搭建大数据学习的平台

一、基础环境准备

1. 硬件配置

• 物理机：建议 16GB 内存以上，500GB 硬盘，多核 CPU
• 虚拟机：至少 3 台（1 主 2 从），每台 4GB 内存，50GB 硬盘

2. 操作系统

• Ubuntu 20.04 LTS 或 CentOS 7/8

3. 网络配置

• 静态 IP 分配（例如：192.168.1.101~103）

• 主机名映射（/etc/hosts）：

  plaintext

  192.168.1.101 hadoop-master
  192.168.1.102 hadoop-slave1
  192.168.1.103 hadoop-slave2

二、核心组件安装

1. Hadoop 分布式系统

• 安装步骤参考之前的回答
• 配置高可用（HA）模式（可选）

2. Hive 数据仓库

bash

# 下载和解压
wget https://downloads.apache.org/hive/hive-3.1.3/apache-hive-3.1.3-bin.tar.gz
tar -xzf apache-hive-3.1.3-bin.tar.gz -C /opt/
mv /opt/apache-hive-3.1.3-bin /opt/hive

# 配置环境变量
echo 'export HIVE_HOME=/opt/hive' >> ~/.bashrc
echo 'export PATH=$PATH:$HIVE_HOME/bin' >> ~/.bashrc
source ~/.bashrc

3. Spark 计算引擎

bash

# 下载和解压
wget https://downloads.apache.org/spark/spark-3.3.2/spark-3.3.2-bin-hadoop3.tgz
tar -xzf spark-3.3.2-bin-hadoop3.tgz -C /opt/
mv /opt/spark-3.3.2-bin-hadoop3 /opt/spark

# 配置环境变量
echo 'export SPARK_HOME=/opt/spark' >> ~/.bashrc
echo 'export PATH=$PATH:$SPARK_HOME/bin:$SPARK_HOME/sbin' >> ~/.bashrc
source ~/.bashrc

4. HBase 分布式数据库

bash

# 下载和解压
wget https://downloads.apache.org/hbase/2.5.7/hbase-2.5.7-bin.tar.gz
tar -xzf hbase-2.5.7-bin.tar.gz -C /opt/
mv /opt/hbase-2.5.7 /opt/hbase

# 配置环境变量
echo 'export HBASE_HOME=/opt/hbase' >> ~/.bashrc
echo 'export PATH=$PATH:$HBASE_HOME/bin' >> ~/.bashrc
source ~/.bashrc

三、服务集成与配置

1. Hive 与 Hadoop 集成

• 修改 $HIVE_HOME/conf/hive-site.xml：

  xml

  <configuration>
      <property>
          <name>hive.metastore.warehouse.dir</name>
          <value>/user/hive/warehouse</value>
      </property>
      <property>
          <name>hive.metastore.uris</name>
          <value>thrift://hadoop-master:9083</value>
      </property>
  </configuration>

2. Spark 与 Hadoop 集成

• 修改 $SPARK_HOME/conf/spark-env.sh：

  bash

  export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
  export SPARK_MASTER_HOST=hadoop-master
  export SPARK_WORKER_MEMORY=2g

3. HBase 与 Hadoop 集成

• 修改 $HBASE_HOME/conf/hbase-site.xml：

  xml

  <configuration>
      <property>
          <name>hbase.rootdir</name>
          <value>hdfs://hadoop-master:9000/hbase</value>
      </property>
      <property>
          <name>hbase.cluster.distributed</name>
          <value>true</value>
      </property>
  </configuration>

四、服务启动与验证

1. 启动顺序

bash

# 启动 Hadoop
start-dfs.sh
start-yarn.sh

# 启动 Hive Metastore
hive --service metastore &

# 启动 Spark
start-master.sh
start-workers.sh

# 启动 HBase
start-hbase.sh

2. 验证服务

• Hadoop：http://hadoop-master:9870（HDFS）和 http://hadoop-master:8088（YARN）
• Spark：http://hadoop-master:8080
• HBase：http://hadoop-master:16010

五、可视化工具安装

1. Zeppelin 数据探索

bash

# 下载和解压
wget https://downloads.apache.org/zeppelin/zeppelin-0.10.1/zeppelin-0.10.1-bin-all.tgz
tar -xzf zeppelin-0.10.1-bin-all.tgz -C /opt/
mv /opt/zeppelin-0.10.1-bin-all /opt/zeppelin

# 启动 Zeppelin
/opt/zeppelin/bin/zeppelin-daemon.sh start

访问：http://hadoop-master:8081

2. Superset 数据可视化

bash

# 安装依赖
sudo apt install python3-pip python3-venv

# 创建虚拟环境
python3 -m venv superset
source superset/bin/activate

# 安装 Superset
pip install apache-superset
superset db upgrade

# 创建管理员用户
superset fab create-admin

# 初始化
superset init

# 启动 Superset
superset run -p 8088 --with-threads --reload --debugger

访问：http://hadoop-master:8088