大数据之hadoop入门

大数据概念

大数据：无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现李和流程优化能力的海量、高增长率和多样化的信息资产。

大的概念是相对来说的：目前来说，大数据的规模至少10T以上。
目前单台主机一般只能存放1T左右的数据，所以要进行计算首先要进行分布式存储，分开到10台电脑中进行存储。然后后面的计算也必须基于分布式的存储结构来进行分布式运算。

大数据特点

1. 大量(Volume)
2. 高速(Velocity)
3. 多样(Variety)
4. 低价值密度(Value)

大数据应用

• 增加用户粘性：进行客户画像，推荐客户喜欢的内容。
• 多臂试探：当用户画像基本完成时，尝试推送其他内容，并重新画像。
• 发现多个事务之间的潜在关联性：比如纸尿布和啤酒。
• 获取商场的流量信息，分析运营情况。
• 保险/金融：挖掘潜在客户，助力保险行业精准营销。

大数据不是用来开发一个独立的软件，而且需要贴合其他软件来叠加使用，助力软件更加智能和贴合用户需求。

业务分析

数据部门搭建数据平台，分析数据指标。分析分为两种，一种是离线数仓分析，一种是实时分析。处理好后的展示环节交给前端处理。

大数据部门组织结构：

1. 平台组：搭建Hadoop、Flume、Kafka、HBase平台
2. 数据仓库组：ETL数据清洗、数据分析
3. 实时组：实时指标分析
4. 数据挖掘组：算法工程师、推荐系统工程师、用户画像工程师
5. 报表开发组：javaEE工程师 + 前端工程师（非大数据部分）

Hadoop概述

Hadoop是什么

是一个分布式系统架构，Apache基金会所开发的。主要解决海量数据的存储和海量数据的分析计算问题。Hadoop通常指一个更广泛的概念，Hadoop生态圈（Hadoop, Hive, ）
大数据之父：Doug Cutting，开发了Lucene，一个搜索引擎，类似谷歌搜索引擎。为了在对Lucene进行优化升级，提升面对大数据的查询效率，结合谷歌发布的三篇论文，实现了DFS和MapReduce机制，使Nutch搜索引擎性能飙升。之后项目立项更名为Hadoop，从此Hadoop诞生了。

Hadoop三大发行版本

• Apache原始版本
• 国外开发的图形化版本
• 国内的阿里云、腾讯云版本

Hadoop优势

1. 高可靠性：有备份
2. 高扩展性：可以扩展节点数量
3. 高效性：Hadoop是并行运算的
4. 高容错性：能够自动将失败的任务重新分配

Hadoop组成

• Hadoop1.x:
  • HDFS数据存储
  • MapReduce计算+资源调度
• Hadoop2.x/3.x:
  • HDFS数据存储
  • MapReduce计算
  • Yarn资源调度

HDFS架构概述

1. NameNode(nn): 存储文件的元数据，如文件名，文件目录结构，文件属性
2. DataNode(dn): 存储文件块数据, 以及校验和
3. Secondary NameNode(2nn):每隔一段时间对NameNode元数据备份。

YARN架构概述

• 永久节点：
  • ResourceManager(RM): 汇总所有资源信息
  • NodeManager(NM）: 动态收集当前节点的资源情况
• 任务节点：
  • ApplicationMaster(AM): 单个任务运行的管理员
  • Container: 容器，相当于一台独立的服务器，里面封装了任务所需要的资源，如内存、CPU、磁盘、网络等，类似一个小虚拟机。

MapReduce架构概述

MapReduce有两个阶段。Map表示细分为子任务，Reduce表示合并计算结果。细分任务的名称为MapTask, 合并任务名称为ReduceTask(规约)。MapReduce这个名称概括了分布式系统进行计算的基本过程。

HDFS、YARN、MapReduce三者关系

大数据技术生态体系

Hadoop搭建

创建模版机

1. 最小化安装
2. 安装一些必要软件
3. 修改ip为静态ip
4. 修改主机名和hosts映射文件
5. 关闭防火墙
6. 创建atguigu用户，配置sudo权限
7. 在/opt目录下创建两个子目录
   • module安装好的软件
   • software安装包
   • 修改module和software的所属者和所属组

使用xshell连接查询虚拟机ip地址：

• ip addr命令查看ip地址连接

安装jdk和Hadoop

1. 使用ftp将jdk传输到software文件中
2. 使用jar -zxfc解压到module文件中
3. 配置环境变量
   • profile.d目录下声明环境变量
   • #JAVA_HOME export JAVA_HOME=/opt/module/jdk1.8.0_212 export PATH=$PATH:$JAVA_HOME/bin

shell的补充

• 父子shell项
  • 父类定义变量子类不能获取：有办法获取，使用export 变量名将父类变量传递给子类shell
  • 子类定义变量父类不能获取：获取不了
• 使用pstree命令可以查看进程之间的父子关系
• shell的三种执行方式
  • 开子bash的形式执行，使用子类的shell的环境变量
    • bash + 脚本文件
    • chmod 777 脚本文件 + ./ 脚本文件
  • 在当前bash中执行，使用当前shell的环境变量
    • . 或者 source 脚本文件
  • 一般情况下脚本都是开子shell来执行的，除了环境变量是父shell中运行