hadoop 大数据框架

1、hadoop 大数据框架

Hadoop 是一个应用Java语言实现的软件框架，廉价的计算机组成的集群运行海量数据的分布式并行计算框架，支持上千个节点和PB级别的数据。Hadoop是项目的总称

分布式：

大数据： 指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。

1024MB=1GB
1024GB=1TB
1024TB=1PB
1024PB=1EB

集群：很多台机器

hadoop集群(每台计算机都处理一部分数据)
Hadoop --- 衍生出整个生态体系 ---- 整个体系的基石

大数据框架：
离线部分：
hadoop
hbase : 非关系型数据库

主要学习hive
hive： 类sql语句，数据仓库，用于分析

协作框架：
zookeeper:
sqoop:
flume
oozie

实时部分：
spark

2、hadoop四大模块

Hadoop项目主要包括以下四个模块
◆  Hadoop Common: 
          为其他Hadoop模块提供基础设施
◆  Hadoop HDFS:
           一个高可靠、高吞吐量的分布式文件系统
◆  Hadoop MapReduce:
           一个分布式的离线并行计算框架
◆  Hadoop YARN:
          一个新的MapReduce框架，任务调度与资源管理

hadoop 四大模块：
Hadoop Common：支持其他Hadoop模块的通用实用程序。

Hadoop分布式文件系统（HDFS）：
当数据集的大小超过一台单独物理机的存储能力时，有必要对数据进行分区并存储到若干台计算机上。管理网络中跨计算机存储的文件系统称为分布式文件系统 
解决存储问题：存储、
每台机器都提供本地计算和存

两个服务：
namenode: 文件系统的访问入口 计算文件切分多少块，每个块放在哪个DataNode节点上，监听DataNode节点，让每个块始终保持3个副本
datanode:存储数据，向namenode发送心跳信号

冗余 ---- 备份
1个数据块  block  副本 
每一个块默认3个副本：
副本存放策略：
第一个副本放在某一个机架的某一个DataNode节点上
第二个副本放在同一个机架的另一个DataNode节点上
第三个副本放在另一个机架的某一个DataNode节点上

Hadoop 三种模式：

完全分布式：真正的集群 
伪分布式：测试和学习  模拟hdfs
单机模式：测试和学习  磁盘

Hadoop分布式文件系统（HDFS）操作

hadoop 安装路径：/opt/modules/hadoop-2.7.3
bin   对hdfs的操作命令
sbin  跟服务有关的命令
etc    配置文件
lib    依赖库
cd /opt/modules/hadoop-2.7.3
启动
sbin/hadoop-daemon.sh start namenode
sbin/hadoop-daemon.sh start datanode一定要在
网络映射：#vi /etc/hosts
配置好ip


 



 

NameNode是主节点，存储文件的元数据如文件名，文件目录结构，文件属性（生成时间,副本数,文件权限），以及每个文件的块列表和块所在DataNode等。
 DataNode 在本地文件系统存储文件块数据，以及块数据的校验和。

http://192.168.80.71:50070 hdfs web 界面

http://192.168.80.71:50070       hdfs web 界面

bin/hdfs dfs 

bin/hdfs dfs -ls /  查看hdfs根目录下文件
bin/hdfs dfs -mkdir /test29   在hdfs上创建目录
bin/hdfs dfs -put a.txt /test29  上传文件
bin/hdfs dfs -cat /test29/a.txt  查看文件内容
bin/hdfs dfs -rm /test29/a.txt  删除文件

优点： 运行海量数据，容错，扩展性
缺点： 不支持多用户同时写入，不支持修改文件，高延迟

Hadoop MapReduce

◆  将计算过程分为两个阶段：Map和Reduce
      Map阶段并行处理输入数据
      Reduce阶段对Map结果进行汇总

◆  Shuffle链接Map和Reduce两个阶段
      Map Task将数据写到本地磁盘
      Reduce Task从每个Map Task上读取一份数据

◆  仅适合离线批处理
      具有很好的容错性和扩展性
      适合简单的批处理任务

◆  缺点明显
      启动开销大，过多使用磁盘导致效率低下等

Hadoop YARN：用于作业调度和群集资源管理的框架。
Hadoop MapReduce：基于YARN的系统，用于并行处理大数据集

yarn: 
resourcemanager:负责管理整个集群上的计算资源（cpu,内存，磁盘）
nodemanager:负责管理自己所在节点的计算资源
 

 

启动：

sbin/yarn-daemon.sh start resourcemanager
sbin/yarn-daemon.sh start nodemanager

用jps查看

 http://192.168.108.72:8088

MapReduce:
一个MapReduce程序可以被称为 application 或者 job

input--> map ----> shuffle-----> reduce -----> output

官方案例：单词统计案例   wordcount 
jar包   ----- Java 

计算的是hdfs分布式文件系统上的数据：

map的个数是由文件的大小决定的，map---- 128M 
128M   1
128M   2
128M   3
50M    4
reduce 默认是1个  汇总 规约 合并

bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.3.jar wordcount /test29/test.txt /output29

必须要有map阶段   可以没有reduce阶段

mapreduce 编程模型  Java 

spss python linux spss

111