01-黑马程序员大数据开发

一. ?Hadoop概述

1. 什么是大数据

• 狭义上：对海量数据进行处理的软件技术体系
• 广义上：数字化、信息化时代的基础支撑，以数据为生活赋

2. 大数据的核心工作：

• 存储：妥善保存海量待处理数据；Apache KUDU、云平台存储：阿里云OSS、UCloud的US3、AWS的S3、金山云的KS3等等
• 计算：完成海量数据的价值挖掘；Apache Hadoop - MapReduce；ApacheHive是一款以SQL为要开发语言的分布式计算框架；Apache Spark；ApacheFlink
• 传输：协助各个环节的数据传输；Apache Kafka是一款分布式的消息系统，可以完成海量规模的数据传输工作；Apache PULSAR； Apache Flume是一款流失数据采集工具；Apache Sqoop是一款ETL工具，可以协助大数据体系和关系型数据库之间进行数据传输。

3. ?Hadoop是Apache软件基金会下的顶级开源项目，用以提供：

• 分布式数据存储
• 分布式数据计算
• 分布式资源调度

为一体的整体解决方案。是典型的分布式软件框架，可以部署在1台乃至成千上万台服务器节点上协同工作。Hadoop是开源的技术框架，提供分布式存储、计算、资源调度的解决方案。个人或企业可以借助Hadoop构建大规模服务器集群，完成海量数据的存储和计算。

4.?Hadoop是一个整体，其内部还会细分为三个功能组件，分别是：
? ? ? ? HDFS组件：HDFS是Hadoop内的分布式存储组件，可以构建分布式文件系统用于数据存储
????????MapReduce组件：NapReduce是Hadoop内分布式计算组件，提供编程接口供用户开发分布式计算程序
????????YARN组件：YARN是Hadoop内分布式资源调度组件。 可供用户整体调度大规模集群的资源使用。

二. ?HDFS组件

2.1 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、磁密读写（多倍的网络传输效率、多倍的磁盘写入效率）、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

2.2 分布式的基础架构分析

1. ?分布式系统常见的组织形式？大数据体系中，分布式的调度主要有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；如区块链
• 中心化模式：以一个节点（1台服务器）作为中心，去统一调度其他的节点

2. 大数据框架，大多数的基础架构上，都是符合：中心化模式的（一主多从模式，简称主从模式(MasterAndSlaves)）。
即：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。在现实生活中很常见：公司企业管理、组织管理、行政管理

3. ?Hadoop是哪种模式？
????????主从模式（中心化模式）的架构

2.3 HDFS的基础架构

1. ?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
• 功能：可以在多台服务器上构建存储集群，存储海量的数据

?2. ??HDFS中的架构角色有哪些？

• NameNode：主角色，管理HDFS集群和DataNode角色
• DataNode：从角色，负责数据的存储
• SecondaryNameNode：辅助角色，协助NameNode整理元数据

3. HDFS的基础架构

2.4 HDFS集群环境部署

2.4.1 VMware虚拟机中的部署

第二章-04-[实操]VMware虚拟机部署HDFS集群_哔哩哔哩_bilibili

1. 上传和解压到/export/server,配置软链接

hadoop安装包目录结构

2. ?修改4份配置文件，应用自定义设置：找到etc配置文件中的以下4个文件，对其进行修改。

四个文件配置完成。继续：分发到node2、node3，并设置环境变量

4. 创建数据目录，并修改文件权限归属hadoop账户。此时三台机器就配置完成了。还剩下至关重要的一步：授权hadoop用户。也就是将\data和\export文件的root用户变成hadoop用户。

前置准备工作全部完成，下一步开始去执行相关的命令并启动它。首先格式化整个文件系统。

5. 启动，并查看WEB UI

回收站的配置:
????????vim core-site.xml

集群部署常见问题解决：

1. 千辛万苦部署好了Hadoop的HDFS集群，如果中间出现误操作导致集群出现问题了怎么办？有没有什么方便的办法保存刚刚部署好的状态？
答：在虚拟机里面部署好hadoop之后，记得打（虚拟机）快照，当出现问题之后，可以恢复到快照即可。

打快照之前要将hdfs集群关闭【在hadoop权限下操作，不能在root权限下】—— 关闭整个服务器—— 退回root账户 —— init 0 关机（node1、node2、node3都关机） —— 打快照。

• 是否遗漏了前置准备章节的相关操作？
  包括服务器的创建、SSH免密、Hadoop用户的创建、防火墙的关闭、固定IP主机名映射、JDK部署等。
• 是否遗漏的将文件夹（Hadoop安装文件夹、/data数据文件夹）chown授权到hadoop用户这一操作。
  从root授权到hadoop用户，将导致hadoop用户没有权限，此时集群无法启动成功。?
• 是否遗忘了格式化hadoop这一步 (hadoop namenode -format)
• 是否是以root用户格式化的hadoop。
  此时再以hadoop用户去启动集群时会遇到没有权限的问题。
• 是否以root启动过hadoop，后续以hadoop用户启动出错。
  只要以root操作过一次，那么相关的一些目录权限都归root了，后续再以hadoop启动，就会没有权限。
• 是否确认workers文件内，配置了node1、node2、node3三个节点
  如果没有配置三个节点，后续在执行start dfs.sh这个脚本文件启动脚本文件时，只有node1启动了，node2和node3没有反应。
• 是否在/etc /profile内配置了HADOOP_ HOME环境变量，并将＄HADOOP_HOME/bin和＄HADOOP_HOME/sbin加入PATH变量
  如果没有配置，后续在执行start dfs.sh脚本或stop dfs.sh脚本时，会出现“命令不存在”；或者hadoop namenode -format时，也会出现hadoop命令不存在，因为hadoop命令来自bin文件夹相关脚本，start 来自sbin文件夹中的相关脚本。
• 是否遗忘了软链接，但环境变量的配置的HADOOP_HOME却是：/export/server/hadoop
  环境配置时用的是简写hadoop，如果没有软链接，就会出现问题
• 是否确认配置文件内容的准确（一个字符都不错），并确保三台机器的配置文件都OK。

详细细节版：第二章-06-[了解]集群部署常见问题-2_哔哩哔哩_bilibili

常见出错点：权限未正确设置、配置文件错误、未格式化。要细心，查日志看出错原因。

2.4.2 云服务器中的部署：阿里云、Ucloud两种，操作步骤一样。

第二章-07-[可选]云服务器上部署hdfs集群_哔哩哔哩_bilibili

1. 云服务器如何保存服务器状态、或者说出错了怎么快速恢复状态呢？

• 云服务器快照服务（可能收费，不推荐）
• 打包配置好的Hadoop安装包留存（推荐）

2.5?HDFS的Shell操作

2.5.1 HDFS相关进程的启停管理命令

1. Hadoop HDFS组件内置了HDFS集群的一键启停脚本。

• $HADOOP_HOME/sbin/ start-dfs.sh?，一键启动HDF
• $HADOOP_HOME/sbin/stop-dfs.sh ，一键关闭HD

2.?除了一键启停外，也可以单独控制进程的启停。

• $HADOOP_HOME/sbin/hadoop-daemon.sh，此脚本可以单独控制所在机器(node1 or node2)的进程的启停；
• $HADOOP_HOME/bin/hdfs，此程序也可以用以单独控制所在机器的进程的启停

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

2.5.2 HDFS文件系统的基础操作命令

1. ?HDFS作为分布式存储的文件系统，有其对数据的路径表达方式。
? ? HDFS同Linux系统一样，均是以/作为根目录的组织形式,例如：
????????Linux: ? ? ? ? /usr/local/hello.txt，如路径：file:///usr/local/hello.txt
?? ? ? ?HDFS:????????/usr/local/hello.txt，如路径：hdfs://node1:8020/usr/local/hello.txt
那么怎么区分命令操作的事Linux还是HDFS？ 可以通过协议头file:// 或者hdfs://namenode:port（可以省略，需要提供LinuX路径的参数，会自动识别为file://，需要提供HDFS路径的也会自动识别）。

2.?关于HDFS文件系统的操作命令，Hadoop提供了2套命令体系：用法完全一致
???????????????? 老版本：hadoop?fs [generic options]
????????? 新版本：hdfs?dfs [generic options]

# 1. 创建文件夹
# hadoop fs -mkdir [-p] <path> ...
# hdfs dfs -mkdir [-p] <path> ...
hadoop fs -mkdir -p /itcast/bigdata  #创建在hadoop文件系统里
hdfs dfs -ls /            #查看hadoop文件系统根目录下的文件：有itcast文件夹
hdfs dfs -ls /itcast      #查看hadoop文件系统根目录下的文件：有bigdata文件夹
# 2. 查看置顶目录下内容
# hdfs dfs -ls [-h] [-R] <path> ...  

# 3. 从本地Linux向HDFS上传文件，到HDFS指定目录下
# pdfs dfs -put [-f] [-p] <localsrc> ... <dst> 
# -f:强制覆盖目标文件；-p:保留文件信息、访问和修改时间、所有权和权限； localscr:Linux本地的文件； dst:上传到HDFS的位置
vim test.txt #在Linux中新建一个文件
vim test2.txt
hadoop fs -put file:///home/hadoop/test.txt hdfs://node1:8020/  #上传到hdfs文件体统的根目录
hdfs dfs -put /home/hadoop/test2.txt /

# 4.查看HDFS文件内容
# hdfs dfs -cat <src> ... 
hadoop fs -cat /test.txt
# hdfs dfs -cat <src> | more 
# 读取大文件时，防止可以使用 管道符配合more 进行翻页查看。
hadoop fs -cat /test2.txt ｜ more

# 5.从HDFS中向Linux中下载文件
# hdfs dfs -get [-f] [-p] <src> ... <localdst>
hdfs dfs -get /test.txt .  #.代表Linux的当前目录，将test文件下载到Linux当前目录
hdfs dfs -get -f /test.txt .

# 6. 拷贝HDFS文件/改名
# hdfs dfs -cp [-f] <src> ... <dst> #两个路径都是HDFS文件系统中的路径
# <src>是被复制的路径。<dst>是目标路径
hdfs dfs -cp /test.txt /home/
hdfs dfs -cp /test.txt /home/abc.txt

# 7. 追加数据到HDFS文件中:HDFS文件系统中文件的修改仅支持 删除文件 和 追加内容 两种，不能修改其中的内容。
vim append.txt  #在Linux本地创建文件append.txt
hadoop fs -appendToFile append.txt /test.txt  #将本地的文件追加到HDFS文件系统的test文件末尾
 
# 8. HDFS数据移动操作/重命名
hadoop fs -mv /test.txt /itheima/  #将test文件移动到itheima文件夹下
hadoop fs -mv /test2.txt /itheima/abc.txt. #完成移动文件的同时对文件进行改名

# 9. HDFS数据删除操作:删除文件-rm or文件夹-rm -r
# hadoop fs -rm -r [-skipTrash] URI [URI ...]
# -skipTrash 跳过回收站，直接删除;回收站默认是关闭的，如果要开启需要在core-site.xml内配置（在那个机器里配置，那个机器即时生效，不需要重启集群）
hadoop fs -rm -r /home
hadoop fs -rm /test.txt

?命令官方指导文档
Hadoop文档

除了写命令，也可以在HDFS WEBUI网页端上进行操作（有些操作没有权限，但是可以授予权限，进行以下配置）。

mkdir	创建文件夹
ls、cat	列出内容、查看内容
cp、mv、rm	复制、移动、删除
put、get	上传、下载
appendToFile	向文件追加内容

Permission denied：遇到这种体型，其实是因为在HDFS之上没有权限。在整个HDFS文件系统中，也是有文件的权限控制的，它的逻辑和Linux文件系统完全一致。既然有权限控制，那么就存在超级用户，HDFS与Linux之间的不同之处在于超级用户的不同，Linux的超级用户是root，HDFS文件系统的超级用户是（也就是课程的hadoop用户）。因此，如果在遇到这个问题，大概率是因为操作HDFS时没有以Hadoop用户执行，而是以root用户执行。

# 在HDFS中，可以使用和Linux一样的授权语句，即：chown和chmod
# 修改所属用户和组：
hadoop fs -chown [-R] root:root /xxx.txt
hdfs dfs -chown [-R] root:root /xxx.txt
hdfs dfs -chown root:supergroup /test.txt
# 修改权限
hadoop fs -chmod [-R] 777 /xxx.txt
hdfs dfs -chmod [-R] 777 /xxx.txt
hdfs dfs -chmod -R 777 /data
# -R:对子目录也会生效，将文件xxx.txt的权限改成777

# 课后练习
hadoop fs -mkdir -p /itcast/itheima
hadoop fs -put /etc/hosts /itcast/itheima/
hadoop fs -ls /itcast/itheima
hadoop fs -cat /itcast/itheima/hosts

vim append.txt  #(要追加的内容：itheima)
hadoop fs -appendToFile append.txt /itcast/itheima/hosts
hadoop fs -cat /itcast/itheima/hosts
hadoop fs -get /itcast/itheima/hosts .

hadoop fs -mkdir /itcast/bigdata
hadoop fs -cp /itcast/itheima/hosts /itcast/bigdata/
hadoop fs -ls /itcast/bigdata
hadoop fs -cat /itcast/bigdata/hosts

hadoop fs -mv /itcast/itheima/hosts /itcast/itheima/myhost
hodoop fs -ls /itcast/itheima/
hadoop fs -rm -r /itcast

2.5.3 HDFS客户端 -?Jetbrians产品插件

了解在JetBrains产品中（IntelliJ IDEA、PyCharm、DataGrip）安装使用Big Data Tools插件，去对HDFS的文件系统进行相关的操作。以DataGrip为例。
设置 -> Plugins（插件） -> Marketplace（市场）-> 搜索Big Data Tools，点击Install安装即可。完整配置过程见视频：windows

第二章-11-[实操]HDFS客户端-Big Data Tools插件_哔哩哔哩_bilibili

2.5.4 HDFS客户端-NFS

目标：使用NFS网关功能将HDFS文件系统挂载到我们windows本地系统中。

将HDFS挂载到类似于C盘D盘的位置。

配置NFS：
1. core-site.xml，新增配置项；hdfs-site.xml，新增配置项；
2.?开启portmap、nfs3两个进程。

课程设置的允许192.168.88.1以rw链接(这个IP是电脑虚拟网卡VMnet8的IP，连接虚拟机就走这个网卡)?

cd /export/server/hadoop/etc/hadoop/
vim core-site.xml
# 配置相应内容
vim hdfs-site.xml

配置好这些功能之后，启用NFS功能：

# 1.将配置好的core-site.xml和hdfs-site.xml分发到node2和node3
scp core-site.xml hdfs-site.xml node2:'pwd'/
scp core-site.xml hdfs-site.xml node3:'pwd'/
# 2.重启HadoopHDFS集群（先stop-dfs.sh，后start-afs.sh)
stop-dfs.sh

# 3.停止系统的NFS相关进程(hadoop没有权限，需要退回root用户)
#    a.systemctl stop nfs;systemctl disable nfs关闭系统nfs并关闭其开机自启
#    b.yum remove-y rpcbind卸载系统自带rpcbind
exit
systemctl stop nfs
systemctl disable nfs
yum remove-y rpcbind（我们需要用hdfs系统自带的portmap）
# 4.启动portmap(HDFS自带的rpcbind功能）（必须以root执行)：
hdfs--daemon start portmap
# 5.启动nfs（HDFS自带的nfs功能）（必须以hadoop用户执行）：
hdfs--daemon start nfs3

检查NFS是否正常：
?1. 在node-2和node-3中执行：rpcinfo -p node1，正常输出有mountd和nfs出现。
2. 执行 showmount -e node1，可以看到 /192.168.88.1

在windows挂载HDFS文件系统
第二章-12-[可选]HDFS客户端-NFS挂载到Windows本地_哔哩哔哩_bilibili

2.6 HDFS的存储原理?

2.6.1 存储原理??

目标：了解数据是如何在HDFS中进行存储的；了解数据在HDFS中是如何保证安全的
????????1. 设定统一的管理单位——block块：是HDFS最小存储单位，每个256MB（可以修改）。
????????2. 通过多个副本（备份）解决，每个副本都复制到其他服务器1份，安全性极大提高；

总结：数据存入HDFS是分布式存储，即每一个服务器节点，负责数据的一部分；数据在HDFS上是划分为一个个Block块进行存储；在HDFS上，数据Block块都可以有多个副本，副本也会分发到其他服务器上，提高数据安全性。

2.6.2 fsck命令

目标：了解如何配置HDFS数据块的副本数量；掌握fsck命令查看文件系统状态及验证文件的副本数量
方法1: ?默认是3副本数

方法2: ?除了配置文件外，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。只针对本次生效
方法3: ?对于已经存在HDFS的文件，修改dis.replication屆性不会生效，如果要修政已存在文件可以通过命令

使用fsck命令去检查文件的副本数、blocks数、位置：

hadoop fs -D dfs.replication=2 -put test.txt /tmp/  #方法2
hadoop fs -setrep [-R] 2 path    #方法3
# hdfs fsck path [-files [-blocks [-locations]]]   #检查副本数
hdfs fsck /test.txt -files -blocks -locations

2.6.3 NameNode元数据

目标：掌握NameNode是如何管理Block块的
????????edits文件：是一个流水账文件，记录了hdfs中的每一次操作，以及本次操作影响的文件其对应的block
?? ? ? ?fsimage文件：將全部的edits文件，合并为最终结果，即可得到一个FSimage文件

NameNode基于edits和FSimage的配合，完成整个文件系统文件的管理(维护整个文件系统元数据)

• edits记录每次操作
• fsimage，记录某一个时间节点的当前文件系统全部文件的状态和信息

????????1.每次对HDFS的操作，均被edits文件记录
????????2.edits达到大小上线后，开启新的edits记录
????????3. 定期进行edits的合并操作（元数据合并参数可以修改）
? ? ? ? ? ? ? ? a.?如当前没有fsimage文件，将全部edits合并为第一个fsimase
? ? ? ? ? ? ? ? b.?如当前己存在fsimage文件，将全部edits和己存在的fsimage进行合并，形成新的fsimage

??：NameNode是写edits文件，合并操作是又SecondaryNameNode做的，合并完成再提供给NameNode文件使用。

???????2.6.4?HDFS数据的读写流程

目标：理解客户端在HDFS上读、写数据的流程
写入流程：

1. NameNode不接收数据，不负责数据写入，只负责元数据记录和权限审批
2.?客户端直接向1台DataNode写数据。这个DataNode一般是离客户端最近（网络距离）的那个
3. 数据块副本的复制工作，由DataNode之间自行完成（构成一个PipLine，按顺序复制分发，如图1给2，2给3和4）

读取流程：
???????