一、Hadoop概述 1.1Hadoop是什么 Hadoop是一个由Apache基金会所开发的分布式系统基础架构。 主要解决，海量数据的存储和海量数据的分析计算问题。 广义上来说，Hadoop通常是指一个更广泛的概念——Hadoop生态圈。 Google是Hadoop的思想之源（Google在大数据方面的三篇论文，GFS —>HDFS， Map-Reduce —>MR， BigTable —>Hbase） Hadoop 三大发行版本：Apache、Cloudera、Hortonworks。 1.2 Hadoop的优势 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元 素或存储出现故障，也不会导致数据的丢失。 高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。 高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处 理速度。 高容错性：能够自动将失败的任务重新分配。 1.3 Hadoop组成（面试重点） 在 Hadoop1.x 时 代：Hadoop 由HDFS、MapReduce组成，MapReduce同 时处理业务逻辑运算和资 源的调度，耦合性较大 在Hadoop2.x时 代，增 加 了Yarn，Yarn只负责 资 源 的 调 度 ， MapReduce 只负责运算

Hadoop3.x在组成上没 有变化。

1.3.1 HDFS 架构概述

Hadoop Distributed File System，简称 HDFS，是一个分布式文件系统。

NameNode（nn）：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的DataNode等。 DataNode(dn)：在本地文件系统存储文件块数据，以及块数据的校验和。 Secondary NameNode(2nn)：每隔一段时间对NameNode元数据备份。 1.3.2 YARN 架构概述

Yet Another Resource Negotiator 简称 YARN ，另一种资源协调者，是 Hadoop 的资源管理器。

YARN架构概述

ResourceManager（RM）：整个集群资源（内存、CPU等）的老大 NodeManager（N M）：单个节点服务器资源老大 ApplicationMaster（AM）：单个任务运行的老大 Container：容器，相当一台独立的服务器，里面封装了 任务运行所需要的资源，如内存、CPU、磁盘、网络等。

说明：客户端可以有多个，集群上可以运行多个ApplicationMaster，每个NodeManager上可以有多个Container

1.3.3 MapReduce 架构概述

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

MapReduce架构概述

待分析数据10T => map阶段 => (集群) => reduce阶段 ==> 汇总处理数据

HDFS、YARN、MapReduce 三者关系

1.4 大数据技术生态体系 Sqoop：Sqoop 是一款开源的工具，主要用于在 Hadoop、Hive 与传统的数据库（MySQL） 间进行数据的传递，可以将一个关系型数据库（例如 ：MySQL，Oracle 等）中的数据导进 到 Hadoop 的 HDFS 中，也可以将 HDFS 的数据导进到关系型数据库中。 Flume：Flume 是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统， Flume 支持在日志系统中定制各类数据发送方，用于收集数据； Kafka：Kafka 是一种高吞吐量的分布式发布订阅消息系统； Spark：Spark 是当前最流行的开源大数据内存计算框架。可以基于 Hadoop 上存储的大数 据进行计算。 Flink：Flink 是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。 Oozie：Oozie 是一个管理 Hadoop 作业（job）的工作流程调度管理系统。 Hbase：Hbase 是一个分布式的、面向列的开源数据库。Hbase 不同于一般的关系数据库， 它是一个适合于非结构化数据存储的数据库。 Hive：Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张 数据库表，并提供简单的 SQL 查询功能，可以将 SQL 语句转换为 MapReduce 任务进行运 行。其优点是学习成本低，可以通过类 SQL 语句快速实现简单的 MapReduce 统计，不必开 发专门的 MapReduce 应用，十分适合数据仓库的统计分析。 ZooKeeper：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、 名字服务、分布式同步、组服务等 1.5 推荐系统框架图 二、Hadoop安装 2.1 准备

克隆三台虚拟机：hadoop102 hadoop103 hadoop104，

修改克隆虚拟机的静态 IP：vim /etc/sysconfig/network-scripts/ifcfgens33 修改主机名称 vim /etc/hostname 配置 Linux 克隆机主机名称映射 hosts 文件：vim /etc/hosts reboot 安装 JDK 前，一定确保提前删除了虚拟机自带的 JDK 解压、配置 JDK 环境变量，测试：java -version Hadoop 下载地址：https://archive.apache.org/dist/hadoop/common/hadoop-3.1.3/ 解压、将 Hadoop 添加到环境变量 2.2 Hadoop 重要目录 bin 目录：存放对 Hadoop 相关服务（hdfs，yarn，mapred）进行操作的脚本 etc 目录：Hadoop 的配置文件目录，存放 Hadoop 的配置文件 lib 目录：存放 Hadoop 的本地库（对数据进行压缩解压缩功能） sbin 目录：存放启动或停止 Hadoop 相关服务的脚本 share 目录：存放 Hadoop 的依赖 jar 包、文档、和案例 2.3 Hadoop运行模式

Hadoop 运行模式包括：本地模式、伪分布式模式以及完全分布式模式

本地模式：单机运行，只是用来演示一下案例。生产环境不用。 伪分布式模式：也是单机运行，但是具备 Hadoop 集群的所有功能，一台服务器模 拟一个分布式的环境。个别缺钱的公司用来测试，生产环境不用。 完全分布式模式：多台服务器组成分布式环境。生产环境使用。

完全分布式运行模式（开发重点） 分析：1）准备 3 台客户机（关闭防火墙、静态 IP、主机名称） 2）安装 JDK 3）配置环境变量 4）安装 Hadoop 5）配置环境变量 6）配置集群 7）单点启动 8）配置 ssh 9）群起并测试集群

编写集群分发脚本 xsync

scp安全拷贝语法:

scp -r $pdir/$fname $user@$host:$pdir/$fname

命令 递归 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称

rsync 远程同步工具语法：

rsync -av $pdir/$fname $user@$host:$pdir/$fname

命令 选项参数 要拷贝的文件路径/名称 目的地用户@主机:目的地路径/名称

rsync 和 scp 区别：用 rsync 做文件的复制要比 scp 的速度快，rsync 只对差异文件做更 新。scp 是把所有文件都复制过去。

rsync 主要用于备份和镜像。具有速度快、避免复制相同内容和支持符号链接的优点。

SSH 无密登录配置

命令：ssh-keygen -t rsa

然后敲（三个回车），就会生成两个文件 id_rsa（私钥）、id_rsa.pub（公钥）

将公钥拷贝到要免密登录的目标机器上：ssh-copy-id hadoop102

2.4 集群安装

注意

NameNode 和 SecondaryNameNode 不要安装在同一台服务器 ResourceManager 也很消耗内存，不要和 NameNode、SecondaryNameNode 配置在 同一台机器上。

Hadoop 配置文件分两类：默认配置文件和自定义配置文件，只有用户想修改某一默认 配置值时，才需要修改自定义配置文件，更改相应属性值

自定义配置文件：core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml 四个配置文件存放在 $HADOOP_HOME/etc/hadoop 这个路径上，用户可以根据项目需求重新进行修改配置

命令详见：
https://blog.csdn.net/qq_44779847/article/details/116500272

常用端口号说明