大数据基础2

1、什么是大数据？

2002 大数据提出 美国引入。—麦肯锡报告。
维克托·迈尔-舍恩伯格—大数据之父
4V特征：
即
Volume（数据量大）：PB级
Variety（数据多样性）：文本、图像、视频、音频等
Velocity（输入和处理速度快）：流式数据
Value（价值密度低）：
积累很多的数据才能发掘大数据隐含的意义。
只要能发挥和挖掘数据隐藏的价值，不用纠结与数据量大小
大数据核心问题存储、计算和分析—-通过组件（计算框架）解决了

2、数据仓库和大数据

（1）传统方式：DW（Data Warehouse），基于传统的关系数据库（Oracle、MySQL等），一般只做 查询分析，TD（Teradata 天睿）–数据仓库一体机。
（2）大数据的方式–分布式
GP：greenplum

3、OLTP和OLAP

（1）OLTP：Online Transaction Processing 联机事务处理：（insert update、delete）
ACID：所有的数据可追溯。——-传统关系型数据库（Oracle Mysql Postgresql等）
（2）OLAP：Online Analytic Processing 联机分析处理。
真正生产中是二者的结合：OLTP（后台操作 前台展示 数据设计等）+OLAP（Hive Hbase Spark等）。

4、Google的基本思想：三篇论文重点

（1）GFS: Google File System—-HDFS —解决存储
a、数据库太贵。主要是为了解决 google搜索内容的存储问题。–造价低 易扩展。
b、倒排索引（Reverted Index）：
int arry[ ] = {1,2,3,4}
索引不一定提高查询速度。—key value
c、没有公布源码，—-Hadoop之父 Doug Cutting
HDFS 默认文件块大小 128M（Hadoop 2.X） 64M（Hadoop 1.x），
默认3副本。
（2）MapReduce:分布计算模型
PageRank
（3）BigTable：大表
对HDFS进行封装和二次开发，提高查询效率。把所有数据存入一张表中，通过牺牲空间，换取时间

5、Hadoop的简介

http://hadoop.apache.org/
Hadoop YARN: A framework for job scheduling and cluster resource management.
Apache：HDFS+MapReduce+
Yarn
https://hbase.apache.org/

6、HDFS的体系架构

HDFS 副本数可以再 hdfs-site.xml中修改。不超过机器个数 建议不超过3.
/opt/module/hadoop-2.7.3/etc/hadoop
HDFS=Namenode（主节点 名称节点）+SecondaryNameNode（）+datanode（数据节点）

7、MR编程模型

包含两个阶段 key value 的设计是关键。

8、大数据典型应用场景

（1）商品推荐–协同过滤
（2）画像
（3）套牌车

9、Hadoop的安装准备工作

Hadoop名字来源–Doug Cutting
（1）安装好linux操作系统（IP配置）
（2）关闭防火墙
systemctl stop（disable） firewalld.service
(3) 安装Jdk–winscp 上传 opt/software 解压到 opt/module
(4) Hadoop安装包—虚拟机的克隆 scp（拷贝）

a、提前准备好 mkdir /opt/module
tar -zxvf hadoop-2.7.3.tar.gz -C /opt/module/
b、vi ~/.bash_profile （用于当前用户）或者/etc/profile（所有用户都可以用）增加下面内

export JAVA_HOME=/opt/module/jdk1.8.0_192
export PATH=$JAVA_HOME/bin:$PATH

HADOOP_HOME=/opt/module/hadoop-2.7.3
export HADOOP_HOME
PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
export PATH

c、 环境变量生效
source ~/.bash_profile
通过 输入 start 按两下tab 看是否有内容

虚拟机克隆
（1）保证虚拟机处于关闭状态
（2）右键->管理->克隆 当前状态 完整克隆–>
（3）hostname–修改
ip修改 – reboot

Hadoop（HDFS+Yarn） 本地 伪分布 全分布

10、Hadoop安装—本地安装

（1）特点：没有HDFS和Yarn 只能够测试MR程序是否成功， 作为一个普通的java程序。
（2）修改文件：
vi hadoop-env.sh
set number
修改25行（行数不一 hadoop版本不一致）

JAVA_HOME=/opt/module/jdk1.8.0_181
cd /root/
mkdir temp
touch a.txt
vi a.txt

mapred-site.xml 默认没有，我克隆的文件里面有 这个文件没有被覆盖指定了yarn资源

11、Hadoop安装—本地安装伪分布模式

（1）特点：在一台机器上模拟一个分布式环境具备hadoop的所有功能。
HDFS：NameNode+DataNode+SecondaryNameNode
Yarn：ResourceManager+NodeManager
（2）修改的文件：
step1:hadoop-env.sh

vi ----- :set number  修改25行
JAVA_HOME=/opt/module/jdk1.8.0_192
<!--测试hadoop是否成功-->
hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount ~/temp/a.txt ~/temp/output/wc0107

step2:hdfs-site.xml

  <!--注释配置数据块的冗余度，默认是3-->
 <property>
    <name>dfs.replication</name>
    <value>1</value>
 </property>
 <!--注释配置HDFS的权限检查，默认是true-->
 <!--
 <property>
    <name>dfs.permissions</name>
    <value>false</value>
 </property>
 -->

step3:core-site.xml

<!--配置HDFS主节点，namenode的地址,9000是RPC通信端口-->
  <property>
     <name>fs.defaultFS</name>
     <value>hdfs://hsiehchou121:9000</value>
  </property> 
<!--配置HDFS数据块和元数据保存的目录,一定要修改-->
   <property>
     <name>hadoop.tmp.dir</name>
     <value>/opt/moudle/hadoop-2.7.3/tmp</value>
  </property>

step4：mapred-site.xml(默认没有)

cp mapred-site.xml.template  mapred-site.xml
<!--配置MR程序运行的框架-->
<property>  
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
</property> 

step5：yarn-site.xml

<!--配置Yarn的节点-->
<property>  
   <name>yarn.resourcemanager.hostname</name>
   <value>hsiehchou121</value>
</property> 
<!--NodeManager执行MR任务的方式是Shuffle洗牌-->
<property>  
   <name>yarn.nodemanager.aux-services</name>
   <value>mapreduce_shuffle</value>
</property> 

step 6：通过HDFS namenode 格式化

在第4步中，hadoop.tmp.dir–格式化

 cd /opt/module/hadoop-2.7.3/tmp/
 [root@hsiehchou121 hadoop]# cd /opt/module/hadoop-2.7.3/tmp/
 [root@hsiehchou121 tmp]# hdfs namenode -format 

重复格式化:hadoop.tmp.dir   先停止集群，需要删除原来的tmp文件。 rm -rf 重新格式化 启动集群

命令：hdfs namenode -format
验证：是否格式化成功：
Storage directory /opt/moudle/hadoop-2.7.3/tmp/dfs/name has been successfully formatted.
最后启动，通过start-all.sh启动
验证：

[root@hsiehchou121 tmp]# jps
        2336 NameNode
        2867 NodeManager
        3972 Jps
        2629 SecondaryNameNode
        2774 ResourceManager
        2441 DataNode

web访问:
http://192.168.116.121:8088 yarn
http://192.168.116.121:50070 HDFS

12、免密码登录的原理和配置

SSH无密码登录
1）配置ssh
（1）基本语法
ssh 另一台电脑的ip地址
（2）ssh连接时出现Host key verification failed的解决方法
[root@hsiehchou121 opt]# ssh 192.168.116.103
The authenticity of host ‘192.168.116.103 (192.168.116.103)’ can’t be established.
RSA key fingerprint is cf:1e:de:d7:d0:4c:2d:98:60:b4:fd:ae:b1:2d:ad:06.
Are you sure you want to continue connecting (yes/no)?
Host key verification failed.
（3）解决方案如下：直接输入yes
2）无密钥配置
（1）进入到我的home目录

[root@hsiehchou121 opt]$ cd ~/.ssh

（2）生成公钥和私钥：

[root@hsiehchou121 .ssh]$ 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）
（3）将公钥拷贝到要免密登录的目标机器上

[root@hsiehchou121 .ssh]$ ssh-copy-id hsiehchou121
[root@hsiehchou121 .ssh]$ ssh-copy-id hsiehchou122
[root@hsiehchou121 .ssh]$ ssh-copy-id hsiehchou123
[root@hsiehchou121 .ssh]$ ssh-copy-id hsiehchou124

（4）在hsiehchou122、hsiehchou123、hsiehchou124上分别执行所有操作

13、Hadoop安装—全分布模式

作业：准备3台机器。完成1 的准备工作。
加入到 etc/hosts
192.168.116.121 hsiehchou121
192.168.116.122 hsiehchou122
192.168.116.123 hsiehchou123
192.168.116.124 hsiehchou124