Hadoop入门教程

Posted 2022-05-18 J哥.

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Hadoop入门教程相关的知识，希望对你有一定的参考价值。

`Hadoop`入门教程

生命无罪，健康万岁，我是laity

分布式和集群的概念

分布式：多台机器，每台机器上部署不同组件。
集群：多台机器，每台机器上部署相同组件。

`Hadoop`核心组件

HDFS ：分布式文件存储系统，用于解决海量数据存储
YARN ：集群资源管理和任务调度框架，用于解决资源任务调度
MapReduce ：分布式计算框架，用于解决海量数据计算。

`HDFS` 的shell

博客

基础命令

hadoop fs -ls file:///  # 操作本地文件系统
hadoop fs -ls hdfs://Itlaity101:8020/  # 操作HDFS分布式文件系统
hadoop fs -ls / # 直接根目录，没有指定协议，将加载读取fs.defaultFS值。

# 创建文件夹  mkdir [-p] <hdfs 路径>
hadoop fs -mkdir /Itlaity
# 查看目录
hadoop fs -ls -h[-r] /
# 上传命令
hadoop fs -put [-f] [-p] <localsrc:本地路径-客户端> <dst:HDFS地址>
hadoop fs -put file:///root/1.txt hdfs://Itlaity101:8020/Itlaity/   # 标准写法
hadoop fs -put 1.txt /Itlaity/  # 简化写法  -- 参数配置好
# 查看文件内容
hadoop fs -cat <src>
hadoop fs -cat /Itlaity/1.txt
# 下载HDFS文件
hadoop fs -get <src> <localsrc>  # 和上传命令相反
-f 覆盖 -p 保留访问和修改的时间，所有权和权限。
# 拷贝HDFS文件
hadoop fs -cp [-f] <src> <dst>
# 追加数据操作
hadoop fs -appendToFile <localsrc> <dst>   # 小文件追加合并
# 移动数据操作
hadoop fs -mv <src> <dst>

# dst -- HDFS地址  localsrc  -- 客户端地址  src -- HDFS相对路径

选项名称	使用格式	含义
-ls	-ls <路径>	查看指定路径的当前目录结构
-lsr	-lsr <路径>	递归查看指定路径的目录结构
-du	-du <路径>	统计目录下各文件大小
-dus	-dus <路径>	汇总统计目录下文件(夹)大小
-count	-count [-q] <路径>	统计文件(夹)数量
-mv	-mv <源路径> <目的路径>	移动
-cp	-cp <源路径> <目的路径>	复制
-rm	-rm [-skipTrash] <路径>	删除文件/空白文件夹
-rmr	-rmr [-skipTrash] <路径>	递归删除
-put	-put <多个linux上的文件> <hdfs 路径>	上传文件
-copyFromLocal	-copyFromLocal <多个linux 上的文件> <hdfs 路径>	从本地复制
-moveFromLocal	-moveFromLocal <多个linux 上的文件> <hdfs 路径>	从本地移动
-getmerge	-getmerge <源路径> <linux 路径>	合并到本地
-cat	-cat <hdfs 路径>	查看文件内容
-text	-text <hdfs 路径>	查看文件内容
-copyToLocal	-copyToLocal [-ignoreCrc] [-crc] [hdfs 源路径] [linux 目的路径]	复制到本地
-moveToLocal	-moveToLocal [-crc] <hdfs 源路径> <linux目的路径>	移动到本地
-setrep	-setrep [-R] [-w] <副本数> <路径>	修改副本数量
-mkdir	-mkdir <hdfs 路径>	创建空白文件夹
-touchz	-touchz <文件路径>	创建空白文件
-stat	-stat [format] <路径>	显示文件统计信息
-tail	-tail [-f] <文件>	查看文件尾部信息
-chmod	-chmod [-R] <权限模式> [路径]	修改权限
-chown	-chown [-R] [属主]: [属组]路径	修改属主
-chgrp	-chgrp [-R] 属组名称路径	修改属组
-help	-help -help [命令选项]	帮助

Namenode – 大内存

Datanode – 大磁盘

`MapReduce`

分布式计算框架 – 现在已经退居二线了

`MapReduce` 思想

分而治之思想 – 大数据框架都集成这个思想

核心思想 ：”先分再合，分而治之”。

把大的拆分成小的，把复杂的拆分成简单的，然后再合并组成这个问题的最终结果。
Map 表示第一阶段，负责”拆分”
Reduce表示第二阶段，负责”合并”：即对map阶段的结果进行全局汇总。
学会提交MapReduce程序

`MapReduce` 执行流程

# 体验一下
myhadoop.sh start  # 执行脚本启动集群                                      
cd /opt/laityInstall/hadoop/share/hadoop/mapreduce    # 切换路径
hadoop jar hadoop-mapreduce-examples-3.3.0.jar pi 2 2 # 执行命令

`YARN`

通用的资源管理系统和调度平台。

ResourceManager (RM)
- YARN集群中的主角色，决定系统中所有应用程序之间资源分配的最终权限，即最终仲裁权。
- 提交用户的作业情况，并通过NM分配、管理各个机器上的计算资源。
NodeMananger (NM)
- YARN中的从角色，一台机器一个，负责管理本机器上的计算资源。
- 根据RM命令，启动Container容器、监视容器的资源使用情况。并且向RM主角色汇报资源使用情况。
ApplicationMaster(App Mstr) (AM)
- 用户提交的每个应用程序均包含一个AM。
- 应用程序中的”老大”，负责程序内部各阶段的资源申请，监督程序的执行情况。
Client
- 用户端
Container容器(资源的抽象)

YARN调度策略

Scheduler – 没有好的调度器，只有符合你业务的调度器
- FIFO Scheduler : 先进先出调度器
- Capacity Scheduler ：容量调度器 – Apache版本YARN默认使用
- Fair Scheduler ：公平调度器

数据仓库基础知识

概念：数据仓库，是一个用于存储、分析、报告的数据系统。

数据仓库的目的是构建面向分析的集成化数据环境，分析结果为企业提供决策支持。

Hive入门

Hive是基于Hadoop的数据仓库软件，我们负责写Sql，Hive将我们写的Sql帮助我们转为mr。

元数据：表与文件的对应关系

元数据的概念：Metadate，又称中介数据、中继数据，为描述数据的数据，主要描述数据的属性信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。

元数据的存储：Hive说如果你不想自己存我有一个自己的关系型数据库Derby，当然你也可以使用第三方如mysql等。

Hive安装部署

搭建远程服务：不使用Hive自己的数据库，使用第三方数据库

<!--在core-size.xml中添加-->
    <!-- 整合hive 用户代理设置 -->
    <property>
        <name>hadoop.proxyuser.root.hosts</name>
        <value>*</value>
    </property>

    <property>
        <name>hadoop.proxyuser.root.groups</name>
        <value>*</value>
    </property>

        <!-- 文件系统垃圾桶保存时间 -->
    <property>
        <name>fs.trash.interval</name>
        <value>1440</value>
    </property>

安装`MySQL`数据库

已完成

Hive安装

只需要在一台服务器上安装即可
上传安装包并解压

tar zxvf apache-hive-3.1.2-bin.tar.gz -C /opt/laityInstall/

解决Hive与Hadoop之间guava版本差异

cd /opt/laityInstall/apache-hive-3.1.2-bin/
rm -rf lib/guava-19.0.jar
cp /opt/laityInstall/hadoop/share/hadoop/common/lib/guava-27.0-jre.jar ./lib/

修改配置文件

hive-env.sh

cd /opt/laityInstall/apache-hive-3.1.2-bin/conf
mv hive-env.sh.template hive-env.sh

vim hive-env.sh
export HADOOP_HOME=/opt/laityInstall/hadoop
export HIVE_CONF_DIR=/opt/laityInstall/apache-hive-3.1.2-bin/conf
export HIVE_AUX_JARS_PATH=/opt/laityInstall/apache-hive-3.1.2-bin/lib

hive-site.xml

vim hive-site.xml

<configuration>
<!-- 存储元数据mysql相关配置 -->
<property>
	<name>javax.jdo.option.ConnectionURL</name>
	<value>jdbc:mysql://Itlaity101:3306/hive3?createDatabaseIfNotExist=true&amp;useSSL=false&amp;useUnicode=true&amp;characterEncoding=UTF-8</value>
</property>

<property>
	<name>javax.jdo.option.ConnectionDriverName</name>
	<value>com.mysql.jdbc.Driver</value>
</property>

<property>
	<name>javax.jdo.option.ConnectionUserName</name>
	<value>root</value>
</property>

<property>
	<name>javax.jdo.option.ConnectionPassword</name>
	<value>Wang9264.</value>
</property>

<!-- H2S运行绑定host -->
<property>
    <name>hive.server2.thrift.bind.host</name>
    <value>Itlaity101</value>
</property>

<!-- 远程模式部署metastore metastore地址 -->
<property>
    <name>hive.metastore.uris</name>
    <value>thrift://Itlaity101:9083</value>
</property>

<!-- 关闭元数据存储授权  --> 
<property>
    <name>hive.metastore.event.db.notification.api.auth</name>
    <value>false</value>
</property>
</configuration>

上传mysql jdbc驱动到hive安装包lib下
```
mysql-connector-java-5.1.32.jar
```

初始化元数据

cd /opt/laityInstall/apache-hive-3.1.2-bin/

bin/schematool -initSchema -dbType mysql -verbos
#初始化成功会在mysql中创建74张表

在hdfs创建hive存储目录（如存在则不用操作）

hadoop fs -mkdir /tmp
hadoop fs -mkdir -p /user/hive/warehouse
hadoop fs -chmod g+w /tmp
hadoop fs -chmod g+w /user/hive/warehouse

启动hive

1、启动metastore服务

#前台启动  关闭ctrl+c
/opt/laityInstall/apache-hive-3.1.2-bin/bin/hive --service metastore

#前台启动开启debug日志
/opt/laityInstall/apache-hive-3.1.2-bin/bin/hive --service metastore --hiveconf hive.root.logger=DEBUG,console  

#后台启动 进程挂起  关闭使用jps+ kill -9
nohup /opt/laityInstall/apache-hive-3.1.2-bin/bin/hive --service metastore &

# 查看jps
83078 RunJar  -- 有这个就说明后台启动成功了

2、启动hiveserver2服务 – 不推荐

nohup /opt/laityInstall/apache-hive-3.1.2-bin/bin/hive --service hiveserver2 &

#注意 启动hiveserver2需要一定的时间  不要启动之后立即beeline连接 可能连接不上
# 显示两个 runjar 就是成功的表现
/opt/laityInstall/apache-hive-3.1.2-bin/bin/hive

3、beeline客户端连接 – 推荐

拷贝node1安装包到beeline客户端机器上（node3）

scp -r /opt/laityInstall/apache-hive-3.1.2-bin/ Itlaity103:/export/server/

错误

Error: Could not open client transport with JDBC Uri: jdbc:hive2://node1:10000: Failed to open new session: java.lang.RuntimeException: org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.security.authorize.AuthorizationException): User: root is not allowed to impersonate root (state=08S01,code=0)

修改

在hadoop的配置文件core-site.xml中添加如下属性：
<property>
        <name>hadoop.proxyuser.root.hosts</name>
      <value>*</value>
</property>
<property>
        <name>hadoop.proxyuser.root.groups</name>
        <value>*</value>
</property>

连接访问

/opt/laityInstall/apache-hive-3.1.2-bin/bin/beeline

beeline> ! connect jdbc:hive2://Itlaity101:10000
beeline> root
beeline> 直接回车

错误解决：Hive3执行insert插入操作 statstask异常

现象

在执行insert + values操作的时候  虽然最终执行成功，结果正确。但是在执行日志中会出现如下的错误信息。

- 开启hiveserver2执行日志。查看详细信息

  ```
  2020-11-09 00:37:48,963 WARN  [5ce14c58-6b36-476a-bab8-89cba7dd1706 main] metastore.RetryingMetaStoreClient: MetaStoreClient lost connection. Attempting to reconnect (1 of 1) after 1s. setPartitionColumnStatistics
  
  ERROR [5ce14c58-6b36-476a-bab8-89cba7dd1706 main] exec.StatsTask: Failed to run stats task
  ```

- 但是 ==此错误并不影响最终的插入语句执行成功==。

- 分析原因和解决

  - statstask是一个hive中用于统计插入等操作的状态任务  其返回结果如下

   ![在这里插入图片描述](https://img-blog.csdnimg.cn/95f33f406dff4da680b401ec37de1000.png)



  - 此信息类似于计数器 用于告知用户插入数据的相关信息 但是不影响程序的正常执行。

  - Hive新版本中 这是一个issues  临时解决方式如下

    https://community.cloudera.com/t5/Support-Questions/Hive-Metastore-Connection-Failure-then-Retry/td-p/151661

  ![在这里插入图片描述](https://img-blog.csdnimg.cn/93ebc442551b44cc83fe376844e53a21.png)



  - ==在mysql metastore中删除 PART_COL_STATS这张表即可==。

`SQL`语言：

Hive可视化客户端：DataGrip、Dbeaver、SQuirrel SQL Client等

`DML`语法:

关系型数据库sql语句我之前复习完完不久，所以我这里就再不做笔记了。

Load加载数据操作

# Hive服务的启动
nohup /opt/laityInstall/apache-hive-3.1.2-bin/bin/hive --service metastore &  # metastore
nohup /opt/laityInstall/apache-hive-3.1.2-bin/bin/hive --service hiveserver2 &  # hiveserver2
# 客户端连接
/opt/laityInstall/apache-hive-3.1.2-bin/bin/beeline
beeline> ! connect jdbc:hive2://Itlaity101:10000
beeline> root
beeline> 直接回车
# 在 beeline客户端 中执行 -- 复制
load data local inpath "Hive部署的服务器中文件的地址(Itlaity101)" into table "HDFS存放的目标位置";
# 移动
load data inpath "HDFS的文件位置" into table "HDFS存放的目标位置";

insert插入数据操作

# 标准插入  -- 时间很慢
insert into table 表名("指定键") values("数据"...);
insert into table 表名 values("数据"...);
# insert + select
insert into table 表名 select 字段,字段... from student;

select查询语句

# having与where区别  -- 两个都是过滤
having 在分组(group by)后对数据进行过滤
where是在分组前对数据进行过滤
having可以使用聚合函数
where不可以使用聚合函数
# 执行顺序
select state,sum(deaths) as cnts from t_usa_covid19
where count_date = "2021-01-28"
group by state
having cnts> 10000
limit 2;
# 也就是 from > where > group by > having > limit > order by > select

join 关联查询外键

# 使用最多的join分别是：
inner join -- 内连接
left join  -- 左连接
# 内连接 -- 关联表的交集部分
# 左连接 -- 以左边表的全部数据为准，右边与之关联；左表数据全部返回，右表关联上的显示返回，关怀不上的显示null返回。

Hive 常用函数

# 查看hive有哪些函数
show functions;
# 描述一个函数的用法
describe function extended 函数名(count);

创作打卡挑战赛

赢取流量/现金/CSDN周边激励大奖

以上是关于Hadoop入门教程的主要内容，如果未能解决你的问题，请参考以下文章

HDU2022 海选女主角

hadoop入门容易吗？

Hadoop入门教程免费下载

Hadoop开发 Hadoop视频教程段海涛老师Hadoop完全攻克Hadoop视频教程 Hadoop开发

视频教程:hadoop基础及演练 hadoop视频教程 hadoop从入门到精通的学习

尚硅谷大数据Hadoop教程-笔记01入门

Hadoop入门教程

Hadoop入门教程

分布式和集群的概念

Hadoop核心组件

HDFS 的shell

基础命令

MapReduce

MapReduce 思想

MapReduce 执行流程

YARN

YARN调度策略

数据仓库基础知识

Hive入门

Hive安装部署

安装MySQL数据库

Hive安装

2、启动hiveserver2服务 – 不推荐

3、beeline客户端连接 – 推荐

连接访问

SQL语言：

DML语法:

Load加载数据操作

insert插入数据操作

select查询语句

join 关联查询 外键

Hive 常用函数

`Hadoop`入门教程

`Hadoop`核心组件

`HDFS` 的shell

`MapReduce`

`MapReduce` 思想

`MapReduce` 执行流程

`YARN`

安装`MySQL`数据库

`SQL`语言：

`DML`语法:

join 关联查询外键