[大数据]大数据-Hadoop是什么，如何部署

1.是什么？

大数据计算平台-批量计算
各个版本发展变化：主要是区分yarn是资源管理的部分，HDFS是数据存储的部分

2.架构

2.1 HDFS(分布式文件系统)

解决问题：首先对于海量数据需要先进行存储。
如何存储？（海量数据一台机器存储不够，分布式存到多台机器）

namenode：管理数据存储在什么位置的组件，例如某一部分数据存储在那一台机器。
2NN：万一namenode挂了，数据存在什么位置就不知道了，所以为了防止这种情况进行设置2NN组件，辅助namenode工作的
datanode：具体进行存储数据的组件

2.1.1NameNode（简称nn）

存储文件的元数据（文件名，目录，属性（包括生成时间、副本数以及文件权限），每个存储在Datanode中文件的块列表）

2.1.2DataNode（dn）

具体存储数据的组件，存储文件块数据、以及块数据的校验和

2.1.3Secondary NameNode（2NN）

为了防止Namenode挂了，每隔一段时间对Namenode进行元数据备份

2.2 YARN（资源管理器/协调者）

yarn主要管理的就是cpu、内存。
组件：Resource Manager、NodeManager

2.2.1 Resource Manager

整个集群的资源管理者，管理所有节点总共的cpu以及内存等资源

2.2.2 NodeManager

自己管理自己节点机器上的资源

2.2.3 AppllicationMaster

当用户提交一个作业后，Resource Manager管理资源分配将作业分配到某一个NodeManager中，会启动一个容器（相当于资源隔离，里面封装了运行任务所需要的资源）来执行该任务。
AppllicationMaster管理单个运行的任务，向Resource Manager申请资源，如果还有后续的任务需要执行，就再申请资源。
容器默认是1-8g内存，1个cpu

2.3 MapReduce（计算）

将计算过程分为两个部分：
map阶段：并行处理输入数据
reduce阶段：对map结果进行汇总

3.Hadoop目录结构

3.1bin

重点关于存储、计算、资源管理命令各一个：hdfs、mapred、yarn

3.2etc（配置文件）

3.3sbin（启动关闭命令）

3.4share（说明文档、运行例子）

4.如何运行部署？

运行模式分为：本地模式（测试）（本地（linux）存储数据）、伪分布式（hdfs存储数据，但是只在一个机器上）、分布式（在集群的hdfs中存储数据）

4.1软件准备、配置文件

source /etc/profile

4.2模式

本地模式

采用share文件中的官方例子
hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-xx.jar wordcount (输入路径)  （输出路径（必须指定的文件夹不存在））

输入路径中创建一个里面是单词的文件txt
执行后生成文件，生成的

分布式

注：记录两个知识点：
scp命令
rsync远程同步（可以只拷贝差异性内容）

scp安全拷贝，用于拷贝文件或者文件夹

scp  -r（递归） 要拷贝的文件或者文件夹   目的文件夹

rsync -av（a归档拷贝 v显示过程） 要拷贝的文件或者文件夹   目的文件夹

集群配置规划

配置文件

hadoop/etc/hadoop

参考链接：

https://zhuanlan.zhihu.com/p/25472769

core-site.xml

<configuration>
    <!-- 指定HDFS（namenode内部之间的）的通信地址 常用地址8020。9820-->
<property>
    <name>fs.defaultFS</name>
    <value>hdfs://locahost:9000</value>
</property>
    <!-- 指定hadoop运行时产生文件的存储路径 -->
<property>
        <name>hadoop.tmp.dir</name>
        <value>/cloud/hadoop/tmp</value>
</property>
</configuration>

hdfs-site.xml

<configuration>
//设置nn的web端访问路径，就是需要让用户访问到，所以设置web界面
<property>
<name>dfs.namenode.http-address</name>
<value>cloud01:9870</value>
</property>
//设置2NN的地址
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>cloud01:9860</value>
</property>

<property>
<name>dfs.namenode.name.dir</name>
<value>file:/home/hduser/dfs/name</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/home/hduser/dfs/data</value>
</property>
//<!-- 设置hdfs副本数量 -->
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
</configuration>

mapred-site.xml

<configuration>
<property>
//指定mapreduce运行在yarn上
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>

yarn-site.xml

<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>

<property>
<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
//指定resourcemanager地址
<property>
<name>yarn.resourcemanager.hostname</name>
<value>cloud01</value>
</property>
</configuration>

workers

//配置运行的一些集群ip或者别名（不能有空格或者空行）

启动集群

初始运行需要初始化

只在namenode节点上进行初始化
hdfs namenode -format


初始化后会生成一个data和log

启动hdfs（在namenode节点上）

sbin/start-dfs.sh


访问web界面配置namenode的ip：9870
（配置hdfs-site.xml文件中设置的客户端访问的端口）

启动yarn（在resourcemanager节点上）

sbin/start-yarn.sh


访问web界面yarn的resourcemanager；
ip：8088

启动历史服务器

对于完成的任务已经结束运行了，在想查看历史信息需要历史服务器

配置文件mapred-site.yaml

在配置文件中指定的地址的那个节点上运行该命令
mapred --deomon start historyserver