Hadoop快速入门技术汇总

传说中的hadoop，我终于来对着你唱"征服"了，好可爱的小象，！ J

总的来说，hadoop的思路比较简单(map-reduce)，就是将任务分开进行，最后汇总。但这个思路实现起来，比较复杂，但相对于几年前Intel等硬件公司提出的网格运算等方式，显得更加开放。

你难任你难，哥就是头铁！

Tip：实践应用是核心，本文概念为主，有些部分可能会有些晦涩，直接跳过就好（不是特别重要）。

提到列式(Column Family)数据库，就不得不提Google的BigTable，其开源版本就是我们熟知的HBASE。BigTable建立在谷歌的另两个系统GFS和Chubby之上，这三个系统和分布式计算编程模型MapReduce共同构成Google云计算的基础，Chubby解决主从自动切换的基础。接下来通过一个表格对比来引入Hadoop。

Google云计算Hadoop中的对应分布式文件系统GFSHDFS，负责数据物理存储分布式管理服务ChubbyZookeeper，负责管理服务器分布式计算框架MapReduceMapReduce，负责计算分布式数据库BigTableHBase，负责存取数据

Hadoop是有Apache Lucene的作者Boug Cutting开发的，其主体结构如下图所示。

HDFS（Hadoop File System）

NameNode:整个文件系统的大脑，提供整个系统的目录信息并管理各个数据服务器。

DataNode:分布式文件系统中每一个文件被切割为若干数据块，每个数据块存储在不同服务器，这些就是数据服务器。

Block:每个被切分的数据块就是一段文件内容，其是基本的存储单位，被称为数据块，典型大小为64MB。

Tip:由于硬件错误是常态，HDFS是很多台Server的集合，因而错误检测和恢复是核心功能；其以流式读为主，做批量操作，关注数据访问的高吞吐量。

HDFS采用 master/slave架构 ，一个HDFS集群由 一个NameNode和若干DataNode组成，中心服务器NameNode负责管理文件系统的namespace和客户端对文件的访问。DataNode一般一个节点一个，负责管理节点上附带的存储。在内部，一个文件被分成一个或多个block，这些block存储在DataNode集合中。NameNode和DataNode均可运行在廉价的linux机器上，HDFS由java语言开发，跨平台好，总体结构示意图如下所示。

复制：采用rack-aware策略改进数据可靠性和网络带宽的利用；NameNode决定每个DataNode的Rack id；大多数情况， replication因子是3 ，简单来说就是将一个副本放在本地机架节点，一个副本放在同一机架另一个节点，最后一个放在不同机架；在读取时，会选择最近的副本；NameNode启动时会进入SafeMode状态，该状态时，NameNode不会进行数据块的复制，这是会检测DataNode的副本数量，如果满足要求则认为安全。

NameNode用于存储元数据，任何修改均被Editlog记录，通讯协议基于TCP/IP，可以通过java API调用。

安装Hadoop，步骤如下所示

 1 1.安装jdk 2 2.安装hadoop集群情况(创建对应的hadoop应用，用于统一管理, useradd Hadoop, passwd hadoop)  3 node0: 192.168.181.136(NameNode/JobTracker) 4 node1: 192.168.181.132(DataNode/TaskTracker) 5 node2: 192.168.181.133(DataNode / TaskTracker) 6 node3: 192.168.181.134(DataNode / TaskTracker) 7 etc/hosts和hostname设置, 如192.168.181.136 node0, #hostname node0 8 下载hadoop-1.2.1.tar包，放在/home/hadoop，入后修改权限 9 #wget http://mirror.esocc.com/apache/hadoop/common/hadoop-1.2.1/hadoop-1.2.1.tar.gz10 #tar –zxvf Hadoop-1.2.1.tar11 #chown –R Hadoop:Hadoop Hadoop-1.2.112 配置ssh无密码登录，在hadoop启动后，NameNode通过SSH(sSecureShell)来启动和停止各个Datanode上的各个守护进程，这就需要节点间执行指令无需密码，因此需要配置SSH运用无密码公钥认证的方法。13 在本例中，node0为主节点，需要连接node1,2,3，需要确认每台机器安装ssh，并且datanode上的sshd服务启动。14 #ssh-keygen –t rsa, 默认保存在/home/Hadoop/.ssh, 然后将其复制到每个机器的/home/Hadoop/.ssh/authorized_keys，命令如下,4台机器都需要(显得比较复杂，到时看看docker或者.sh脚本文件)15 #su Hadoop16 #cd /home/Hadoop17 # ssh-keygen –t rsa18 #cd .ssh19 #cp id_rsa.pub authorized_keys20 #ssh localhost21 #ssh node022 在node0,1,2,3上交换公钥23 #scp authorized_keys [email protected]:/tmp, 复制keys到node1的/tmp目录24 #cat /tmp/authorized_keys>>/home/Hadoop/.ssh/authorized_keys25 在node0上有了所有公钥后，在复制node0上key到其他机器26 #scp /home/Hadoop/.ssh/authorized_key [email protected]:/home/hadoop/.ssh27 #chmod 644 authorized_keys，设置文件权限并测试28 将当前用户切换到hadoop，如果集群内机器环境一直，可以在一台机器配置好后，用scp命令将master上的hadoop复制到每一个slave29 修改hadoop-1.2.1/conf，配置hadoop-env.sh文件，添加JAVA_HOME路径30 配置conf/core-site.xml31 <configuration>32     <!-- NameNode的URI -->33     <property>34         <name>fs.default.name</name>35         <value>hdfs://node0:49000</value>36     </property>37     <!-- hadoop时默认临时路径，如果在新增节点时DataNode无法启动，就删除此文件 -->38     <property>39         <name>hadoop.tmp.dir</name>40         <value>/home/hadoop/hadoop-1.2.1/var</value>41     </property>42     <property>43         <name>dfs.support.append</name>44         <value>true</value>45     </property>46     <!-- 关闭权限检查，方便之后使用hadoop-eclipse插件访问hdfs -->47     <property>48         <name>dfs.permissions</name>49         <value>false</value>50     </property>51 </configuration>52 53 配置conf/mapred-site.xml54 <configuration>55     <!-- JobTracker的主机和端口 -->56     <property>57         <name>mapred.job.tracker</name>58         <value>/node0:49001</value>59     </property>60     <!-- 目录需要提前创建，注意使用chown -R来修改权限,为0777 -->61     <property>62         <name>mapred.local.dir</name>63         <value>/home/hadoop/hadoop-1.2.1/var</value>64     </property>65 </configuration>66 67 配置hdfs-site.xml68 <configuration>69     <!-- dir是NameNode持久存储名字空间和事务日志的本地文件系统路径,当该值是一个逗号分隔的目录列表是，nametable数据将会被复制到所有目录中做冗余备份 -->70     <property>71         <name>dfs.name.dir</name>72         <value>/home/hadoop/name1</value>73     </property>74     <property>75         <name>dfs.data.dir</name>76         <value>/home/hadoop/data1</value>77     </property>78     <!-- 数据备份数量 -->79     <property>80         <name>dfs.replication</name>81         <value>3</value>82     </property>83 </configuration>84 85 配置主从节点86 conf/masters: node087 conf/slaves: node1,2,388 启动与测试89 #hadoop namenode –format90 #/home/hadoop/xxx/bin/start-all.shView Code

在分布式模式下，hadoop配置文件中不能使用ip，必须使用主机名，安装hadoop必须在所有节点上使用相同配置和安装路径，并用相同用户启动。Hadoop中的HDFS和Map-Reduce可以分别启动，NameNode和JobTracker可以部署到不同节点，但小集群一般在一起，注意元数据安全即可。

Hdfs常见操作，请见下表所示，在实践中，一般都是通过API调用，了解下就好

命令诠释命令诠释#catHadoop fs –cat uri输出内容#chgrp修改文件所属组#chmod修改文件去哪先#chown修改文件拥有者#put #copyFromLocal从本地文件系统复制到目标系统#get #getmerge#copToLocal复制文件到本地系统 Hadoop fs –get hdfs://host:port/user/Hadoop/file local file#cp复制文件#du，#dus显示目录、文件大小#expunge清空回收站#ls, lsr显示文件信息#mv #movefromLocal移动文件#rm #rmr删除文件#mkdir创建目录#setrep改变文件副本系数#stat返回统计信息 hadoop fs –stat path其他#tail #touchz#test #text 

通过Java调用hdfs的示例如下所示，其实就是一个文件系统

 1    public void hdfsOpertion() throws Exception { 2         Configuration conf = new Configuration(); 3         FileSystem hdfs = FileSystem.get(conf); // 获得HDFS文件系统对象 4         FileSystem local = FileSystem.getLocal(conf);// 获得本地文件系统 5         Path inputDir = new Path("in_xxx"); 6         Path hdfsFile = new Path("fs_xxx"); 7  8         try { 9             FileStatus[] inputFiles = local.listStatus(inputDir);// 获得目录文件列表10             FSDataOutputStream out = hdfs.create(hdfsFile);// 生成hdfs输出流11             for (int i = 0; i < inputFiles.length; i++) {12                 System.out.println(inputFiles[i].getPath().getName());13                 FSDataInputStream in = local.open(inputFiles[i].getPath());// 打开本地输入流14                 byte[] buffer = new byte[256];15                 int bytesRead = 0;16                 while ((bytesRead = in.read(buffer)) > 0) {17                     out.write(buffer, 0, bytesRead);18                 }19                 in.close();20             }21             out.close();22         } catch (Exception ex) {23             ex.printStackTrace();24         }25     }View Code

• Map Reduce核心概念

Job: 用户的每一个计算请求就是一个作业

JobTracker:用户提交作业的服务器，同时它还负责各个作业任务的分配，管理所有的任务服务器。

Task:一个都需要拆分，交个多个服务器完成，拆分出来的执行单位就是任务

TaskTracker:就是任劳任怨的工人，负责执行具体的任务。

• Map Reduce计算模型

在hadoop中，每一个MapReduce任务被初始化为一个Job,每个Job又被分为两个阶段：Map阶段、Reduce阶段。这两个阶段分别用两个函数表示，Map函数接受一个<key,value>输入，然后产生一个<key,value>的中间输出；之后hadoop会将具有相同中间key的 value集合 传给Reduce函数，之后Reduce处理后得到<key,value>形式输出。

在Java中接入Hadoop的配置与代码如下所示。

 1 Maven: 2 <dependency> 3             <groupId>org.apache.hadoop</groupId> 4             <artifactId>hadoop-common</artifactId> 5             <version>${hadoop.version}</version> 6         </dependency> 7         <dependency> 8             <groupId>org.apache.hadoop</groupId> 9             <artifactId>hadoop-hdfs</artifactId>10             <version>${hadoop.version}</version>11         </dependency>12         <dependency>13             <groupId>org.apache.hadoop</groupId>14             <artifactId>hadoop-mapreduce-client-core</artifactId>15             <version>${hadoop.version}</version>16         </dependency>17 18 Code:19 public class WordCountNew extends Configured implements Tool {20     public static class Map extends Mapper<LongWritable, Text, Text, IntWritable> {21         private final static IntWritable one = new IntWritable(1);22         private Text word = new Text();23 24         @Override25         protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)26                 throws IOException, InterruptedException {27             String line = value.toString();28             // 字符串分解器29             StringTokenizer tokenizer = new StringTokenizer(line);30             while (tokenizer.hasMoreTokens()) {31                 word.set(tokenizer.nextToken());32                 context.write(word, one);33             }34         }35     }36  37     public static class Reduce extends Reducer<Text, IntWritable, Text, IntWritable> {38         @Override39         protected void reduce(Text key, Iterable<IntWritable> values,40                 Reducer<Text, IntWritable, Text, IntWritable>.Context context)41                 throws IOException, InterruptedException {42             int sum = 0;43             for (IntWritable val : values) {44                 sum += val.get();45             }46             context.write(key, new IntWritable(sum));47         }48     }49 50     @Override51     public int run(String[] arg0) throws Exception {52         Job job = new Job(getConf());53         job.setJarByClass(WordCountNew.class);54         job.setJobName("wordcount");55         job.setOutputKeyClass(Text.class);56         job.setOutputValueClass(IntWritable.class);57         job.setMapperClass(Map.class);58         job.setReducerClass(Reduce.class);59         job.setInputFormatClass(TextInputFormat.class);60         job.setOutputFormatClass(TextOutputFormat.class);61         FileInputFormat.setInputPaths(job, new Path("xxx01.txt"));62         FileOutputFormat.setOutputPath(job, new Path("xxx02.txt"));63         boolean success = job.waitForCompletion(true);64         return success ? 0 : 1;65     }View Code

MapReduce的数据流和控制流

zookeeper主要用来解决分布式应用中经常遇到的数据管理的问题，如 统一命名服务、状态同步服务、集群管理和分布式应用配置项 的管理， Zookeeper典型的应用场景( 配置文件的管理、集群管理、同步锁、Leader选举和队列管理等)。

Zookeeper配置安装的步骤如下所示

下载zookeeper包修改zoo.cfg配置文件initLimit=5 #Zookeeper中链接到Leader的Follower服务器初始化链接能忍耐的心跳间隔数:5*2000=10秒syncLimit=2 #请求应答的时间长度2*2000=4秒dataDir=/home/Hadoop/zookeeperserver.1=node1:2888:3888 #用于选举时服务器相互通信的端口server.2=node2:2888:3888server.3=node3:2888:3888配置myid文件，在dataDir目录，判断时哪个server启动zookeeper，bin/zkServer.sh startView Code

ZooKeeper数据模型，其会维护一个层次关系的数据结构，非常类似标准文件系统

ZooKeeper的基础使用，其作为一个分布式服务框架，主要用于解决分布式集群的一致性问题，它提供类似文件系统目录节点树方式的数据存储，并会维护和监控数据的状态变化，其常见方法如下所示。

方法诠释Stringcreate创建一个给点的目录节点path并设置数据Statexists判断某个path是否存在，并设置监控这个目录节点Delete参数path对应目录节点StatsetData，getData设置数据，获取数据addAuthInfo将自己授权信息发送给服务器StatsetACL,getACL设置目录节点访问权限，获取权限列表

java调用zookeeper的API示例如下

 1 public void testName() throws Exception { 2         // 1.创建一个和服务器的链接 3         ZooKeeper zk = new ZooKeeper("localhost:" + CLIENT_PORT, CONNECT_TIMEOUT, new Watcher() { 4             @Override 5             public void process(WatchedEvent event) { 6                 System.out.println(String.format("已经触发了%s事件", event.getType())); 7             } 8         }); 9 10         // 2.创建一个目录节点11         zk.create("/testRootPath", "testRootData".getBytes(), Ids.OPEN_ACL_UNSAFE, CreateMode.PERSISTENT);12         // 3.创建子节点13         zk.create("/testRootPath/testChildrenPathOne", "testChildrenPathOne".getBytes(), Ids.OPEN_ACL_UNSAFE,14                 CreateMode.PERSISTENT);15         System.out.println(new String(zk.getData("/testRootPath", false, null)));16         // 4.查找子目录列表17         System.out.println(zk.getChildren("/testRootPath", true));18         // 5.修改子目录节点数据19         zk.setData("/testRootPath/testChildrenPathOne", "modifyChildrenPathOne".getBytes(), -1);20         System.out.println("目录节点状态：[" + zk.exists("/testRootPath", true) + "]");21         // 6.删除节点22         zk.delete("/testRootPath/testChildrenPathOne", -1);23         // 7.关闭链接24         zk.close();25     }View Code

ZooKeeper的典型应用场景

统一命名服务(Name Service):分布式应用，通常需要一整套的命名规则，一般使用树形命名，这儿和JNDI很相似。

配置管理：ZooKeeper统一管理配置信息，保存在对应目录，一旦变化，对应机器就会收到通知(观察者)。

集群管理：ZooKeeper不仅能维护当前集群中及其的服务状态，并能选出一个总管(Leader Election)，从而避免单点故障，示例代码如下。

共享锁(Locks):共享锁在同一个进程容易实现，但再不同Server见不好实现，但Zookeeper却很容易实现，方式就是需要获取锁的Servere创建一个EPHEMERAL_SEQUENTIAL目录节点，然后调用getChildren方法获得当前目录节点列表中最小的目录节点，并判断，如果未自己建立，则获得锁，如果不是就调用exist方法监控节点变化，一直到自己创建的节点时最小，从而获得锁，释放很贱，只要删除前面自己创建的目录节点就OK。

队列管理(Queue Management):可以处理两类队列，一种是当成员齐聚时，队列才可用，否则一直等待，被称为同步队列；一种是按照FIFO方式进行入队和出队，例如实现生产-消费者模型。

HBase（逻辑结构）是BigTable的开源版，其建立在HDFS（物理结构）之上，提供高可靠性、高性能、 列存储 和可伸缩、实时读写的数据库系统。它结余NOSQL和RDBMS之间，仅能通过主键和主键range来检索数据，支持单行事务（可通过hive支持来实现多表join等复杂操作），主要用于存储非结构和半结构化的松散数据。与Hadoop一样，Hbase主要依靠横向扩展来提高计算和存储能力。

Hbase的表具有以下特点：

大：一个表可以有上亿行

面向列：面向列族的存储和权限控制，列族独立检索。

稀疏：对于空的列，并不占用空间，因此表可以设计的非常稀疏。

• 逻辑视图 :HBase以表的形式存储数据，表由行和列组成，列划分为若干个列族row family,如下表所示。

Row KeyColumn-family1Column-family2Column1Column1Column1Column2Key1t2:abc t1:bcd t1:354Key2t3:efy t1:uiot2:tyi t1:456 

Row Key：检索数据的主键，访问HBase中的行，可以通过单个row key（字典序，数值型数据需要补0）访问；通过row key的range的访问；全表扫描。

列族： 表中的每一列，都归属于列族，列族是表schema的一部分，必须在使用前定义，而列不是，关键理解 。列名都以列族作为前缀，例如courses:history和courses:math都数据courses列族。

时间戳：通过row和column确定一个存储单元cell，每个cell保存同一份数据的多个版本，通过时间戳来索引。时间戳为64位证书，精确到毫秒，按时间倒序排列。为了避免版本过多，一般通过个数或时间来回收。

Cell:由{row key, column(=<family>+<label>),version}唯一确定的单元，cell中数据没有类型，以字节码存储。

• 物理存储 ：指如何将大表分布的存储在多台服务器。

特点：Table上所有行使用row key排列;Table在行方向上分割为多个HRegion;HRegion按大小分割，每个表已开始只有一个region，随着数据不断插入，region增大，当超过阈值是，会分裂成连个新的HRegion；HRegion是HBase中分布式存储和负载均衡最小单元，表示不同Region可以分布在不同RegionServer上；HRegion是分布式存储的最小单元，但不是最小存储单元，实际上，一个Region由多个Store组成，一个Store保存一个columns family， 一个Store又由一个memStore和0-多个StoreFile（ 重点是StoreFile就是一个Hdfs中文件，通过压缩存储减少通信消耗，这儿就找到了对应关系 ，还可以细分，就不介绍了）组成。（脑海里有了大体的印象）

• 系统架构

Client：包含访问HBase接口，client维护一些cahce来加快访问，比如region未知信息。

ZooKeeper:保证任何时候集群只有一个master；存储所有region寻址接口；实施监控Region Server状态，将其上下线消息实时通知给master；存储Hbase的schema,包含哪些table,每个table的column family；为region server分配region；负责Region server的负载均衡；发现失效的Region Server并重新分配其上Region，GFS上的垃圾文件回收；处理schema更新请求。

Region Server：维护Master分配给它的Region，处理这些Region的IO请求；切分在运行中变得过大的Region。

Tip:可以看到client访问HBase数据的过程并不需要master参与，寻址访问zookeeper和Region Server，数据读写访问Region Server,master只维护table和Region的元数据，负载低。

• 关键算法和流程

Region定位：大表使用三层类似B+树的结构来存储Region位置，第一次保存zookeeper中数据，持有RootRegion位置；第二层RootRegion是.META表的第一个Region，其中保存了其他Region的位置；第三层是个特殊的表，存储HBase中所有数据表的Region位置信息。

读写过程：HBase使用MemStore和StoreFile存储对表的更新。数据在更新时首先写入Log和MemStore，MemStore中的数据是排序的，当MemStore累计到一定阈值，会创建新MemStore，并将老MemStore添加到Flush队列，有单独线程写到磁盘，称为一个StoreFile，同时系统会在zookeeper记录一个Redo point，表示更新已经持久化。系统出现问题是，可以使用log来恢复check point之后的数据。（思路和传统数据库一致）

Region分配：任何时刻，一个region只能分配给一个server，master记录了当前可用的Server以及当前region的分配情况，当存在未分配region且有server有可用空间时，master就给这个server发送一个装载请求，分配该region。

Region Server的上下线：master通过zookeeper来跟踪region server状态，当某个server启动时，会在zookeeper的server目录建立代表自己的文件，并获得该文件独占锁，由于master订阅了该目录的变更小心，因此当文件出现增删时，可以接到通知。下线时，断开与zookeeper会话，释放独占锁，这时master会发现并删除对应目录文件，并将原有region分配给其他server。

master的上下线：从zookeeper获取唯一master锁，阻止其他人称为master；扫描zookeeper上server目录，获得region server列表；与每个server通信，获得Region分配的情况；扫描META.region集合，计算得到当前未分配的region,放入待分配列表。

• 安装与配置

 1 下载文件wget xxxx/hbase.tar.gz, tar zxvf habse.xxx 2 修改配置文件hbase-env.sh 3 #export JAVA_HOME=user/local/java 4 #export HBASE_CLASSPATH=/home/Hadoop/Hadoop.xx/conf 5 #export HBASE_MANAGES_ZK=false 6 修改hbase-site.xml 7 <configuration> 8     <property> 9         <name>hbase.rootdir</name>10         <value>hdfs://node0:49000/hbase</value>11     </property>12     <property>13         <name>hbase.cluster.distributed</name>14         <value>true</value>15     </property>16     <property>17         <name>hbase.tmp.dir</name>18         <value>/home/hadoop/hbase</value>19     </property>20 </configuration>21 指定Hbase的regionServers22 最后在系统上设置最大文件数限制和进程数限制/etc/security/limits/conf23 #hadoop-nofile 326824 #hadoop soft/hard nproc 32000View Code

• 常见操作

比如创建一个如下表格

#name#grad#course:math#course:artXionger16260xiongda210098

1 create'scores', 'grade', 'course' #创建scores表，列族为grade,course 2 list #查看有哪些表 3 describe 'scores' #查看表构造 4 put 'scores', 'xionger','course:math;, '62' #插入一条数据 5 get 'score' , 'xionger' #获得熊二成绩 6 scan 'scores'#扫描表中所有数据 7 scan 'scores', {columns=>['course:']} #获得courses列族数据View Code

Tip:

终于完成了，帅，这部分内容之后重点在于既有的集成解决方案，包括docker上的部署等。

此外，有空考虑区块链方面的学习，同时把数据结构好好再学习下，感觉还是不太OK。，比如B+树。

 

　　大数据时代，Hadoop培训、大数据培训、培训班，就选光环大数据！

大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请专业的大数据领域知名讲师，确保教学的整体质量与教学水准。讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需。通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。 更多问题咨询，欢迎点击------>>>>在线客服！