前言
最近想学习下大数据，有点急于求成，于是去网上找了各种培训机构的视频，发现大都质量不佳，理论基本不说或者简单讲下，然后教你照猫画虎的敲代码，出了问题都没法分析。最后还是找了厦门大学的公开课从理论开始稳扎稳打的学习了。
一 Hadoop起源
Hadoop的理论起源主要来自谷歌公司的三大论文，并迅速应用于全球各大互联网公司。因此，学习大数据Hadoop是绕不开的一个知识点。今年来，大数据的兴起其实来自于计算机技术的发展，物联网技术产生了大量的数据，云技术使得计算机存储与运算资源更加普及，因此大数据技术应运而出，用以解决大量数据的存储与计算的问题。
二 Hadoop生态圈
学习Hadoop，需要知道Hadoop生态圈中各个项目的功能与作用，为何要用开发这种新项目，而不使用已有项目实现这种功能。
2.1 HDFS
Hadoop的底层文件系统，与传统文件系统不同在于它是分布式的。同时与已有的分布式文件系统相比，它又有着旧分布式文件系统没有的优点。如：高可用性，高可靠性，吞吐量大，能使用廉价服务器构建，可通过不断增加机器数来进行拓展。具体实现在HDFS文章中记录。
2.2 HBase
构建在HDFS之上的分布式数据库系统。是一种基于列的NoSQL数据库，从另一个角度看也能看成键值对的NoSQL数据库。与传统关系型数据库相比，最大的优势在于可通过增加机器进行横向扩展，并且能使用廉价服务器。
2.3 Hive
一种分布式数据仓库，可以导入外部数据后用类SQL语言进行操作。一般用于历史数据的查询与分析。与HBase不同，HBase常用于实时的交互式查询。
2.4 MapRuduce
一种分布式计算框架，MapRuce本来就是一种计算模型的名称。核心思想是“分而治之”，能将计算分解成多个小计算，由多个机器同时计算。适合离线批处理。
2.5 Storm
一种流式计算框架，MapRuce适合批处理，无法完成流式数据的处理，因此开发出流式处理框架。
2.6 常见大数据处理需求
- 离线批处理，特点：使用历史数据，大批量的处理，要求吞吐率。
- 实时交互式处理，特点：用户交互使用，要求反映速度在秒级到数分钟之间。
- 流式数据处理，特点：数据以流的形式输入，要求毫秒级的处理速度，且处理后的数据大部分都不用储存。
2.7 Hadoop组件关系
基本的关系就是，底层用HDFS存储，之上是核心计算框架MapRuduce。而Hive，Hbase，Pig等等组件一般都是将自身的操作转化成Mapreduce代码然后通过Mapreduce进行计算实现功能。同时与MapRuduce框架同一层次的Storm解决了流式数据的处理。Hbase虽然是使用Mapreduce框架进行处理，但是基本也能实现实时交互式处理的要求。（也正是Mapreduce存在种种问题，Spark渐渐兴起，虽然Mapreduce也做了各种优化，但是在某些领域相比Spark还是有些差距）。
三 Hadoop安装
-
准备。同一局域网的Linux服务器数台，我是用我的游戏本同时开了3个虚拟机代替的。
-
Linux里创建hadoop用户，专门负责Hadoop项目，便于管理与权限划分。
-
安装JDK，下载Hadoop时官方会指明JDK版本需求，设置JDK环境变量
-
安装SSH并设置免密登录。因为HDFS的NameNode与其他DateNode等节点的通讯与管理就是基于SSH协议的。并且将要使用的机器域名写入hosts文件，方便命名。
-
去官网下载并解压Hadoop。修改hadoop配置文件，位于hadoop/etc/hadoop /下面，分别有：
- slaves。写入DateNode的机器，因为之前修改了域名解析文件，可以直接写域名，不用写IP了。
- core-site.xml。Hadoop的核心配置文件
fs.defaultFS，默认文件系统的主机和端口，这里的文件系统就是hdfs。
hadoop.tmp.dir hadoop的临时文件路径，不设置则会使用系统临时文件路径，系统重启后就丢失了。
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://Master:9000</value>
</property>
<property>
<name>hadoop.tmp.dir</name>
<value>file:/usr/local/hadoop/tmp</value>
<description>Abase for other temporary directories.</description>
</property>
</configuration>
- hdfs-site.xml。HDFS的配置文件
dfs.namenode.secondary.http-address。SecondNameNode的机器和端口
dfs.replication。HDFS系统保存的文件副本数。
dfs.namenode.name.dir，dfs.datanode.data.dir。NameNode和DataNode数据在原本文件系统中的存放位置。
<configuration>
<property>
<name>dfs.namenode.secondary.http-address</name>
<value>Master:50090</value>
</property>
<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>
- mapred-site.xml。MapReuce的配置文件
mapreduce.framework.name。MapReuce的资源管理系统。这个选yarn，原本是MapReuce自己进行分布式计算时的资源管理，后来发现效率不足便分割开来重新开发了一套框架。
mapreduce.jobhistory.address。MapReuce的任务日志系统，指定机器和端口。
mapreduce.jobhistory.webapp.address。任务日志系统web页面所使用的机器和端口，通过这个可以在web页面中查看任务日志系统。
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<property>
<name>mapreduce.jobhistory.address</name>
<value>Master:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>Master:19888</value>
</property>
</configuration>
- yarn-site.xml。YARN的配置文件
yarn.resourcemanager.hostname。YARN的ResourceManager所使用的机器。这个负责进行全局的资源分配，管理。
yarn.nodemanager.aux-services。可以自定义一些服务，比如MapReuce的shuffle就是用这个配置的。目前我们使用填shuffle就行了。
<configuration>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>Master</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
- 配置好以后将Hadoop文件从主节点复制到各个从节点，Hadoop的HADFS与MapReduce就安装完成了。（CentOs系统需要关闭相应防火墙）
四 Hadoop生态圈其他组件安装
看看网友博客和官方文档差不多就会了，基本一个形式。下载解压-配置环境变量-配置组件的配置文件，基本都是xxxx-env.sh,xxx-site.sh,xxx-core.sh，slave,work这种，在里面按照需求配置参数就好了，具体参数意思和必须要配置的参数看看官方文档也就懂了（滑稽）。