【Hadoop大数据技术】——Hadoop概述与搭建环境（学习笔记）

📖 前言：随着大数据时代的到来，大数据已经在金融、交通、物流等各个行业领域得到广泛应用。而Hadoop就是一个用于处理海量数据的框架，它既可以为海量数据提供可靠的存储；也可以为海量数据提供高效的处理。

[🕒 1. 大数据概述](#🕒 1. 大数据概述)
[🕒 2. Hadoop概述](#🕒 2. Hadoop概述)
- [🕘 2.1 Hadoop前世今生](#🕘 2.1 Hadoop前世今生)
- [🕘 2.2 Hadoop优缺点](#🕘 2.2 Hadoop优缺点)
- [🕘 2.3 Hadoop生态](#🕘 2.3 Hadoop生态)
- [🕘 2.4 Hadoop架构变迁](#🕘 2.4 Hadoop架构变迁)
[🕒 3. 部署Hadoop](#🕒 3. 部署Hadoop)
- [🕘 3.1 创建hadoop用户](#🕘 3.1 创建hadoop用户)
- [🕘 3.2 更新apt](#🕘 3.2 更新apt)
- [🕘 3.3 安装SSH、配置SSH无密码登陆](#🕘 3.3 安装SSH、配置SSH无密码登陆)
- [🕘 3.4 安装Java环境](#🕘 3.4 安装Java环境)
- [🕘 3.5 安装 Hadoop3.3.5](#🕘 3.5 安装 Hadoop3.3.5)
- [🕘 3.6 Hadoop单机配置（非分布式）](#🕘 3.6 Hadoop单机配置（非分布式）)
- [🕘 3.7 Hadoop伪分布式配置](#🕘 3.7 Hadoop伪分布式配置)
- [🕘 3.8 运行Hadoop伪分布式实例](#🕘 3.8 运行Hadoop伪分布式实例)
- [🕘 3.9 安装Hadoop集群](#🕘 3.9 安装Hadoop集群)

🕒 1. 大数据概述

大数据是来源于众多不同数据源的集合，通常由5个特征来描述，包括大量（Volume）、真实（Veracity）、多样（Variety）、低价值密度 （Value）和高速（Velocity），这5个特征称为大数据的5V特征。

旧版教材定义（4V）：

研究大数据最重要的意义是预测。

🕒 2. Hadoop概述

🕘 2.1 Hadoop前世今生

🕘 2.2 Hadoop优缺点

优点：低成本、高可靠性、高容错性、高效率、高扩展性
缺点：不适合处理小文件、无法实时计算、安全性较低

🕘 2.3 Hadoop生态

随着Hadoop的不断发展，Hadoop生态体系越来越完善，现如今已经发展成一个庞大的生态体系。

HDFS分布式文件系统 ：HDFS是Hadoop的分布式文件系统，它是Hadoop生态系统中的核心项目之一 ，是分布式计算中数据存储管理基础。
MapReduce分布式计算框架 ：MapReduce是一种计算模型 ，用于大规模数据集（大于1TB）的并行运算。
Yarn资源管理框架 ：Yarn（Yet Another Resource Negotiator）是Hadoop 2.0中的资源管理器 ，它可为上层应用提供统一的资源管理 和调度。
Sqoop数据迁移工具 ：Sqoop是一款开源的数据导入导出工具 ，主要用于在Hadoop与传统的数据库间进行数据的转换。
Mahout数据挖掘算法库 ：Mahout是Apache旗下的一个开源项目 ，它提供了一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员方便快捷地创建智能应用程序。
HBase分布式存储系统 ：HBase是Google Bigtable克隆版，它是一个针对结构化数据的可伸缩、高可靠、高性能、分布式和面向列的动态模式数据库。
Zookeeper分布式协作服务 ：Zookeeper是一个分布式的，开放源码的分布式应用程序协调服务 ，是Google的Chubby一个开源的实现，是Hadoop和HBase的重要组件。
Hive基于Hadoop的数据仓库 ：Hive是基于Hadoop的一个分布式数据仓库 工具，可以将结构化的数据文件映射为一张数据库表，将SQL语句 转换为MapReduce任务进行运行。
Flume日志收集工具 ：Flume是Cloudera提供的一个高可用的，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；同时，Flume提供对数据进行简单处理，并写到各种数据接受方（可定制）的能力。

🕘 2.4 Hadoop架构变迁

Hadoop共发行了三个版本，分别是Hadoop 1.x、Hadoop 2.x和Hadoop 3.x。

Hadoop1.0内核主要由分布式存储系统HDFS和分布式计算框架MapReduce两个系统组成，而Hadoop2.x版本主要新增了资源管理框架Yarn以及其他工作机制的改变。

Hadoop 3.x是基于JDK1.8开发的，较其他两个版本而言，在功能和优化方面发生了很大的变化，其中包括HDFS 可擦除编码、多Namenode支持、MR Native Task优化等。

🕒 3. 部署Hadoop

🔎 Hadoop3.3.5安装教程_单机/伪分布式配置_Hadoop3.3.5/Ubuntu22.04

环境：VMware 16.2.3、Ubuntu 22.04 64位、hadoop-3.3.5

🔎 Hadoop大数据课程软件提取码: 09oy

一般而言，开展大数据实验，需要在虚拟机中安装各种大数据软件，至少需要消耗40GB磁盘空间，因此，建议把磁盘空间设置为50GB~100GB，且内存为4G以上。

以下是已安装的Ubuntu扩容方法：

随后打开Ubuntu进行设置：

🕘 3.1 创建hadoop用户

如果你安装 Ubuntu 的时候不是用的 "hadoop" 用户，那么需要增加一个名为 hadoop 的用户。

首先按 ctrl+alt+t 打开终端窗口，输入如下命令创建新用户 :

powershell 复制代码

sudo useradd -m hadoop -s /bin/bash

这条命令创建了可以登陆的 hadoop 用户，并使用 /bin/bash 作为 shell。

Ubuntu终端复制粘贴快捷键：在Ubuntu终端窗口中，复制粘贴的快捷键需要加上 shift，即粘贴是 ctrl+shift+v。

接着使用如下命令设置密码，可简单设置为 hadoop，按提示输入两次密码：

powershell 复制代码

sudo passwd hadoop

可为 hadoop 用户增加管理员权限，方便部署

powershell 复制代码

sudo adduser hadoop sudo

最后注销当前用户，返回登陆界面。在登陆界面中选择刚创建的 hadoop 用户进行登陆。

🕘 3.2 更新apt

用 hadoop 用户登录后，我们先更新一下 apt，后续我们使用 apt 安装软件，如果没更新可能有一些软件安装不了。按 ctrl+alt+t 打开终端窗口，执行如下命令：

powershell 复制代码

sudo apt-get update

后续需要更改一些配置文件，建议使用 vim 。

powershell 复制代码

sudo apt-get install vim

🔎 【Linux详解】------yum与vim的基本使用

🕘 3.3 安装SSH、配置SSH无密码登陆

集群、单节点模式都需要用到 SSH 登陆（类似于远程登陆，你可以登录某台 Linux 主机，并且在上面运行命令），Ubuntu 默认已安装了 SSH client，此外还需要安装 SSH server：

powershell 复制代码

sudo apt-get install openssh-server

安装后，可以使用如下命令登陆本机：

powershell 复制代码

ssh localhost

此时会有如下提示(SSH首次登陆提示)，输入 yes 。然后按提示输入密码 hadoop，这样就登陆到本机了。

但这样登陆是需要每次输入密码的，我们需要配置成SSH无密码登陆比较方便。

首先退出刚才的 ssh，就回到了我们原先的终端窗口，然后利用 ssh-keygen 生成密钥，并将密钥加入到授权中：

powershell 复制代码

hadoop@Hins-vm:~$ exit		# 退出刚才的 ssh localhost
注销
Connection to localhost closed.
hadoop@Hins-vm:~/Desktop$ cd ~/.ssh/		# 若没有该目录，请先执行一次ssh localhost
hadoop@Hins-vm:~/.ssh$ ssh-keygen -t rsa	# 会有提示，都按回车就可以
Generating public/private rsa key pair.
Enter file in which to save the key (/home/hadoop/.ssh/id_rsa): 
Enter passphrase (empty for no passphrase): 
Enter same passphrase again: 
Your identification has been saved in /home/hadoop/.ssh/id_rsa
Your public key has been saved in /home/hadoop/.ssh/id_rsa.pub
The key fingerprint is:
SHA256:OhgJuRKQaCQF6TcJroolvsUdd4CX35H8cAOk1cS8HIU hadoop@Hins-vm
The key's randomart image is:
+---[RSA 3072]----+
|**.       .+=.o. |
|*o .  . . + oE   |
|= + .. + . =.oo  |
| + * .. o . =o.  |
|o o +. .So . .   |
|o.o .oo..        |
|+o o..o          |
|o..    .         |
| ..              |
+----[SHA256]-----+
hadoop@Hins-vm:~/.ssh$ cat ./id_rsa.pub >> ./authorized_keys		# 加入授权

此时再用 ssh localhost 命令，无需输入密码就可以直接登陆了。

🕘 3.4 安装Java环境

Hadoop3.3.5需要JDK版本在1.8及以上。需要按照下面步骤来自己手动安装JDK1.8。

我们需要从windows向虚拟机上面安装的ubuntu进行大数据文件的传输，这时候，我们不能通过VMTools来进行传输，否则会导致VM工具的错误，所以，这时候我们需要一个第三方的软件，来进行大数据文件的传输。这里选择FileZilla。

首先在Windows端下载FileZilla，安装打开后，输入下面四个框的信息进行连接

可以看到，该压缩文件已经保存在"/home/hadoop/Downloads"目录下。

在Linux命令行界面中，执行如下Shell命令（注意：当前登录用户名是hadoop）：

powershell 复制代码

hadoop@Hins-vm:~$ cd /usr/lib
hadoop@Hins-vm:/usr/lib$ sudo mkdir jvm		# 创建/usr/lib/jvm目录用来存放JDK文件
[sudo] hadoop 的密码： 
hadoop@Hins-vm:/usr/lib$ cd ~				# 进入hadoop用户的主目录
hadoop@Hins-vm:~$ cd Downloads				# 注意区分大小写字母，刚才已经通过FTP软件把JDK安装包传到该目录下
hadoop@Hins-vm:~/Downloads$ ls
jdk-8u371-linux-x64.tar.gz
# 把JDK文件解压到/usr/lib/jvm目录下
hadoop@Hins-vm:~/Downloads$ sudo tar -zxvf ./jdk-8u371-linux-x64.tar.gz -C /usr/lib/jvm

JDK文件解压缩以后，可以执行如下命令到/usr/lib/jvm目录查看一下：

powershell 复制代码

hadoop@Hins-vm:~/Downloads$ cd /usr/lib/jvm
hadoop@Hins-vm:/usr/lib/jvm$ ls
jdk1.8.0_371

可以看到，在/usr/lib/jvm目录下有个jdk1.8.0_371目录。

下面继续执行如下命令，设置环境变量：

powershell 复制代码

hadoop@Hins-vm:/usr/lib/jvm$ cd ~
hadoop@Hins-vm:~$ vim ~/.bashrc

上面命令使用vim编辑器打开了hadoop这个用户的环境变量配置文件，请在这个文件的开头位置，添加如下几行内容：

bash 复制代码

export JAVA_HOME=/usr/lib/jvm/jdk1.8.0_371
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH

先按i进入插入模式，后使用 ctrl+shift+v粘贴，随后按ESC，输入:wq保存退出。

保存.bashrc文件并退出vim编辑器。然后，继续执行如下命令让.bashrc文件的配置立即生效：

powershell 复制代码

source ~/.bashrc

这时，可以使用如下命令查看是否安装成功：

powershell 复制代码

hadoop@Hins-vm:~/Downloads$ java -version
java version "1.8.0_371"
Java(TM) SE Runtime Environment (build 1.8.0_371-b11)
Java HotSpot(TM) 64-Bit Server VM (build 25.371-b11, mixed mode)

至此，就成功安装了Java环境。下面就可以进入Hadoop的安装。

🕘 3.5 安装 Hadoop3.3.5

我们选择将 Hadoop 安装至 /usr/local/ 中：

powershell 复制代码

sudo tar -zxvf ~/Downloads/hadoop-3.3.5.tar.gz -C /usr/local   # 解压到/usr/local中
cd /usr/local/
sudo mv ./hadoop-3.3.5/ ./hadoop    # 将文件夹名改为hadoop
sudo chown -R hadoop ./hadoop       # 修改文件权限

Hadoop 解压后即可使用。输入如下命令来检查 Hadoop 是否可用，成功则会显示 Hadoop 版本信息：

powershell 复制代码

hadoop@Hins-vm:/usr/local$ cd /usr/local/hadoop
hadoop@Hins-vm:/usr/local/hadoop$ ./bin/hadoop version
Hadoop 3.3.5
Source code repository https://github.com/apache/hadoop.git -r 706d88266abcee09ed78fbaa0ad5f74d818ab0e9
Compiled by stevel on 2023-03-15T15:56Z
Compiled with protoc 3.7.1
From source with checksum 6bbd9afcf4838a0eb12a5f189e9bd7
This command was run using /usr/local/hadoop/share/hadoop/common/hadoop-common-3.3.5.jar

🕘 3.6 Hadoop单机配置（非分布式）

Hadoop集群三种部署模式

独立模式 ：一种在单台计算机的单个JVM进程 中模拟Hadoop集群的工作模式，此模式部署的Hadoop通常用于快速安装体验Hadoop的功能，并不适用于实际生产环境。

伪分布式模式 ：一种在单台计算机的不同JVM进程 中运行Hadoop集群的工作模式，此模式部署的Hadoop通常用于在开发环境中进行测试和调试，并不适用于实际生产环境。

完全分布式模式 ：一种在多台计算机的JVM进程 中运行Hadoop集群的工作模式，Hadoop集群的每个守护进程都运行在不同的计算机中，此模式部署的Hadoop通常作为实际生产环境的基础。

Hadoop 默认模式为非分布式模式（独立模式），无需进行其他配置即可运行。非分布式即单 Java 进程，方便进行调试。

现在我们可以执行例子来感受下 Hadoop 的运行。Hadoop 附带了丰富的例子（运行 ./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.5.jar 可以看到所有例子），包括 wordcount、terasort、join、grep 等。

在此我们选择运行 grep 例子，我们将 input 文件夹中的所有文件作为输入，筛选当中符合正则表达式 dfs[a-z.]+ 的单词并统计出现的次数，最后输出结果到 output 文件夹中。

powershell 复制代码

cd /usr/local/hadoop
mkdir ./input
cp ./etc/hadoop/*.xml ./input   # 将配置文件作为输入文件
./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.5.jar grep ./input ./output 'dfs[a-z.]+'
cat ./output/*          # 查看运行结果

执行成功后如下所示，输出了作业的相关信息，输出的结果是符合正则的单词 dfsadmin 出现了1次

注意，Hadoop 默认不会覆盖结果文件，因此再次运行上面实例会提示出错，需要先将 ./output 删除。

powershell 复制代码

rm -r ./output

🕘 3.7 Hadoop伪分布式配置

Hadoop 可以在单节点上以伪分布式的方式运行，Hadoop 进程以分离的 Java 进程来运行，节点既作为 NameNode 也作为 DataNode，同时，读取的是 HDFS 中的文件。

Hadoop 的配置文件位于 /usr/local/hadoop/etc/hadoop/ 中，伪分布式需要修改2个配置文件 core-site.xml 和 hdfs-site.xml 。Hadoop的配置文件是 xml 格式，每个配置以声明 property 的 name 和 value 的方式来实现。

修改配置文件 core-site.xml ：

powershell 复制代码

gedit ./etc/hadoop/core-site.xml

将当中的

powershell 复制代码

<configuration>
</configuration>

修改为下面配置：

powershell 复制代码

<configuration>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/usr/local/hadoop/tmp</value>
        <description>Abase for other temporary directories.</description>
    </property>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>
</configuration>

同样的，修改配置文件 hdfs-site.xml：

powershell 复制代码

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/usr/local/hadoop/tmp/dfs/data</value>
    </property>
</configuration>

Hadoop配置文件说明：

Hadoop 的运行方式是由配置文件决定的（运行 Hadoop 时会读取配置文件），因此如果需要从伪分布式模式切换回非分布式模式，需要删除 core-site.xml 中的配置项。

此外，伪分布式虽然只需要配置 fs.defaultFS 和 dfs.replication 就可以运行（官方教程如此），不过若没有配置 hadoop.tmp.dir 参数，则默认使用的临时目录为 /tmp/hadoo-hadoop，而这个目录在重启时有可能被系统清理掉，导致必须重新执行 format 才行。所以我们进行了设置，同时也指定 dfs.namenode.name.dir 和 dfs.datanode.data.dir，否则在接下来的步骤中可能会出错。

配置完成后，执行 NameNode 的格式化：

powershell 复制代码

cd /usr/local/hadoop
./bin/hdfs namenode -format

成功的话，会看到 "successfully formatted" 的提示

接着开启 NameNode 和 DataNode 守护进程。

powershell 复制代码

cd /usr/local/hadoop
./sbin/start-dfs.sh  # start-dfs.sh是个完整的可执行文件，中间没有空格

启动完成后，可以通过命令 jps 来判断是否成功启动，若成功启动则会列出如下进程: "NameNode"、"DataNode" 和 "SecondaryNameNode"（如果 SecondaryNameNode 没有启动，请运行 sbin/stop-dfs.sh 关闭进程，然后再次尝试启动尝试）。如果没有 NameNode 或 DataNode ，那就是配置不成功，请仔细检查之前步骤，或通过查看启动日志排查原因。

成功启动后，可以访问 Web 界面 http://localhost:9870 查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件。

🕘 3.8 运行Hadoop伪分布式实例

上面的单机模式，grep 例子读取的是本地数据，伪分布式读取的则是 HDFS 上的数据。要使用 HDFS，首先需要在 HDFS 中创建用户目录：

powershell 复制代码

./bin/hdfs dfs -mkdir -p /user/hadoop

接着将 ./etc/hadoop 中的 xml 文件作为输入文件复制到分布式文件系统中，即将 /usr/local/hadoop/etc/hadoop 复制到分布式文件系统中的 /user/hadoop/input 中。我们使用的是 hadoop 用户，并且已创建相应的用户目录 /user/hadoop ，因此在命令中就可以使用相对路径如 input，其对应的绝对路径就是 /user/hadoop/input：

powershell 复制代码

./bin/hdfs dfs -mkdir input
./bin/hdfs dfs -put ./etc/hadoop/*.xml input

复制完成后，可以通过如下命令查看文件列表：

powershell 复制代码

hadoop@Hins-vm:/usr/local/hadoop$ ./bin/hdfs dfs -ls input
Found 10 items
-rw-r--r--   1 hadoop supergroup       9213 2024-03-05 00:39 input/capacity-scheduler.xml
-rw-r--r--   1 hadoop supergroup       1075 2024-03-05 00:39 input/core-site.xml
-rw-r--r--   1 hadoop supergroup      11765 2024-03-05 00:39 input/hadoop-policy.xml
-rw-r--r--   1 hadoop supergroup        683 2024-03-05 00:39 input/hdfs-rbf-site.xml
-rw-r--r--   1 hadoop supergroup       1133 2024-03-05 00:39 input/hdfs-site.xml
-rw-r--r--   1 hadoop supergroup        620 2024-03-05 00:39 input/httpfs-site.xml
-rw-r--r--   1 hadoop supergroup       3518 2024-03-05 00:39 input/kms-acls.xml
-rw-r--r--   1 hadoop supergroup        682 2024-03-05 00:39 input/kms-site.xml
-rw-r--r--   1 hadoop supergroup        758 2024-03-05 00:39 input/mapred-site.xml
-rw-r--r--   1 hadoop supergroup        690 2024-03-05 00:39 input/yarn-site.xml

伪分布式运行 MapReduce 作业的方式跟单机模式相同，区别在于伪分布式读取的是HDFS中的文件（可以将单机步骤中创建的本地 input 文件夹，输出结果 output 文件夹都删掉来验证这一点）。

powershell 复制代码

./bin/hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.5.jar grep input output 'dfs[a-z.]+'

查看运行结果的命令（查看的是位于 HDFS 中的输出结果）：

powershell 复制代码

./bin/hdfs dfs -cat output/*

结果如下，注意到刚才我们已经更改了配置文件，所以运行结果不同。

我们也可以将运行结果取回到本地：

powershell 复制代码

rm -r ./output    # 先删除本地的 output 文件夹（如果存在）
./bin/hdfs dfs -get output ./output     # 将 HDFS 上的 output 文件夹拷贝到本机
cat ./output/*

Hadoop 运行程序时，输出目录不能存在，否则会提示错误 "org.apache.hadoop.mapred.FileAlreadyExistsException: Output directory hdfs://localhost:9000/user/hadoop/output already exists" ，因此若要再次执行，需要执行如下命令删除 output 文件夹：

powershell 复制代码

./bin/hdfs dfs -rm -r output    # 删除 output 文件夹

在实际开发应用程序时，可考虑在程序中加上如下代码，能在每次运行时自动删除输出目录，避免繁琐的命令行操作：

java 复制代码

Configuration conf = new Configuration();
Job job = new Job(conf);
 
/* 删除输出目录 */
Path outputPath = new Path(args[1]);
outputPath.getFileSystem(conf).delete(outputPath, true);

若要关闭 Hadoop，则运行

powershell 复制代码

./sbin/stop-dfs.sh

注意：下次启动 hadoop 时，无需进行 NameNode 的初始化，只需要运行 ./sbin/start-dfs.sh 就可以！

🕘 3.9 安装Hadoop集群

在平时的学习中，我们使用伪分布式就足够了。如果需要安装 Hadoop 集群，可查看🔎 Hadoop集群安装配置教程（Hadoop3.3.5）。

OK，以上就是本期知识点"Hadoop概述与搭建环境"的知识啦~~ ，感谢友友们的阅读。后续还会继续更新，欢迎持续关注哟📌~

💫如果有错误❌，欢迎批评指正呀👀~让我们一起相互进步🚀

🎉如果觉得收获满满，可以点点赞👍支持一下哟~

❗ 转载请注明出处

作者：HinsCoder

博客链接：🔎 作者博客主页