Hadoop介绍与安装
前言
最近想学习下大数据,有点急于求成,于是去网上找了各种培训机构的视频,发现大都质量不佳,理论基本不说或者简单讲下,然后教你照猫画虎的敲代码,出了问题都没法分析。最后还是找了厦门大学的公开课从理论开始稳扎稳打的学习了。
一 hadoop起源
hadoop的理论起源主要来自谷歌公司的三大论文,并迅速应用于全球各大互联网公司。因此,学习大数据hadoop是绕不开的一个知识点。今年来,大数据的兴起其实来自于计算机技术的发展,物联网技术产生了大量的数据,云技术使得计算机存储与运算资源更加普及,因此大数据技术应运而出,用以解决大量数据的存储与计算的问题。
二 hadoop生态圈
学习hadoop,需要知道hadoop生态圈中各个项目的功能与作用,为何要用开发这种新项目,而不使用已有项目实现这种功能。
2.1 hdfs
hadoop的底层文件系统,与传统文件系统不同在于它是分布式的。同时与已有的分布式文件系统相比,它又有着旧分布式文件系统没有的优点。如:高可用性,高可靠性,吞吐量大,能使用廉价服务器构建,可通过不断增加机器数来进行拓展。具体实现在hdfs文章中记录。
2.2 hbase
构建在hdfs之上的分布式数据库系统。是一种基于列的nosql数据库,从另一个角度看也能看成键值对的nosql数据库。与传统关系型数据库相比,最大的优势在于可通过增加机器进行横向扩展,并且能使用廉价服务器。
2.3 hive
一种分布式数据仓库,可以导入外部数据后用类sql语言进行操作。一般用于历史数据的查询与分析。与hbase不同,hbase常用于实时的交互式查询。
2.4 mapruduce
一种分布式计算框架,mapruce本来就是一种计算模型的名称。核心思想是“分而治之”,能将计算分解成多个小计算,由多个机器同时计算。适合离线批处理。
2.5 storm
一种流式计算框架,mapruce适合批处理,无法完成流式数据的处理,因此开发出流式处理框架。
2.6 常见大数据处理需求
- 离线批处理,特点:使用历史数据,大批量的处理,要求吞吐率。
- 实时交互式处理,特点:用户交互使用,要求反映速度在秒级到数分钟之间。
- 流式数据处理,特点:数据以流的形式输入,要求毫秒级的处理速度,且处理后的数据大部分都不用储存。
2.7 hadoop组件关系
基本的关系就是,底层用hdfs存储,之上是核心计算框架mapruduce。而hive,hbase,pig等等组件一般都是将自身的操作转化成mapreduce代码然后通过mapreduce进行计算实现功能。同时与mapruduce框架同一层次的storm解决了流式数据的处理。hbase虽然是使用mapreduce框架进行处理,但是基本也能实现实时交互式处理的要求。(也正是mapreduce存在种种问题,spark渐渐兴起,虽然mapreduce也做了各种优化,但是在某些领域相比spark还是有些差距)。
三 hadoop安装
准备。同一局域网的linux服务器数台,我是用我的游戏本同时开了3个虚拟机代替的。
linux里创建hadoop用户,专门负责hadoop项目,便于管理与权限划分。
安装jdk,下载hadoop时官方会指明jdk版本需求,设置jdk环境变量
安装ssh并设置免密登录。因为hdfs的namenode与其他datenode等节点的通讯与管理就是基于ssh协议的。并且将要使用的机器域名写入hosts文件,方便命名。
- 去官网下载并解压hadoop。修改hadoop配置文件,位于hadoop/etc/hadoop /下面,分别有:
- slaves。写入datenode的机器,因为之前修改了域名解析文件,可以直接写域名,不用写ip了。
- core-site.xml。hadoop的核心配置文件
fs.defaultfs,默认文件系统的主机和端口,这里的文件系统就是hdfs。
hadoop.tmp.dir hadoop的临时文件路径,不设置则会使用系统临时文件路径,系统重启后就丢失了。
<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的机器和端口
dfs.replication。hdfs系统保存的文件副本数。
dfs.namenode.name.dir,dfs.datanode.data.dir。namenode和datanode数据在原本文件系统中的存放位置。
<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的资源管理系统。这个选yarn,原本是mapreuce自己进行分布式计算时的资源管理,后来发现效率不足便分割开来重新开发了一套框架。
mapreduce.jobhistory.address。mapreuce的任务日志系统,指定机器和端口。
mapreduce.jobhistory.webapp.address。任务日志系统web页面所使用的机器和端口,通过这个可以在web页面中查看任务日志系统。
<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所使用的机器。这个负责进行全局的资源分配,管理。
yarn.nodemanager.aux-services。可以自定义一些服务,比如mapreuce的shuffle就是用这个配置的。目前我们使用填shuffle就行了。
<configuration> <property> <name>yarn.resourcemanager.hostname</name> <value>master</value> </property> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> </configuration>
- 配置好以后将hadoop文件从主节点复制到各个从节点,hadoop的hadfs与mapreduce就安装完成了。(centos系统需要关闭相应防火墙)
四 hadoop生态圈其他组件安装
看看网友博客和官方文档差不多就会了,基本一个形式。下载解压-配置环境变量-配置组件的配置文件,基本都是xxxx-env.sh,xxx-site.sh,xxx-core.sh,slave,work这种,在里面按照需求配置参数就好了,具体参数意思和必须要配置的参数看看官方文档也就懂了(滑稽)。