前言
| 目录 |
|---|
| 前言 |
| 单词统计 |
| 统计手机用户流量日志 |
| 即将开始... |
一、前言
大数据是个笼统又大的方向，在这个大方向上找到自己的兴趣点去钻研和学习是关键。
企业级的大数据，因为其海量数据，及大量请求、计算的特点，往往靠简单的工具如mysql，单机模式（无分布式），都会造成问题。而大量数据的存储计算，都是有价值的，可以对这些海量的数据进行分析、机器学习、报表运营等。
一般的BI（商业智能），如淘宝、京东、拼多多等，都会有这样的大数据建设平台。这里举个例子，如下订单、商品抢购这样的面向消费者的，和通过对大量实时、离线数据的计算、整合，提供有价值的信息，供上级运营决策，这是不同的方向，设计的路线有所不同，每个大数据话题背后，是大量的部门分工合作，一起往这个方向努力，也就有了面试造火箭，工作拧螺丝的说法。
但是在面向消费者的大数据平台，与面向上级决策的大数据平台，有其共同点，那就是都会使用高性能的数据库（redise、hbase、hdfs...），都会使用标准的数据报表、指标、维度、数据标签等，使用一些搜索性能高的存储工具（ElasticSearch），一些实时性较高的计算平台（olap）。
在我看来，大数据就是因为用户的使用产生了大量的数据，如何对这些数据进行实时、离线计算，建立相应的指标体系、报表体系来挖掘数据价值，以实现精准化营销，所以大数据内在本质也算是挖掘数据价值。
二、在谈论大数据的时候，我们都在谈论什么？
对我们最直观的应该是大数据都用了什么技术，其次才是大数据产生了什么效果，因为往往由大数据产生的技术是总结性的、笼统的，大家都在说什么产品用了什么大数据技术，但是这只是一个结论，在这背后我们技术人员最关心、最在意的应该是运用了什么技术。
谈论大数据绕不开的就是hadoop家族。
Hadoop家族.png
在各大互联网公司大数据岗位，掌握Hadoop技术栈，早已成为必要的技能点之一。
Hadoop
Hadoop是一个超大的生态圈，众多的组件工具（上图的Hadoop家族）都借助Hadoop分布式高可用、计算能力、廉价物理机部署等特点，运行在这个平台上，用来处理数据的存储、计算、采集、转换、展示等等。
Doug Cutting
虽然hadoop家族众多，但是最后的重点还是mapreduce和hdfs，一个是提供计算（mapreduce），一个是提供存储，而后的类似于yarn（Yet Another Resource Negotiator，另一种资源协调者）是对hadoop守护进程jobtracker的资源协调的补充，hive是对hdfs操作数据的工具，用于构建数据仓库的有效工具...
三、安装
hadoop下载链接
image.png
其中hadoop-2.7.7-src.tar.gz是hadoop的源码，hadoop-2.7.7.tar.gz则是可以用来安装的hadoop工具。
安装Hadoop集群通常要将安装软件解压到集群内的所有机器上。这里则是指的hadoop-2.7.7.tar.gz。
通常，集群里的一台机器被指定为 NameNode，另一台不同的机器被指定为JobTracker。这些机器是masters。余下的机器即作为DataNode也作为TaskTracker。这些机器是slaves。
我们用HADOOP_HOME指代安装的根路径。通常，集群里的所有机器的HADOOP_HOME路径相同。
配置文件
对Hadoop的配置通过conf/目录下的两个重要配置文件完成：
- hadoop-default.xml- 只读的默认配置。
- hadoop-site.xml - 集群特有的配置。
要了解更多关于这些配置文件如何影响Hadoop框架的细节，请看这里。
此外，通过设置conf/hadoop-env.sh中的变量为集群特有的值，你可以对bin/目录下的Hadoop脚本进行控制。
集群配置
要配置Hadoop集群，你需要设置Hadoop守护进程的运行环境和Hadoop守护进程的运行参数。
Hadoop守护进程指NameNode/DataNode 和JobTracker/TaskTracker。
配置Hadoop守护进程的运行环境
管理员可在conf/hadoop-env.sh脚本内对Hadoop守护进程的运行环境做特别指定。
至少，你得设定JAVA_HOME使之在每一远端节点上都被正确设置。
管理员可以通过配置选项HADOOP_*_OPTS来分别配置各个守护进程。 下表是可以配置的选项。
| 守护进程 | 配置选项 |
|---|---|
| NameNode | HADOOP_NAMENODE_OPTS |
| DataNode | HADOOP_DATANODE_OPTS |
| SecondaryNamenode | HADOOP_SECONDARYNAMENODE_OPTS |
| JobTracker | HADOOP_JOBTRACKER_OPTS |
| TaskTracker | HADOOP_TASKTRACKER_OPTS |
例如，配置Namenode时,为了使其能够并行回收垃圾（parallelGC）， 要把下面的代码加入到hadoop-env.sh :
export HADOOP_NAMENODE_OPTS="-XX:+UseParallelGC ${HADOOP_NAMENODE_OPTS}"
其它可定制的常用参数还包括：
- HADOOP_LOG_DIR - 守护进程日志文件的存放目录。如果不存在会被自动创建。
- HADOOP_HEAPSIZE - 最大可用的堆大小，单位为MB。比如，1000MB。 这个参数用于设置hadoop守护进程的堆大小。缺省大小是1000MB。
配置Hadoop守护进程的运行参数
这部分涉及Hadoop集群的重要参数，这些参数在conf/hadoop-site.xml中指定。
| 参数 | 取值 | 备注 |
|---|---|---|
| fs.default.name | NameNode的URI。 | hdfs://主机名/ |
| mapred.job.tracker | JobTracker的主机（或者IP）和端口。 | 主机:端口。 |
| dfs.name.dir | NameNode持久存储名字空间及事务日志的本地文件系统路径。 | 当这个值是一个逗号分割的目录列表时，nametable数据将会被复制到所有目录中做冗余备份。 |
| dfs.data.dir | DataNode存放块数据的本地文件系统路径，逗号分割的列表。 | 当这个值是逗号分割的目录列表时，数据将被存储在所有目录下，通常分布在不同设备上。 |
| mapred.system.dir | Map/Reduce框架存储系统文件的HDFS路径。比如/hadoop/mapred/system/。 | 这个路径是默认文件系统（HDFS）下的路径， 须从服务器和客户端上均可访问。 |
| mapred.local.dir | 本地文件系统下逗号分割的路径列表，Map/Reduce临时数据存放的地方。 | 多路径有助于利用磁盘i/o。 |
| mapred.tasktracker.{map|reduce}.tasks.maximum | 某一TaskTracker上可运行的最大Map/Reduce任务数，这些任务将同时各自运行。 | 默认为2（2个map和2个reduce），可依据硬件情况更改。 |
| dfs.hosts/dfs.hosts.exclude | 许可/拒绝DataNode列表。 | 如有必要，用这个文件控制许可的datanode列表。 |
| mapred.hosts/mapred.hosts.exclude | 许可/拒绝TaskTracker列表。 | 如有必要，用这个文件控制许可的TaskTracker列表。 |
通常，上述参数被标记为 final 以确保它们不被用户应用更改。
现实世界的集群配置
这节罗列在大规模集群上运行sort基准测试(benchmark)时使用到的一些非缺省配置。
- 运行sort900的一些非缺省配置值，sort900即在900个节点的集群上对9TB的数据进行排序：
| 参数 | 取值 | 备注 |
|---|---|---|
| dfs.block.size | 134217728 | 针对大文件系统，HDFS的块大小取128MB。 |
| dfs.namenode.handler.count | 40 | 启动更多的NameNode服务线程去处理来自大量DataNode的RPC请求。 |
| mapred.reduce.parallel.copies | 20 | reduce启动更多的并行拷贝器以获取大量map的输出。 |
| mapred.child.java.opts | -Xmx512M | 为map/reduce子虚拟机使用更大的堆。 |
| fs.inmemory.size.mb | 200 | 为reduce阶段合并map输出所需的内存文件系统分配更多的内存。 |
| io.sort.factor | 100 | 文件排序时更多的流将同时被归并。 |
| io.sort.mb | 200 | 提高排序时的内存上限。 |
| io.file.buffer.size | 131072 | SequenceFile中用到的读/写缓存大小。 |
- 运行sort1400和sort2000时需要更新的配置，即在1400个节点上对14TB的数据进行排序和在2000个节点上对20TB的数据进行排序：
| 参数 | 取值 | 备注 |
|---|---|---|
| mapred.job.tracker.handler.count | 60 | 启用更多的JobTracker服务线程去处理来自大量TaskTracker的RPC请求。 |
| mapred.reduce.parallel.copies | 50 | |
| tasktracker.http.threads | 50 | 为TaskTracker的Http服务启用更多的工作线程。reduce通过Http服务获取map的中间输出。 |
| mapred.child.java.opts | -Xmx1024M | 使用更大的堆用于maps/reduces的子虚拟机 |
Slaves
通常，你选择集群中的一台机器作为NameNode，另外一台不同的机器作为JobTracker。余下的机器即作为DataNode又作为TaskTracker，这些被称之为slaves。
在conf/slaves文件中列出所有slave的主机名或者IP地址，一行一个。
日志
Hadoop使用Apache log4j来记录日志，它由Apache Commons Logging框架来实现。编辑conf/log4j.properties文件可以改变Hadoop守护进程的日志配置（日志格式等）。
历史日志
作业的历史文件集中存放在hadoop.job.history.location，这个也可以是在分布式文件系统下的路径，其默认值为${HADOOP_LOG_DIR}/history。jobtracker的web UI上有历史日志的web UI链接。
历史文件在用户指定的目录hadoop.job.history.user.location也会记录一份，这个配置的缺省值为作业的输出目录。这些文件被存放在指定路径下的“_logs/history/”目录中。因此，默认情况下日志文件会在“mapred.output.dir/_logs/history/”下。如果将hadoop.job.history.user.location指定为值none，系统将不再记录此日志。
用户可使用以下命令在指定路径下查看历史日志汇总,这条命令会显示作业的细节信息，失败和终止的任务细节：
$bin/hadoop job -history output-dir
关于作业的更多细节，比如成功的任务，以及对每个任务的所做的尝试次数等可以用下面的命令查看:
$bin/hadoop job -history all output-dir
一但全部必要的配置完成，将这些文件分发到所有机器的HADOOP_CONF_DIR路径下，通常是${HADOOP_HOME}/conf。
Hadoop的机架感知
HDFS和Map/Reduce的组件是能够感知机架的。
NameNode和JobTracker通过调用管理员配置模块中的APIresolve来获取集群里每个slave的机架id。该API将slave的DNS名称（或者IP地址）转换成机架id。使用哪个模块是通过配置项topology.node.switch.mapping.impl来指定的。模块的默认实现会调用topology.script.file.name配置项指定的一个的脚本/命令。 如果topology.script.file.name未被设置，对于所有传入的IP地址，模块会返回/default-rack作为机架id。在Map/Reduce部分还有一个额外的配置项mapred.cache.task.levels，该参数决定cache的级数（在网络拓扑中）。例如，如果默认值是2，会建立两级的cache－ 一级针对主机（主机 -> 任务的映射）另一级针对机架（机架 -> 任务的映射）。
启动Hadoop
启动Hadoop集群需要启动HDFS集群和Map/Reduce集群。
格式化一个新的分布式文件系统：
$ bin/hadoop namenode -format
在分配的NameNode上，运行下面的命令启动HDFS：
$ bin/start-dfs.sh
bin/start-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动DataNode守护进程。
在分配的JobTracker上，运行下面的命令启动Map/Reduce：
$ bin/start-mapred.sh
bin/start-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上启动TaskTracker守护进程。
停止Hadoop
在分配的NameNode上，执行下面的命令停止HDFS：
$ bin/stop-dfs.sh
bin/stop-dfs.sh脚本会参照NameNode上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上停止DataNode守护进程。
在分配的JobTracker上，运行下面的命令停止Map/Reduce：
$ bin/stop-mapred.sh
bin/stop-mapred.sh脚本会参照JobTracker上${HADOOP_CONF_DIR}/slaves文件的内容，在所有列出的slave上停止TaskTracker守护进程。
