目录

一、什么是Hadoop框架：

二、Hadoop三大发行版：

1.Apache Hadoop

2.Cloudera Hadoop

3.Hortonworks Hadoop

三、Hadoop的优势：

四、Hadoop组成：

1.HDFS架构概述：

a）NameNode（nn）：

b）DataNode（dn）：

c）Secondary NameNode（2nn）：

2.YARN架构概述：

3.MapReduce框架概述：

五、大数据生态体系：

六、VMware安装：

1.配置IP和主机名称：

修改虚拟机IP：

在虚拟机中修改配置：

在Windows中修该配置：

2.使用远程连接软件访问服务器：

3.配置模板虚拟机：

安装epel-release：

注意：

关闭防火墙，关闭防火墙开机自启：

配置用户权限：

4.创捷文件夹：

5.卸载虚拟机自带的JDK：

6.重启虚拟机：

六、克隆虚拟机：

修改克隆后的虚拟机IP：

七、在Hadoop_02虚拟机上安装JDK：

上传JDK和Hadoop的压缩包到主机：

八、在Hadoop_02虚拟机上安装Hadoop：

---

一、什么是Hadoop框架：

• Hadoop是一个由Apache基金会所开发的分布式系统基础框架。
• 解决海量数据的存储和海量数据的分析计算。

• Hadoop通常指一个更加广泛的概念——Hadoop生态圈。

• GFS——分布式存储——HDFS
• MapReduce——分布式计算——MR

• BigTable——分布式数据库——HBase

---

二、Hadoop三大发行版：

Hadoop三大发行版本：Apache、Cloudera、Hortonworks。

Apache版本最原始（最基础）的版本，对于入门学习最好。

Cloudera内部集成了很多大数据框架。对应产品CDH。

Hortonworks文档较好。对应产品HDP。

1.Apache Hadoop

官 地址：http://hadoop.apache.org/releases.html

下载地址：Index of /dist/hadoop/common

2.Cloudera Hadoop

官 地址：https://www.cloudera.com/downloads/cdh/5-10-0.html

下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/

（1）2008年成立的Cloudera是最早将Hadoop商用的公司，为合作伙伴提供Hadoop的商用解决方案，主要是包括支持、咨询服务、培训。

（2）2009年Hadoop的创始人Doug Cutting也加盟Cloudera公司。Cloudera产品主要为CDH，Cloudera Manager，Cloudera Support

（3）CDH是Cloudera的Hadoop发行版，完全开源，比Apache Hadoop在兼容性，安全性，稳定性上有所增强。Cloudera的标价为每年每个节点10000美元。

（4）Cloudera Manager是集群的软件分发及管理监控平台，可以在几个小时内部署好一个Hadoop集群，并对集群的节点及服务进行实时监控。

3.Hortonworks Hadoop

官 地址：https://hortonworks.com/products/data-center/hdp/

下载地址：https://hortonworks.com/downloads/#data-platform

（1）2011年成立的Hortonworks是雅虎与硅谷风投公司Benchmark Capital合资组建。

（2）公司成立之初就吸纳了大约25名至30名专门研究Hadoop的雅虎工程师，上述工程师均在2005年开始协助雅虎开发Hadoop，贡献了Hadoop80%的代码。

（3）Hortonworks的主打产品是Hortonworks Data Platform（HDP），也同样是100%开源的产品，HDP除常见的项目外还包括了Ambari，一款开源的安装和管理系统。

（4）Hortonworks目前已经被Cloudera公司收购。

---

三、Hadoop的优势：

• 高可靠性：Hadoop底层维护多个数据副本，所以即使Hadoop某个计算元素或者存储出现故障，也不会导致数据丢失。
• 高扩展性：在集群间分配任务数据，可方便扩展数以千记得节点。

• 高效性：MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
• 高容错性：能够自动将失败的任务重新分配。

解释：

• 并行是指“并排行走”或“同时实行或实施”。在操作系统中是指，一组程序按独立异步的速度执行，无论从微观还是宏观，程序都是一起执行的。对比地，并发是指:在同一个时间段内，两个或多个程序执行，有时间上的重叠(宏观上是同时,微观上仍是顺序执行)。
• 并发，在操作系统中，是指一个时间段中有几个程序都处于已启动运行到运行完毕之间，且这几个程序都是在同一个处理机上运行，但任一个时刻点上只有一个程序在处理机上运行。

---

四、Hadoop组成：

1.HDFS架构概述：

Hadoop Distributed File System：Hadoop分布式文件系统

a）NameNode（nn）：

存储文件的元数据，如：文件名、目录结构、文件属性（生成时间、副本数、文件权限）、以及每个文件的块列表和块所在的DataNode等。

b）DataNode（dn）：

在本地文件系统存储文件数据模块，以及块数据的校验和。

c）Secondary NameNode（2nn）：

每隔一段时间对NameNode元数据备份（注意：他不是nn的热备份，不能替代nn执行相关的功能），协助nn执行功能。

2.YARN架构概述：

YARN资源调度：cpu、内存等

3.MapReduce框架概述：

MapReduce：将计算过程分为两个阶段：Map、Reduce

• Map阶段并行处理输入的数据
• Reduce阶段对Map结果进行汇总

---

五、大数据生态体系：

• Sqoop：Sqoop是一款开源的工具，主要用于在Hadoop、Hive与传统的数据库（MySql）间进行数据的传递，可以将一个关系型数据库（例如：MySQL，Oracle 等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。
• Flume：Flume是一个高可用的，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；

• Kafka：Kafka是一种高吞吐量的分布式发布订阅消息系统；
• Storm：Storm用于“连续计算”，对数据流做连续查询，在计算时就将结果以流的形式输出给用户。

• Spark：Spark是当前最流行的开源大数据内存计算框架。可以基于Hadoop上存储的大数据进行计算。
• Flink：Flink是当前最流行的开源大数据内存计算框架。用于实时计算的场景较多。

• Oozie：Oozie是一个管理Hdoop作业（job）的工作流程调度管理系统。
• Hbase：HBase是一个分布式的、面向列的开源数据库。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。

• Hive：Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
• ZooKeeper：它是一个针对大型分布式系统的可靠协调系统，提供的功能包括：配置维护、名字服务、分布式同步、组服务等。

---

六、VMware安装：

传送口：安装虚拟机

1.配置IP和主机名称：

修改虚拟机IP：

更改配置：

在虚拟机中修改配置：

在虚拟机中执行：：打开Linux中的 络配置文件

：修改主机名称

：主机名映射

：重启Linux

：查看ip地址

：能ping成功说明 络连接成功

：停止ping操作

在Windows中修该配置：

打开 络设置，修改适配器选项

右键打开VMware属性，双击internet协议版本4（TCP/IPv4），修改常规

2.使用远程连接软件访问服务器：

Xshell：远程连接工具

Xftp：远程文件上传工具

3.配置模板虚拟机：

安装epel-release：

注意：

如果安装的是Linux最小系统版本，还需要安装如下工具，如果安装的是Linux的桌面标准版，则不需要执行以下操作：

• net-tool：工具包集合，包含等命令：

关闭防火墙，关闭防火墙开机自启：

配置用户权限：

创建用户，配置用户权限（我这里直接使用root用户）

4.创捷文件夹：

5.卸载虚拟机自带的JDK：

注意：虚拟机是最小安装，可以不执行这一步！

• rpm -qa：查询安装的所有rpm软件包
• grep -i：忽略大小写

• xargs -n1：表示每一次只传递一个参数
• rpm -e –nodeps：强制卸载软件

6.重启虚拟机：

---

六、克隆虚拟机：

注意：需要关闭虚拟机！！！（学习时只克隆了三台）

修改克隆后的虚拟机IP：

打开Hadoop_02虚拟机：