第一章 Hadoop大数据开发环境

• Hadoop概述

• 在VirtualBox上安装虚拟机

• Hadoop安装前的准备工作

• 第一次作业

  • 简述大数据包括的主要内容

    • 大数据技术指用于处理大规模、高速增长、多样化数据的一系列工具和技术。

    • 包括数据采集与存储、数据处理与分析、数据计算、数据可视化、数据安全、知识图谱、数据挖掘等方面。

    • 帮助组织从海量数据中获取有用数据。

  • 简述大数据的基本特征

    • 巨量性

      • 随着信息技术的高速发展，数据爆发性增长。

    • 多样性

      • 数据类型繁多。数据分为结构化数据、半结构化数据和非结构化数据。

    • 高速型

      • 处理速度快。

    • 准确性

    • 价值密度低，商业价值高。

      • “大海捞金”

  • 简述Hadoop及其优势

    • Hadoop

      • 基于Java语言开发，具有很好的跨平台特性，可以部署在廉价的计算机集群中。

      • 核心是分布式文件系统（HDFS）和分布式并行计算模型（MapResuce）。

      • 是公认的行业大数据标准开源软件，在分布式环境下提供了海量数据的处理能力。

    • 优势

      • 高可靠性

        • 采用冗余副本机制，一旦发生故障，冗余机器可提供服务。

      • 高扩展性

        • 在计算机集群众数以千计的节点上分配数据并完成任务。

      • 高效性

        • Hadoop并行处理Data，在节点间动态移动数据，并保证节点动态负载均衡。

      • 低成本

        • 可以部署在廉价服务器集群上。

  • 简述Linux命令的功能

    • sudo

      • 以超级用户的权限执行命令

    • cd

      • 切换目录

    • mv

      • 移动或重命名文件

    • chown

      • 修改文件或目录的所有权和所属组

    • ls

      • 列出目录下的文件和子目录

    • mkdir

      • 创建新文件夹

    • cp

      • 复制文件或目录

    • cat

      • 查看文件内容

    • gedit

      • 打开文本编辑器（比vim更方便）

    • whoami

      • 显示当前登录用户的用户名

    • df

      • 显示磁盘空间使用情况

    • ping

      • 向目标主机发送网络Data包并接受响应（测试网络连接）

  • 简述如何安装VitualBox虚拟机的设备增强功能及作用

    • 关于增强功能的介绍（部分功能需要额外配置）

      • 自动适配分辨率。

      • 开启了无缝模式：虚拟系统中打开的应用，将出现在原生系统的任务栏，可以在原生系统中使用。

      • 增加粘贴板共享功能。

      • 增加共享文件夹功能。

      • 增加与主机之间拖拽文件功能。

• Hadoop的安装与配置

  • 单机模式

    • Hadoop 默认的运行模式为非分布式模式（即单机模式），Hadoop 解压后无须进行其他配置就可运行单机模式，非分布式表示单Java 进程。

    • Hadoop单机模式只在一台机器上运行，存储采用本地文件系统，而不是HDFS（分布式文件系统）。

    • 无须任何守护进程（daemon），所有的应用程序都在单个JVM（Java virtual machine，Java虚拟机）上执行。

    • 在单机模式下调试MapReduce 程序非常高效方便，这种模式适用于开发阶段。

  • 伪分布式模式

    • Hadoop可以在单个节点（一台机器）上以伪分布式模式运行。

    • 读取的是HDFS的文件。

    • 同一个节点既作为NameNode、又作为DataNode。守护进程都在同一台机器上运行，是相互独立的Java进程。

  • 分布式模式

    • 一个虚拟机作为Master （主）节点，另一个虚拟机作为Slave1（从）节点。由3个及以上节点构建分布式集群，也可以采用类似的方法完成安装部署。

    • Hadoop的守护进程运行在一个集群上。Hadoop的守护进程运行在由多台主机搭建的集群上，是真正的生产环境。

    • 在所有的主机上安装JDK和Hadoop，组成相互连通的网络。

• 第二次作业

  • 简述Hadoop三种运行模式及其区别。

  • 简述Hadoop集群安装配置的基本步骤。

    • （1）在Master 节点上创建hadoop用户、安装SSH、安装Java环境。

    • （2)在Master 节点上安装Hadoop，并完成配置。

    • （3)在Slavel节点上创建hadoop用户、安装SSH、安装Java环境。

    • （4)将Master 节点上的/usr/local/hadoop目录复制到Slave1节点上。

    • （5）在Master 节点上启动Hadoop。

  • 简述在Master节点上启动Hadoop集群的命令及其功能。启动成功后，可以用jps命令在Master节点上查看到哪些进程。

    • start-dfs.sh

      • 用于启动Hadoop分布式文件系统（HDFS）的各个组件，包括NameNode、DataNode等。

      • 在启动后，HDFS将会在集群中的各个节点上启动对应的服务，用于存储和管理数据。

    • start-yarn.sh

      • 该命令用于启动Hadoop的资源管理框架YARN，包括ResourceManager和NodeManager。

      • YARN负责集群资源的统一管理和作业调度，以及各个作业的执行。

    • mr-jobhistory-daemon.sh start historyserver

      • 该命令用于启动Hadoop的历史服务器（JobHistoryServer）。

      • 历史服务器负责记录和管理已完成作业的信息和日志，供用户查询和分析使用。

    • jps命令用于查看各个节点启动的进程。如果在Master节点上可以看到DataNode、NameNode、 ResourceManager、SecondaryNameNode、 JobHistoryServer 和NodeManager进程、就表示主节点进程启动成功

      • NameNode：HDFS的主节点，负责管理文件系统的命名空间和数据块映射信息。

      • DataNode：HDFS的数据节点，负责存储实际的数据块。

      • ResourceManager：YARN的资源管理器，负责集群资源的统一管理和作业调度。

      • SecondaryNameNode：HDFS的辅助节点，负责定期合并编辑日志以及检查点操作，用于提高NameNode的稳定性。

      • JobHistoryServer：历史服务器，负责记录和管理已完成作业的信息和日志。

      • NodeManager：YARN的节点管理器，负责每个节点上的资源管理和作业执行。