[大数据]2021-8-19大数据实训第四（三）天

一、hadoop简介

1、概述

Hadoop是Apache提供的一个开源的、可靠的、可扩展的系统架构，可以利用分布式架构来进行海量数据的存储以及计算。需要注意的是Hadoop处理的是离线数据，即在数据已知以及不要求实时性的场景下使用。

2、版本

3、模块

（1）Common：在Hadoop1.0中，包含HDFS、MapReduce和其他项目公共内容，从Hadoop2.0开始，HDFS和MapReduce被分离为独立的子项目，其余内容为Hadoop Common
（2）HDFS：用于分布式环境下数据的存储
（3）Yarn：Hadoop2.0版本中出现，用于进行资源管理和任务调度的框架.
（4）MapReduce：从Hadoop2.0开始，基于Yarn，用于在海量数据的场景下进行并行计算
（5）Ozone：基于HDFS进行对象的存储
（6）Submarine：基于Hadoop进行机器学习的引擎

4、相关组件

（1）HBase: 类似Google BigTable的分布式NoSQL列数据库。（HBase和Avro已经于2010年5月成为顶级 Apache 项目）
（2）Hive：数据仓库工具，由Facebook贡献
（3）Zookeeper：分布式锁设施，提供类似Google Chubby的功能，由Facebook贡献
（4）Avro：新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制。
（5）Pig: 大数据分析平台，为用户提供多种接口
（6）Ambari：Hadoop管理工具，可以快捷的监控、部署、管理集群
（7）Sqoop：于在Hadoop与传统的数据库间进行数据的传

二、hadoop安装

1、上传文件

2、解压文件夹

ll

3、关闭防火墙

4、配置主机名

5、配置主机名和ip的映射

6、配置免密登录

见前一篇文章

7、安装并配置jdk（hadoop是java写的，其运行也需要java的支持）

8、配置hadoop

（1）配置hadoop-env.sh

a. 编辑hadoop-env.sh：vim hadoop-env.sha.
b. 修改JAVA_HOME的路径，修改成具体的路径。例如：export JAVA_HOME=/home/software/jdk1.8b.
c. 修改HADOOP_CONF_DIR的路径，修改为具体的路径，例如：export HADOOP_CONF_DIR=/home/software/hadoop-2.7.1/etc/hadoopc.
d. 保存退出文件
e. 重新加载生效：source hadoop-env.s

（2）配置 core-site.xml

a. 编辑core-site.xml：vim core-site.xmla.
b. 添加如下内容
<property>
    <!-- 指定HDFS中的主节点 - namenode -->
    <name>fs.defaultFS</name>
    <value>hdfs://hadoop01:9000</value> 
</property> 
<property>
    <!-- 执行Hadoop运行时的数据存放目录 -->    
    <name>hadoop.tmp.dir</name>    
    <value>/home/software/hadoop-2.7.1/tmp</value> 
</property>

（3）配置 hdfs-site.xm

a. 编辑hdfs-site.xml：vim hdfs-site.xmla.
b. 添加如下配置： 
<property>
    <!-- 设置HDFS中的复本数量 -->    
    <!-- 在伪分布式下，值设置为1 -->    
    <name>dfs.replication</name>    
    <value>1</value>
</property>
c. 保存退出

（4）配置 mapred-site.xml

a. 将mapred-site.xml.template复制为mapred-site.xml：cp mapred-site.xml.template mapred-site.xmla.
b. 编辑mapred-site.xml：vim mapred-site.xmlb.
c. 添加如下配置：
<property>
    <!-- 指定将MapReduce在Yarn上运行  -->    
    <name>mapreduce.framework.name</name>    
    <value>yarn</value> 
</property>
d. 保存退出

（5）配置 yarn-site.xml

a. 编辑yarn-site.xml：vim yarn-site.xmla.
b. 添加如下内容：
<!-- 指定Yarn的主节点 - resourcemanager --> 
<property>
    <name>yarn.resourcemanager.hostname</name>    
    <value>hadoop01</value> 
</property> 
<!-- NodeManager的数据获取方式 --> 
<property>
    <name>yarn.nodemanager.aux-services</name>    
    <value>mapreduce_shuffle</value> 
</property>
c. 保存退出

（6）配置slaves

a. 编辑slaves：vim slavesa.
b. 添加从节点信息，例如：hadoop01b.
c. 保存退出

（7）配置hadoop的环境变

a. 编辑profile文件：vim /etc/profilea.
b. 添加Hadoop的环境变量，例如：
	export HADOOP_HOME=/home/software/hadoop-2.7.1
	export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
	或
	export JAVA_HOME=/home/software/jdk1.8.0_131
	export HADOOP_HOME=/home/software/hadoop-2.7.1
	export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
c. 保存退出
d. 重新生效：source /etc/profiled

（8）格式化namenode：hadoop namenode -format
（9）启动hadoop：start-all.sh

9、出错处理方式：

1、停掉集群
stop-all.sh
2、删除hadoop安装包下的tmp目录
3、检查配置文件
4、重新格式化
5、重新启动

10、常见错误及处理方法

（1）问题：The authenticity of host ‘0.0.0.0 (0.0.0.0)’ can’t be established.RSA key fingerprint is 62:46:08:c6:0d:fd:93:25:d0:78:d8:d5:08:ff:cb:da.
解决方法：修改/etc/ssh/ssh_config文件（或$HOME/.ssh/config）中的配置，将#StrictHostKeyChecking ask中的ask改为no并去掉# 改好配置后，重新启动sshd服务即可（service sshd restart）。
（2）问题：localhost: Host key verification failed.
解决方法：去掉slaves文件中的localhost
(3)Java版本问题：安装1.8后，使用java-version查看版本时仍为1.7
解决方法：更改Java默认版本：

update-alternatives --install /usr/bin/java java /usr/java/jdk1.8.0_131/bin/java 300
update-alternatives --install /usr/bin/javac javac /usr/java/jdk1.8.0_131/bin/javac 300       
update-alternatives --config java

三、HDFS细节

1、Block

（1）数据块是hdfs数据存储的最基本的单位
（2）当hdfs存储超大文件时，hdfs会以一个标准将大文件切分为多块进行分布式存储
（3）block在hadoop1.0的时候是64M，但是在hadoop2以上的版本都是128M
（4）切块的优点：
a. 能够存储超大文件
b. 有利于数据的复制
（5）在hdfs中，如果一个文件小于数据块的大小。并不会占用整个数据块的空间，实际是多少就占用多少

[root@hadoop01 home]# hadoop fs -put bok /book
21/08/19 10:06:31 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable

[root@hadoop01 home]# cd software/
[root@hadoop01 software]# hadoop fs -put hadoop-2.7.1_64bit.tar.gz /hadoop
21/08/19 10:09:20 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable

2、NameNode

（1）NameNode是用来存储元数据的，并且用来管理datanode
（2）namenode维护的hdfs的元数据信息

    a. 文件的存储路径
	b. 文件的大小
	c. block块的大小
	d. 文件和blockid的映射关系
	e. 文件的权限
	f. 上传的用户
	g. Block的数量关系
	h. 复本的数量
	i. block和datanode对应的关系

（3）每一条元数据的大小是150B左右
（4）namenode不适合存储大量的小文件
（5）元数据信息存储在内存及磁盘中。存到内存中是为了快速查询，存在磁盘是为了元数据的可靠
（6）元数据持久化到namenode节点的硬盘上，目录由core-site.xml->dfs.tmp.dir属性决定
（7）元数据保存到了/home/software/hadoop-2.7.1/tmp/dfs/name/current

[root@hadoop01 current]# cd /home/software/hadoop-2.7.1/tmp/dfs/name/current

（8）和元数据相关的文件：

	a. Fsimage：元数据的镜像文件，存储namenode元数据信息，并不是实时同步内存中元数据信息的，而是落后于内存中的元数据信息
	b. edits：记录操作日志。记录namenode所要执行的操作

达到条件之后，fsimage才会去同步内存中的元数据：i 时间达到1小时、 ii edits文件达到64M、 iii 手动通过命令同步 vi 重启集群的时候会同步

（9）当写请求的时候，namenode会首先将操作记录到edits文件汇总，写成功后，会去修改内存，更新元数据，内存修改完成后，会像客户端返回一个ack信号。代表更新成功，此时，fsimage文件中的数据没有发生更改。所以说，fsimage中的数据不是实时的数据。需要达到条件再进行更新
（10）namenode是通过心跳机制来管理datanode的
（11）datanode会每隔3s向namenode汇报自身情况
a. 自己节点的状态（正常、退役、服役）
b. 自己存储的数据块
c. 自身剩余的空间容量
（12）如果超过10min没有向namenode发送心跳，那么namenode会认为此datanode lost了，然后namenode就会将此节点的数据转移到其他的服务器（找相对空闲的节点进行转移）

3、SecondaryNameNode

（1）SecondaryNameNode不是namenode的热备份，而是协助namenode完成元数据的合并
（2）SecondaryNameNode是hadoop1.0的机制，在hadoop2.0的伪分布式可以看见，但是如果是hadoop2.0的完全分布式就不会看见

（3）当达到条件之后，SNN会将NN中的fsimage和edits文件通过网络的方式拷贝到SNN
（4）同时namenode中会创建一个edits_inprogress来保存新的请求。
（5）在SNN，会将拷贝过来的fsimage中的元数据加载进内存，将edits文件中记录的最新的操作请求，在内存中进行更新，将更新后的元数据写入到新的文件fsimage.ckpt中
（6）写好的新的文件fsimage.ckpt再拷贝会namenode
（7）循环以上处理方式

4、DataNode

（1）在hdfs中，数据是存放在datanode上面的，是以block块形式存放的
（2） 存放block块的位置：/home/software/hadoop-2.7.1/tmp/dfs/data/current/BP-976893665-192.168.232.129-1629336175258/current/finalized/subdir0/subdir0/

（3）在hdfs启动的时候， 每一个datanode会将当前存储的数据块的信息告诉namende节点
（4）之后， datanode节点会不断的向namenode发送心跳报告，默认是3s- 发送
（5）发送的心跳信息包括 节点的状态以及数据块的信息
（6）如果namenode 10min没有收到datanode的心跳，就会认为已经丢失，那么namenode会将这个datanode上的block复制到其他的datanode上
（7）如果是伪分布式，复本的数量只能设置为1，因为如果数量大于1，会导致hdfs一直处于安全模式不能退出
（8）安全模式：如果datanode在进行汇报的时候，namenode统计出来某一个文件本来有三个数据块，但是根据datanode汇报的信息，只有两个块存在，有块丢失了， 这个时候namenode就会进行复本的复制以达到三个块，在复制的过程中，会进入安全模式，在安全模式中，hadoo集群只能对外提供读服务，不能提供写服务。

4、复本的放置策略

（1）在hdfs中，支持多复本策略，如果不指定，默认是3.这个数量可以通过属性来进行指定。dfs.replication
（2）第一个复本：
a. 集群内部上传，谁上传就放在谁身上
b. 集群外部上传，谁空闲就放在谁身上
（3）第二个复本：
a,在hadoop2.7之前：第二个复本放在和第一个复本不同的机架的节点上
b.在hadoop2.7之后：第二个复本放在和第一个复本相同的机架的不同节点上
（4）第三个复本：
a.在hadoop2.7之前：第三个复本放在和第二个复本相同的机架的不同节点上
b.在hadoop2.7之后：第三个复本放在和第二个复本不同的机架的节点上

5、基本命令

6、读取流程

（1）客户端需要向namenode发送RPC请求
（2）namenode会根据情况（文件过大，切块过多，一次返回数据量太大）返回全部或部分的block的列表，并且返回对应block以及该block对应的复本存储在datanode上的位置
（3）client会选举离客户端最近的datanode去读取block。如果客户端本身就是datanode，那么会直接从本地读取
（4）读取完一个block会进行checksum的校验，即验证读取到的block大小和声明的block大小是否一致。如果读取datanode数据出现错误，客户端会通知namenode，然后再从下一个离得近的datanode上读取相应的复本
（5）读取完当前的block数据后，关闭当前datanode的链接，并为读取下一个block寻找最佳的datanode
（6）当读取完列表中的block后，会通知namenode返回下一批block的列表，接着读取
（7）当文件最后一个block读取完成后，客户端会链接namenode告诉其关闭文件。

7、写入流程

（1）客户端向namenode发送rpc请求
（2）namenode会检查要创建的文件是否已经存在，并检查客户端是否有权限（原生的hadoop对于权限这块没有涉及）
（3）namenode就会返回客户端要写入数据的datanode的地址
（4）客户端就开始向第一个离得较近的datanode开始写入数据，写的时候是以packets（对数据进行封包）进行写入。并且底层会以队列的形式管理packets。底层是以管道pipeline的形式将数据包发送给所有的datanode
（5）最后一个datanode写入数据成功后，会返回一个ack给第二个datanode，同样，第二个datamode写入成功后，会返回第一个datanode一个ack信号，同样第一个写完后，会返回给客户端一个ack信号。三个datanode都写完之后，从队列中删除已发送的packets
（6）如果传输过程中，有个datanode出现了故障，那么当前的pipeline会关闭，出现故障的datanode会从当前pipeline中移除，剩余的block会继续在剩余的datenode中继续以pipeline的形式传输，同时namenode会分配一个新的datanode，保持复本的数量

8、删除流程

（1）客户端向namenode发起RPC请求
（2）现在namenode上将此文件的元数据删除，但是此时数据并没有真正的删除
（3）datanode会定时向namenode汇报自身的情况，在汇报的时候，namenode会告诉datanode说此文件的元数据已经被删除了
（4）通知datanode删除自身的block块数据

四、在eclipse中集成hadoop插件

1、将上面的jar包放入下面两个包（eclipse的安装目录下）中

2、将hadoo-2.7.1_64bit.tar解压到D盘

3、将hadoopbin_for_hadoop2.7.1中的内容放到解压到的hadoop-2.7.1/bin下面

4、新建如下两个系统变量

编辑环境变量path

5、打开eclipse，点击windows->perferences->Hadoop Map/Reduce->选择安装目录

6、点击windows->show view -> other->MapReduce Tools ->Map/Reduce Locations

点击如下图标

配置如下内容

7、点击windows->show view->Project Explorer出现如下内容

五、回收站机制

1、开启回收站机制

（1）首先停掉集群

[root@hadoop01 opt]# stop-all.sh

（2）编辑core-site.xml文件

[root@hadoop01 opt]# cd /home/software/hadoop-2.7.1/etc/hadoop/
[root@hadoop01 hadoop]# vim core-site.xml

（3）添加如下内容

<!-- 开启回收站-->
<property>
<name>fs.trash.interval</name>
<value>10</value>
</property>

2、开启回收站机制后

（1）再次执行删除命令，运行结果如下

[root@hadoop01 hadoop]# hadoop fs -rm /nihao
21/08/19 15:10:43 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
21/08/19 15:10:44 INFO fs.TrashPolicyDefault: Namenode trash configuration: Deletion interval = 10 minutes, Emptier interval = 0 minutes.
Moved: 'hdfs://hadoop01:9000/nihao' to trash at: hdfs://hadoop01:9000/user/root/.Trash/Current

（2）恢复文件，执行：

hadoop fs -mv /user/root/.Trash/Current/nihao

（3）如果不移动，10min后自动删除

六、eclipse写API

1、新建java Project并添加jar

new->Folder

将下面的两个图片中的四个区域中的jar复制到上步建立的hdfs_jar中，会有重复，直接覆盖


选中hdfs_jar中的所有jar包，右击选择build Path

2、开始编写hdfsTest

（1）读取文件

//读取文件
@Test
public void readFile() throws IOException, URISyntaxException {
	// --创建配置对象org.apache.hadoop.conf.Configuration;
	Configuration conf = new Configuration();
	// --获取hdfs文件系统对象org.apache.hadoop.fs.FileSystem;
	FileSystem fs = FileSystem.get(new URI("hdfs://192.168.232.129:9000"), conf);
	// --获取读取hdfs文件的输入流
	FSDataInputStream in = fs.open(new Path("/demo/hehe"));
	// --获取输出流将读到的内容写到本地文件
	FileOutputStream out = new FileOutputStream("D://aaa.txt");
	// -整合输入输出流org.apache.hadoop.io.IOUtils;
	IOUtils.copyBytes(in, out, conf);
	}

（2）上传文件

//--上传文件
	@Test
	public void putFile() throws IOException, URISyntaxException {
		// --创建配置对象
		Configuration conf = new Configuration();
		FileSystem fs = FileSystem.get(new URI("hdfs://192.168.232.129:9000"), conf);
		// --获取输出流
		FSDataOutputStream out = fs.create(new Path("/park1"));
		// --获取输入流读取本地文件
		ByteArrayInputStream in=new ByteArrayInputStream("hello hdfs".getBytes());
//		FileInputStream in = new FileInputStream("D:/aaa.txt");
		IOUtils.copyBytes(in, out, conf);
	}

（3）删除文件

//--删除文件
	@Test
	public void deleteFile() throws IOException, URISyntaxException {
		// --创建配置对象
		Configuration conf = new Configuration();
		FileSystem fs = FileSystem.get(new URI("hdfs://192.168.232.129:9000"),conf);
		fs.delete(new Path("/park"));
	}

（4）创建文件夹

//--创建文件夹
	@Test
	public void testMkdir() throws IOException, URISyntaxException {
		// --创建配置对象
		Configuration conf = new Configuration();
		FileSystem fs = FileSystem.get(new URI("hdfs://192.168.232.129:9000"),conf);
		fs.mkdirs(new Path("/video"));
	}

（5）查看指定目录下的文件

//--查看指定目录下的文件
	@Test
	public void testLs() throws IOException, URISyntaxException {
		// --创建配置对象
		Configuration conf = new Configuration();
		FileSystem fs = FileSystem.get(new URI("hdfs://192.168.232.129:9000"),conf);
		FileStatus[] listStatus = fs.listStatus(new Path("/hadoop"));
		for (FileStatus fileStatus:listStatus) {
			System.out.println(fileStatus);
		}
	}

（6）获取文件块信息

//--获取文件块信息
	@Test
	public void getBlock() throws IOException, URISyntaxException {
		// --创建配置对象
		Configuration conf = new Configuration();
		FileSystem fs = FileSystem.get(new URI("hdfs://192.168.232.129:9000"),conf);
		BlockLocation[] data = fs.getFileBlockLocations(new Path("/hadoopaaa"), 0, Integer.MAX_VALUE);
		for (BlockLocation blockLocation : data) {
			System.out.println(blockLocation);
		}
	}

(7)import包

import java.io.ByteArrayInputStream;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.BlockLocation;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.junit.Test;```