python大数据基础知识点（Hadoop+HDFS+MapReduce+Hive+Hbase）_hadooppython 编程语言 灵活运用 hdfs,hive,spark,mapreduce 等

                                                                          python大数据基础知识点

 

 

***概述

起源：Google 3篇论文   GFS ,MapReduce ,BigTable

Doug Cutting 写 Hadoop

HDFS - GFS，

MapReduce -- MapReduce，

HBase--- BigTable

 

hadoop主要分类：

        1. apache组织的 开源版  互联网

         2. cloudera CDH

                 雇佣 Doug Cutting  4000美金

         3，Hortonworks 最初apache组织 hadoop的开发人员 创立12000美元 （10个）

 

一，大数据基础：

         1，4v特点:大量的；多样性（结构化-数据库，半结构化json，非结构化-音视频）

               快速的-处理数据快；价值-在海量没有价值的低价值的数据中获取有价值的

         2，数据怎么存？

         HDFS，hadoop分布式文件存储系统hadoop distributed file system

         主从式架构：nameNode,dataNode

         nameNode:维护目录结构；记录文件相关信息-权限大小所属组；DataNode与文件块对应关系 副本集。

         DataNode：以块的形式128M存储数据;存储副本集保证数据的安全；校验和，检验文件是否损坏。

        

         3，怎么运算，处理数据？

         移动代码，以MapReduce方式移动

         yarn集群机制来监控Map和Reduce处理数据，并调度计算机cpu内存网络等资源

 

 

二，搭建hadoop集群单节点：（伪分布式集群）

         1，设置网络、主机名和主机映射，关闭防火墙和selinux

         2，安装JDK

         3，上传并解压hadoop安装版:一般放置在/etc/opt/install/hadoop

                   tar -zxvf hadoopxxx.tar.gz -C /opt/install

        

         4,配置文件：hadoop环境jdk，hadoop四大模块配置

                   hadoop-env.sh  :export JAVA_HOME =/usr/java/jdk1.8xxx

                   hadoop_home/etc/hadoop/core-site.xml

                   hdfs-site.xml

                   yarn-site.xml

                   mapred-site.xml

         5,启动单集群单节点：

                   先初始化hadoop_home：bin/hdfs namenode -format

                   启动nameNone,dataNode,yarn-resourcemanager-nodemanager

                   jps查看进程

                   通过网络访问：

                   HDFS   http://hadoop.jun.com:50070

                       yarn   http://hadoop.jun.com:8088

 

三，HDFS系统的访问和操作：

         主从式架构，namenode对外client提供访问；

         访问和操作：存储、读取数据、删除数据、创建目录；

         客户端通过shell命令行和python代码来访问HDFS.

         1,常用shell命令：在hadoop_home下：

         bin/hdfs dfs -ls /

         bin/hdfs dfs -mkdir -p /xiaoming/daming

         bin/hdfs dfs -put 本地目录 /jun远程目录

         bin/hdfs dfs -text/-cat /jun  查看文本文件

         bin/hdfs dfs -get hdfs目录  本地目录：下载

         bin/hdfs dfs -rm -r /jun/text :删除

         bin/hdfs dfs -cp 原始位置 目标位置   复制

         bin/hdfs dfs -mv 原始位置 目标位置   移动

         2，垃圾箱保存时间：

         core-site.xml:

         <name>fs.trash.interval

         <value>10     0-不保存

         3，HDFS权限问题：客户端要上传文件需要

         hdfs-site.xml:

         <name>dfs.permissions.enabled

         <value>false

         4,python访问：

         pip install hdfs

         from hdfs import Client

         client = Client("http://192.xxx:50070")

         files = client.list('/')

         upload('/',‘text’); download('/jun','ce')

         delete('/jun',True);makedirs('jun');

         rename('')改名

         5，ssh免密登录：

         生成公私秘钥：ssh-keygen -t rsa

         (生成在~/.ssh目录下id_rsa是私，id_rsa.pub公)

         发送到远端主机：ssh-copy-id root@ip

         (会添加到远端主机的authorized_keys文件中)

 

四，HDFS集群搭建：

         1，设置网络、主机名和主机映射，关闭防火墙和selinux

         2，安装JDK

         3，所有节点安装相同版本hadoop安装版:一般放置在/etc/opt/install/hadoop

                   tar -zxvf hadoopxxx.tar.gz -C /opt/install