第一章 Hello大数据&分布式

Part1 数据导论

一. 数据

数据：一种可以被鉴别的对客观事件进行记录的符号。简单来说就是：对人类的行为及产生的事件的一种记录。

二. 数据的价值

• 对数据的内容进行深入分析，可以更好的帮助了解事和物在现实世界的运行规律
• 比如，购物的订单记录（数据）可以帮助平台更好的了解消费者，从而促进交易。

Part2 大数据诞生

Part3 大数据概述

一. 什么是大数据

狭义上：大数据是一类技术栈，是一种用来处理海量数据的软件技术体系。

广义上：大数据是数字化时代、信息化时代的基础（技术）支撑，以数据为生活赋能。

二.大数据特征

从海量的高增长、多类别、低信息密度的数据中挖掘出高质量的结果

三.大数据的核心工作

数据计算

数据存储

数据传输

Part4 大数据软件生态

一. 大数据软件生态

数据存储: Apache Hadoop - HDFS, Apache HBase, Apache KUDU, 云存储

数据计算: Apache Hadoop - MapReduce, Apache Hive,Apache Spark, Apache Flink

数据传输: Apache Kafka, Apache Pulsar, Apache Flume,Apache Sqoop

Part5 Apache Hadoop 概述

一. Hadoop概念

• 分布式数据存储 - HDFS组件
• 分布式数据计算 - MapReduce组件
• 分布式资源调度 - YARN组件

第二章 分布式存储Hadoop HDFS

Part1 为什么需要分布式存储

• 数据量太大，单机存储能力有上限，需要靠数量来解决问题
• 数量的提升带来的是网络传输、磁盘读写、CPU、内存等各方面的综合提升。 分布式组合在一起可以达到1+1>2的效果

Part2 分布式的基础架构分析

一. 分布式的基础架构 - 2类架构模式

去中心化模式:没有明确的中心。众多服务器之间基于特定规则进行同步协调

中心化模式: 有一个中心节点（服务器）来统筹其它服务器的工作，统一指挥，统一调派，避免混乱 – 主从模式(Master And Slaves)

Part3 HDFS基础架构

一. HDFS

HDFS是Hadoop三大组件(HDFS、MapReduce、YARN)之一

• 全称是：Hadoop Distributed File System（Hadoop分布式文件系统）

• 是Hadoop技术栈内提供的分布式数据存储解决方案

• 可以在多台服务器上构建存储集群，存储海量的数据

• HDFS是一个典型的主从模式架构

二. HDFS的基础架构

HDFS集群:

• 主角色 : NameNode – 唯一的
  • HDFS系统的主角色，是一个独立的进程
  • 负责管理HDFS整个文件系统
  • 负责管理DataNode
• 从角色 : DataNode - 若干个
  • HDFS系统的从角色，是一个独立进程
  • 主要负责数据的存储，即存入数据和取出数据
• 主角色辅助角色: SecondaryNameNode
  • NameNode的辅助，是一个独立进程
  • 主要帮助NameNode完成元数据整理工作（打杂）

Part4 HDFS集群环境部署

一. 部署步骤

1. 下载安装包 - hadoop-3.3.6.tar.gz

2. 集群规划

节点	服务
node1	NameNode, DataNode,SecondaryNameNode
node2	DataNode
node3	DataNode

3. 上传和解压 – root用户

• 上传Hadoop安装包到node1节点中, 位置 root用户家目录中

• 解压缩安装包到/export/server/中

  tar -zxvf hadoop-3.3.6.tar.gz -C /export/server

• 构建软连接

​ cd /export/server

​ ln -s /export/server/hadoop-3.3.4 hadoop

• 进入hadoop安装包中

​ cd hadoop

4. Hadoop安装包目录结构

各个文件夹含义如下

• bin，存放Hadoop的各类程序（命令）

• etc，存放Hadoop的配置文件

• include，C语言的一些头文件

• lib，存放Linux系统的动态链接库（.so文件）

• libexec，存放配置Hadoop系统的脚本文件（.sh和.cmd）

• licenses-binary，存放许可证文件

• sbin，管理员程序（super bin）

• share，存放二进制源码（Java jar包）-- MapReduce接口(wordcount, pi)

5. 修改配置文件，应用自定义设置

• workers：配置从节点（DataNode）有哪些 – node1,node2,node3
• hadoop-env.sh：配置Hadoop的相关环境变量
• core-site.xml：Hadoop核心配置文件
• hdfs-site.xml：HDFS核心配置文件

6. 准备数据

• 在node1节点：

mkdir -p /data/nn

mkdir -p /data/dn

• 在node2和node3节点：mkdir -p /data/dn

7.分发Hadoop文件夹

分发

• 在node1执行如下命令

  cd /export/servers

  cp -r hadoop-3.3.4 node2:pwd

  cp -r hadoop-3.3.4 node3:pwd

• 在node2执行

  ln -s /export/server/hadoop-3.3.4 /export/server/hadoop

• 在node3执行

​ ln -s /export/server/hadoop-3.3.4 /export/server/hadoop

8. 配置环境变量

9.授权为hadoop用户

10.格式化整个文件系统

二.HDFS启停

一键启停

• $HADOOP_HOME/sbin/start-dfs.sh，一键启动HDFS集群
• $HADOOP_HOME/sbin/stop-dfs.sh，一键关闭HDFS集群

单进程启停

hadoop-daemon.sh (start|status|stop) (namenode|secondarynamenode|datanode)

hdfs --daemon (start|status|stop) (namenode|secondarynamenode|datanode)

三.文件系统操作命令-- 自己补充完整

1. 创建文件夹

hadoop fs -mkdir [-p] <path> ...

hdfs dfs -mkdir [-p] <path> ...

• path 为待创建的目录
• -p选项的行为与Linux mkdir -p一致，它会沿着路径创建父目录。

2.查看指定目录

hadoop fs -ls [-h] [-R] [<path> ...]

hdfs dfs -ls [-h] [-R] [<path> ...]

• path 指定目录路径
• -h 人性化显示文件size
• -R 递归查看指定目录及其子目录

3.上传

4.查看文件内容

5.下载

6.拷贝

7.追加

8.移动

9.删除

四.权限修改

1. 修改所属用户和组

2. 修改权限

Part5 HDFS存储原理

一. HDFS存储原理\

二. fsck命令

• 我们还可以在上传文件的时候，临时决定被上传文件以多少个副本存储

hadoop fs -D dfs.replication=2 -put test.txt /tmp/

• 对于已经存在HDFS的文件，修改dfs.replication属性不会生效，如果要修改已存在文件可以通过命令

hadoop fs -setrep [-R] 2 path

• fsck命令检查文件的副本数

hdfs fsck path [-files [-blocks [-locations]]]

三.NameNode管理元数据

四.HDFS数据读写流程

第三章 MapReduce和YARN入门