[[392380]]

大數據常用技術詞匯

未來的競爭，是數據之爭。大數據本質上是Hadoop的生態群，下面是常用技術詞匯

• ETL：代表提取、轉換和加載。
• Hadoop：分布式系統基礎架構
• HDFS：分布式文件系統
• HBase：大數據的NoSQL數據庫
• Hive：數據倉庫工具
• DAG ：第二代計算引擎
• Spark：第三代數據處理引擎
• Flink：第四代數據處理引擎
• MapReduce：最初的并行計算框架
• Sqoop：nosql數據庫和傳統數據庫之間傳輸數據的工具
• Hive：數據倉庫工具
• Storm：分布式實時計算系統
• Flume：分布式的海量日志采集系統。
• Kafka：分布式發布訂閱消息系統
• ElasticSearch：分布式搜索引擎
• Kibana：ElasticSearch大數據的圖形化展示工具
• Logstash：Elasticsearch 的傳送帶
• Neo4j：nosql圖形數據庫
• Oozie：工作流調度系統 -YARN：作業調度和集群資源管理的框架

Hadoop集群

大數據是基于集群的分布式系統。所謂集群是指一組獨立的計算機系統構成的一多處理器系統，它們之間通過網絡實現進程間的通信，讓若干臺計算機聯合起來工作(服務)，可以是并行的，也可以是做備份。

• 分布式 ：分布式的主要工作是分解任務，將職能拆解，多個人在一起做不同的事
• 集群：集群主要是將同一個業務，部署在多個服務器上 ，多個人在一起做同樣的事

Hadoop介紹

Hadoop是Apache旗下的一個用Java語言實現開源軟件框架，是一個存儲和計算大規模數據的軟件平臺。

Hadoop是Apache Lucene創始人 Doug Cutting 創建的，最早起源一個Nutch項目。

• 2003年Google發表了一篇GFS論文，為大規模數據存儲提供了可行的解決方案。
• 2004年 Google發表論文MapReduce系統，為大規模數據計算提供可行的解決方案。Nutch的開發人員以谷歌的論文為基礎，完成了相應的開源實現HDFS和MAPREDUCE，并從Nutch中剝離成為獨立項目Hadoop。
• 到2008年1月，Hadoop成為Apache頂級項目，迎來了它的快速發展期。
• 如今，國內外的互聯網巨頭基本都在使用Hadoop框架作為大數據解決方案，越來越多的企業將Hadoop 技術作為進入大數據領域的必備技術。

目前，Hadoop發行版本分為開源社區版和商業版。

• 開源社區版:指由Apache軟件基金會維護的版本，是官方維護的版本體系,版本豐富，兼容性稍差。
• 商業版:指由第三方商業公司在社區版Hadoop基礎上進行了一些修改、整合以及各個服務組件兼容性測試而發行的版本，比較著名的有cloudera的CDH等。

開源社區版本：一般使用2.x版本系列，3.x版本系列:該版本是最新版本，但是還不太穩定。

廢話不說了，開始今天的主題：使用三臺Centos7系統搭建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，由于換了電腦，考慮到電腦安裝了很多前其他的東西，這次是使用二臺Centos7系統搭建Hadoop完全分布式集群，雖然Centos更新到8版本，但是很多大數據學習都是選擇基于Centos7系統搭建。這里不搭建一臺的偽分布式，搭建的版本是目前Haddop3.X穩定的Hadoop-3.1.4。

去年對應的文章教程：

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

集群搭建前的準備

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

在集群搭建前的準備，需要在VMwear Workstation搭建一個Centos7系統，關于搭建過程，由于簡單，這里直接省略。

在通過物理機連接虛擬機的時候，需要有VMnet1和VMnet8兩個虛擬網卡。

如果安裝Vmware沒有VMnet1和VMnet8，據我以前踩的坑，網上說安裝cclear軟件包進行注冊表的刪除，那是不斷刪除下載Vmware，并沒有解決問題，最終采用系統刷機的辦法，得以解決。

因此，搭建虛擬機的前提是，本地主機必須有虛擬本地環境，不然你怎么搞都是白搭。

 

在這里插入圖片描述

在此，就可以實現本地ping通虛擬機的IP，實現本地和虛擬機的信息連接。

這樣，就可以通過xshell對centos7進行遠程的連接。

在第一次使用Centos7，需要對創建的用戶提供管理員的權限，因此需要使用root賬號進行相關的修改，防止出現node01 不在 sudoers 文件中。此事將被報告。的報錯。

使 用 ：wq! 保存退出、

如果遠程連接失敗，應該沒有開發端口和IP地址。需要設置sudo vim /etc/ssh/sshd_config

設置靜態ip

設置靜態ip，通過ifconfig

重啟網卡

配置阿里云yum源

一開始下載速度很慢，需要配置阿里云yum源，下面來源官方文檔，使用的是root賬號。

#配置阿里云yum源 
yum install -y wget 
cd  /etc/yum.repos.d/ 
mv  CentOS-Base.repo CentOS-Base.repo.bak 
wget  http://mirrors.aliyun.com/repo/Centos-7.repo 
mv Centos-7.repo CentOS-Base.repo 
#配置epel源 
wget https://mirrors.aliyun.com/repo/epel-7.repo 
#清除緩存并更新 
yum clean all 
yum makecache 
yum update 

安裝JDK

由于 hadoop 框架的啟動是依賴 java 環境，因此需要準備 jdk 環境。目前，OpenJDK 和 Oracle Java 是最主要的兩個 Java 實現。卸載Linux系統原有jdkOpenJDK，然后安裝Oracle Java。

具體博客：https://blog.csdn.net/weixin_44510615/article/details/104425843

克隆一個虛擬機

并通過設置靜態分別為192.168.147.129，并將三臺Centos7主機名分別設置node01和node02，區別centos7機器。

之前創建用戶名使用node01，發現自己搞錯了，于是把兩個主機的用戶名都設置為hadoop。

關于Centos7修改用戶名：[root@node01 ~]# usermod -l hadoop -d /home/hadoop -m node01。

自此我們有兩臺Centos電腦，在hadoop集群不使用root賬號。

xshell均可連接成功。

 

配置ssh免密碼登錄

[root@node01 ~]# vim /etc/sysconfig/network 
######### 
HOSTNAME=node01 
[root@node01 ~]# vim /etc/hosts 
######### 
192.168.147.128 node01 
192.168.147.129 node02 
 
[root@node01 ~]# systemctl stop firewalld 
[root@node01 ~]# systemctl disable firewalld.service 
 
[root@node02 ~]# vim /etc/sysconfig/network 
######### 
HOSTNAME=node02 
[root@node02 ~]# vim /etc/hosts 
######### 
192.168.147.128 node01 
192.168.147.129 node02 
 
[root@node02 ~]# systemctl stop firewalld 
[root@node02 ~]# systemctl disable firewalld.service 

實現hadoop賬號自由在node01和node02切換，具體查看我的博客：https://blog.csdn.net/weixin_44510615/article/details/104528001?

下載hadoop下載鏈接：https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-3.1.4/hadoop-3.1.4.tar.gz

[hadoop@node01 ~]$ ls 
hadoop-3.1.4.tar.gz  module  wget-log  公共  模板  視頻  圖片  文檔  下載  音樂  桌面 
[hadoop@node01 ~]$ mkdir -p  module/hadoop 
[hadoop@node01 ~]$ tar -zxvf hadoop-3.1.4.tar.gz -C module/hadoop/ 
[hadoop@node01 ~]$ cd module/hadoop/hadoop-3.1.4/ 
[hadoop@node01 hadoop-3.1.4]$ sudo mkdir -p data/tmp 
[hadoop@node01 hadoop-3.1.4]$ ls 
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/分布式模式時，需要修改“hadoop/etc/hadoop”目錄下的配置文件，這里僅設置正常啟動所必須的設置項，包括workers、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml共5個文件，更多設置項可查看官方說明。

修改文件hadoop-env.sh

[hadoop@node01 hadoop]# vim hadoop-env.sh  
############ 
export  JAVA_HOME=/usr/java/jdk1.8.0_281/ 
 
[hadoop@node01 hadoop]# vim yarn-env.sh 
############ 
export JAVA_HOME=/usr/java/jdk1.8.0_231 

修改文件workers

在Master節點的workers文件中指定Slave節點，也就是node02

[hadoop@node01 hadoop]$ vim workers  
[hadoop@node01 hadoop]$ cat workers  
node02 

修改文件core-site.xml

請把core-site.xml文件修改為如下內容：

修改文件hdfs-site.xml

請把hdfs-site.xml文件修改為如下內容：

對于Hadoop的分布式文件系統HDFS而言，一般都是采用冗余存儲，冗余因子通常為3，也就是說，一份數據保存三份副本。但是，本教程只有一個Slave節點作為數據節點，即集群中只有一個數據節點，數據只能保存一份，所以 ，dfs.replication的值還是設置為 1。

修改文件mapred-site.xml

請把mapred-site.xml文件修改為如下內容：

[hadoop@node01 hadoop]$ cat mapred-site.xml  
<configuration> 
        <property> 
                <name>mapreduce.framework.name</name> 
                <value>yarn</value> 
        </property> 
</configuration> 

修改文件 yarn-site.xml

請把yarn-site.xml文件修改為如下內容：

配置Hadoop環境變量

在etc/profile增加hadoop路徑：

初始化HDFS

初始化HDFS，執行 namenode 初始化命令：

hdfs namenode -format 

可能出現創建文件夾失敗的問題，這個權限問題，使用 root 賬號使用命令sudo chmod -R a+w /絕對路徑。初始化HDFS失敗都要把之前創建的文件夾給刪除。

啟動集群

直接執行start-all.sh，啟動 Hadoop。此時 node02上的相關服務也會被啟動：

在每臺服務器上使用 jps 命令查看服務進程，

或直接進入 Web-UI 界面進行查看，端口為 9870。可以看到此時有一個可用的 Datanode：

接著可以查看 Yarn 的情況，端口號為 8088 ：

至此，Hadoop分布式集群搭建成功。