大数据常用技术词汇

 

未来的竞争，是数据之争。大数据本质上是Hadoop的生态群，下面是常用技术词汇

• ETL：代表提取、转换和加载。
• Hadoop：分布式系统基础架构
• HDFS：分布式文件系统
• HBase：大数据的NoSQL数据库
• Hive：数据仓库工具
• DAG ：第二代计算引擎
• Spark：第三代数据处理引擎
• Flink：第四代数据处理引擎
• MapReduce：最初的并行计算框架
• Sqoop：nosql数据库和传统数据库之间传输数据的工具
• Hive：数据仓库工具
• Storm：分布式实时计算系统
• Flume：分布式的海量日志采集系统。
• Kafka：分布式发布订阅消息系统
• ElasticSearch：分布式搜索引擎
• Kibana：ElasticSearch大数据的图形化展示工具
• Logstash：Elasticsearch 的传送带
• Neo4j：nosql图形数据库
• Oozie：工作流调度系统 -YARN：作业调度和集群资源管理的框架

Hadoop集群

 

大数据是基于集群的分布式系统。所谓集群是指一组独立的计算机系统构成的一多处理器系统，它们之间通过网络实现进程间的通信，让若干台计算机联合起来工作(服务)，可以是并行的，也可以是做备份。

• 分布式 ：分布式的主要工作是分解任务，将职能拆解，多个人在一起做不同的事
• 集群：集群主要是将同一个业务，部署在多个服务器上 ，多个人在一起做同样的事

Hadoop介绍

 

Hadoop是Apache旗下的一个用Java语言实现开源软件框架，是一个存储和计算大规模数据的软件平台。

Hadoop是Apache Lucene创始人 Doug Cutting 创建的，最早起源一个Nutch项目。

• 2003年Google发表了一篇GFS论文，为大规模数据存储提供了可行的解决方案。
• 2004年 Google发表论文MapReduce系统，为大规模数据计算提供可行的解决方案。Nutch的开发人员以谷歌的论文为基础，完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目Hadoop。
• 到2008年1月，Hadoop成为Apache顶级项目，迎来了它的快速发展期。
• 如今，国内外的互联网巨头基本都在使用Hadoop框架作为大数据解决方案，越来越多的企业将Hadoop 技术作为进入大数据领域的必备技术。

目前，Hadoop发行版本分为开源社区版和商业版。

• 开源社区版:指由Apache软件基金会维护的版本，是官方维护的版本体系,版本丰富，兼容性稍差。
• 商业版:指由第三方商业公司在社区版Hadoop基础上进行了一些修改、整合以及各个服务组件兼容性测试而发行的版本，比较著名的有cloudera的CDH等。

开源社区版本：一般使用2.x版本系列，3.x版本系列:该版本是最新版本，但是还不太稳定。

废话不说了，开始今天的主题：使用三台Centos7系统搭建Hadoop2.X完全分布式集群

去年使用CentOS 7搭建了hadoop3.X分布式集群，由于换了电脑，考虑到电脑安装了很多前其他的东西，这次是使用二台Centos7系统搭建Hadoop完全分布式集群，虽然Centos更新到8版本，但是很多大数据学习都是选择基于Centos7系统搭建。这里不搭建一台的伪分布式，搭建的版本是目前Haddop3.X稳定的Hadoop-3.1.4。

去年对应的文章教程：

• https://blog.csdn.net/weixin_44510615/article/details/104625802
• https://blog.csdn.net/weixin_44510615/article/details/106540129

集群搭建前的准备

 

Centos7的下载地址：http://mirrors.aliyun.com/centos/7.9.2009/isos/x86_64/CentOS-7-x86_64-DVD-2009.iso。共4.8g。

在集群搭建前的准备，需要在VMwear Workstation搭建一个Centos7系统，关于搭建过程，由于简单，这里直接省略。

在通过物理机连接虚拟机的时候，需要有VMnet1和VMnet8两个虚拟网卡。

如果安装Vmware没有VMnet1和VMnet8，据我以前踩的坑，网上说安装cclear软件包进行注册表的删除，那是不断删除下载Vmware，并没有解决问题，最终采用系统刷机的办法，得以解决。

因此，搭建虚拟机的前提是，本地主机必须有虚拟本地环境，不然你怎么搞都是白搭。

在这里插入图片描述

在此，就可以实现本地ping通虚拟机的IP，实现本地和虚拟机的信息连接。

这样，就可以通过xshell对centos7进行远程的连接。

在第一次使用Centos7，需要对创建的用户提供管理员的权限，因此需要使用root账号进行相关的修改，防止出现node01 不在 sudoers 文件中。此事将被报告。的报错。

使 用 ：wq! 保存退出、

如果远程连接失败，应该没有开发端口和IP地址。需要设置sudo vim /etc/ssh/sshd_config

设置静态ip

 

设置静态ip，通过ifconfig

重启网卡

配置阿里云yum源

 

一开始下载速度很慢，需要配置阿里云yum源，下面来源官方文档，使用的是root账号。

1. #配置阿里云yum源 
2. yum install -y wget 
3. cd  /etc/yum.repos.d/ 
4. mv  CentOS-Base.repo CentOS-Base.repo.bak 
5. wget  http://mirrors.aliyun.com/repo/Centos-7.repo 
6. mv Centos-7.repo CentOS-Base.repo 
7. #配置epel源 
8. wget https://mirrors.aliyun.com/repo/epel-7.repo 
9. #清除缓存并更新 
10. yum clean all 
11. yum makecache 
12. yum update 

安装JDK

 

由于 hadoop 框架的启动是依赖 java 环境，因此需要准备 jdk 环境。目前，OpenJDK 和 Oracle Java 是最主要的两个 Java 实现。卸载Linux系统原有jdkOpenJDK，然后安装Oracle Java。

具体博客：https://blog.csdn.net/weixin_44510615/article/details/104425843

克隆一个虚拟机

 

并通过设置静态分别为192.168.147.129，并将三台Centos7主机名分别设置node01和node02，区别centos7机器。

之前创建用户名使用node01，发现自己搞错了，于是把两个主机的用户名都设置为hadoop。

关于Centos7修改用户名：[root@node01 ~]# usermod -l hadoop -d /home/hadoop -m node01。

自此我们有两台Centos电脑，在hadoop集群不使用root账号。

xshell均可连接成功。

配置ssh免密码登录

 

1. [root@node01 ~]# vim /etc/sysconfig/network 
2. ######### 
3. HOSTNAME=node01 
4. [root@node01 ~]# vim /etc/hosts 
5. ######### 
6. 192.168.147.128 node01 
7. 192.168.147.129 node02 
8.  
9. [root@node01 ~]# systemctl stop firewalld 
10. [root@node01 ~]# systemctl disable firewalld.service 
11.  
12. [root@node02 ~]# vim /etc/sysconfig/network 
13. ######### 
14. HOSTNAME=node02 
15. [root@node02 ~]# vim /etc/hosts 
16. ######### 
17. 192.168.147.128 node01 
18. 192.168.147.129 node02 
19.  
20. [root@node02 ~]# systemctl stop firewalld 
21. [root@node02 ~]# systemctl disable firewalld.service 

实现hadoop账号自由在node01和node02切换，具体查看我的博客：https://blog.csdn.net/weixin_44510615/article/details/104528001?

下载hadoop下载链接：https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-3.1.4/hadoop-3.1.4.tar.gz

1. [hadoop@node01 ~]$ ls 
2. hadoop-3.1.4.tar.gz  module  wget-log  公共  模板  视频  图片  文档  下载  音乐  桌面 
3. [hadoop@node01 ~]$ mkdir -p  module/hadoop 
4. [hadoop@node01 ~]$ tar -zxvf hadoop-3.1.4.tar.gz -C module/hadoop/ 
5. [hadoop@node01 ~]$ cd module/hadoop/hadoop-3.1.4/ 
6. [hadoop@node01 hadoop-3.1.4]$ sudo mkdir -p data/tmp 
7. [hadoop@node01 hadoop-3.1.4]$ ls 
8. bin  data  etc  include  lib  libexec  LICENSE.txt  NOTICE.txt  README.txt  sbin  share 

 

修改配置文件

 

在配置集群/分布式模式时，需要修改“hadoop/etc/hadoop”目录下的配置文件，这里仅设置正常启动所必须的设置项，包括workers、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml共5个文件，更多设置项可查看官方说明。

修改文件hadoop-env.sh

 

1. [hadoop@node01 hadoop]# vim hadoop-env.sh  
2. ############ 
3. export  JAVA_HOME=/usr/java/jdk1.8.0_281/ 
4.  
5. [hadoop@node01 hadoop]# vim yarn-env.sh 
6. ############ 
7. export JAVA_HOME=/usr/java/jdk1.8.0_231 

修改文件workers

 

在Master节点的workers文件中指定Slave节点，也就是node02

1. [hadoop@node01 hadoop]$ vim workers  
2. [hadoop@node01 hadoop]$ cat workers  
3. node02 

修改文件core-site.xml

 

请把core-site.xml文件修改为如下内容：

修改文件hdfs-site.xml

 

请把hdfs-site.xml文件修改为如下内容：

对于Hadoop的分布式文件系统HDFS而言，一般都是采用冗余存储，冗余因子通常为3，也就是说，一份数据保存三份副本。但是，本教程只有一个Slave节点作为数据节点，即集群中只有一个数据节点，数据只能保存一份，所以 ，dfs.replication的值还是设置为 1。

修改文件mapred-site.xml

 

请把mapred-site.xml文件修改为如下内容：

1. [hadoop@node01 hadoop]$ cat mapred-site.xml  
2. <configuration> 
3.         <property> 
4.                 <name>mapreduce.framework.name</name> 
5.                 <value>yarn</value> 
6.         </property> 
7. </configuration> 

修改文件 yarn-site.xml

 

请把yarn-site.xml文件修改为如下内容：

配置Hadoop环境变量

 

在etc/profile增加hadoop路径：

初始化HDFS

 

初始化HDFS，执行 namenode 初始化命令：

1. hdfs namenode -format 

可能出现创建文件夹失败的问题，这个权限问题，使用 root 账号使用命令sudo chmod -R a+w /绝对路径。初始化HDFS失败都要把之前创建的文件夹给删除。

启动集群

 

直接执行start-all.sh，启动 Hadoop。此时 node02上的相关服务也会被启动：

在每台服务器上使用 jps 命令查看服务进程，

或直接进入 Web-UI 界面进行查看，端口为 9870。可以看到此时有一个可用的 Datanode：

接着可以查看 Yarn 的情况，端口号为 8088 ：

至此，Hadoop分布式集群搭建成功。

原文地址：https://mp.weixin.qq.com/s/jNCixJEENPLyFwlgPlFhqw