value>
    </property>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

•mapred-site.xml。MapReuce的配置文件

mapreduce.framework.name。MapReuce的資源管理系統(tǒng)。這個(gè)選yarn，原本是MapReuce自己進(jìn)行分布式計(jì)算時(shí)的資源管理，后來發(fā)現(xiàn)效率不足便分割開來重新開發(fā)了一套框架。

mapreduce.jobhistory.address。MapReuce的任務(wù)日志系統(tǒng)，指定機(jī)器和端口。

mapreduce.jobhistory.webapp.address。任務(wù)日志系統(tǒng)web頁面所使用的機(jī)器和端口，通過這個(gè)可以在web頁面中查看任務(wù)日志系統(tǒng)。

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>Master:10020</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>Master:19888</value>
    </property>
</configuration>

•yarn-site.xml。YARN的配置文件

yarn.resourcemanager.hostname。YARN的ResourceManager所使用的機(jī)器。這個(gè)負(fù)責(zé)進(jìn)行全局的資源分配，管理。
yarn.nodemanager.aux-services。可以自定義一些服務(wù)，比如MapReuce的shuffle就是用這個(gè)配置的。目前我們使用填shuffle就行了。

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>Master:10020</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>Master:19888</value>
    </property>
</configuration>

1.配置好以后將Hadoop文件從主節(jié)點(diǎn)復(fù)制到各個(gè)從節(jié)點(diǎn)，Hadoop的HADFS與MapReduce就安裝完成了。（CentOs系統(tǒng)需要關(guān)閉相應(yīng)防火墻）

四 Hadoop生態(tài)圈其他組件安裝

看看網(wǎng)友博客和官方文檔差不多就會(huì)了，基本一個(gè)形式。下載解壓-配置環(huán)境變量-配置組件的配置文件，基本都是xxxx-env.sh,xxx-site.sh,xxx-core.sh，slave,work這種，在里面按照需求配置參數(shù)就好了，具體參數(shù)意思和必須要配置的參數(shù)看看官方文檔也就懂了（滑稽）。

總結(jié)

以上所述是小編給大家介紹的Hadoop介紹與安裝配置方法,希望對(duì)大家有所幫助，如果大家有任何疑問請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
如果你覺得本文對(duì)你有幫助，歡迎轉(zhuǎn)載，煩請(qǐng)注明出處，謝謝！