Hadoop（一）Hadoop的简介与源码编译
一 Hadoop简介
1.1Hadoop产生的背景
1. HADOOP最早起源于Nutch。Nutch的设计目标是构建一个大型的全网搜索引擎，包括网页抓取、索引、查询等功能，但随着抓取网页数量的增加，遇到了严重的可扩展性问，如何解决数十亿网页的存储和索引问题。
2. 2003年开始谷歌陆续发表的三篇论文为该问题提供了可行的解决方案。
- 分布式文件系统（GFS），可用于处理海量网页的存储
- 分布式计算框架MAPREDUCE，可用于处理海量网页的索引计算问题。
- BigTable 数据库：OLTP 联机事务处理 Online Transaction Processing 增删改，OLAP 联机分析处理 Online Analysis Processing 查询，真正的作用：提供了一种可以在超大数据集中进行实时CRUD操作的功能
3.Nutch的开发人员完成了相应的开源实现HDFS和MAPREDUCE，并从Nutch中剥离成为独立项目HADOOP，到2008年1月，HADOOP成为Apache顶级项目，迎来了它的快速发展期。
1.2 Hadoop的优势
1）高可靠性：因为Hadoop假设计算元素和存储会出现故障，因为它维护多个工作数据副本，在出现故障时可以对失败的节点重新分布处理
2）高扩展性：在集群间分配任务数据，可方便的扩展数以千计的节点。
3）高效性：在MapReduce的思想下，Hadoop是并行工作的，以加快任务处理速度。
4）高容错性：自动保存多份副本数据，并且能够自动将失败的任务重新分配。
1.3 Hadoop组成
1）Hadoop HDFS：一个高可靠、高吞吐量的分布式文件系统。
2）Hadoop MapReduce：一个分布式的离线并行计算框架。
3）Hadoop YARN：作业调度与集群资源管理的框架。
4）Hadoop Common：支持其他模块的工具模块。
1.4.1 YARN架构概述
1）ResourceManager(rm)： 处理客户端请求、启动/监控ApplicationMaster、监控NodeManager、资源分配与调度；
2）NodeManager(nm)：单个节点上的资源管理、处理来自ResourceManager的命令、处理来自ApplicationMaster的命令；
3）ApplicationMaster：数据切分、为应用程序申请资源，并分配给内部任务、任务监控与容错。
4）Container：对任务运行环境的抽象，封装了CPU、内存等多维资源以及环境变量、启动命令等任务运行相关的信息。
1.4.2 MapReduce架构概述 MapReduce将计算过程分为两个阶段：Map和Reduce
1）Map阶段并行处理输入数据
1.4 大数据技术生态体系图
Hadoop生态圈重点组件：
HDFS：Hadoop的分布式文件存储系统。
MapReduce：Hadoop的分布式程序运算框架，也可以叫做一种编程模型。
Hive：基于Hadoop的类SQL数据仓库工具
Hbase：基于Hadoop的列式分布式NoSQL数据库
ZooKeeper：分布式协调服务组件
Mahout：基于MapReduce/Flink/Spark等分布式运算框架的机器学习算法库
Oozie/Azkaban：工作流调度引擎
Sqoop：数据迁入迁出工具
Flume：日志采集工具
获取数据的三种方式
1、自己公司收集的数据–日志 或者 数据库中的数据
2、有一些数据可以通过爬虫从网络中进行爬取
3、从第三方机构购买
二 Hadoop编译源码
2.1 前期准备工作
1）CentOS联网
配置CentOS能连接外网。最好是用新克隆的虚拟机 注意：采用root角色编译，减少文件夹权限出现问题，yum源最好用org官方的，虚拟机内存设置大一点（我这里设置的2G）。
2）编译环境说明
打开下载的hadoop2.7.6源码并解压，打开解压目录下的BUILDING.txt，编译过程和需要的软件其实就是根据这个文档里的描述来的。
[root@node100 software]# tar -zxvf hadoop-2.7.6-src.tar.gz -C /opt/
[root@node100 hadoop-2.7.6-src]# cat BUILDING.txt
3）jar包准备 (hadoop源码、JDK7 、 maven、 ant 、protobuf)
（1）hadoop-2.7.6-src.tar.gz
（2）jdk-7u80-linux-x64.tar.gz
（3）apache-ant-1.9.9-bin.tar.gz
（4）apache-maven-3.1.1-bin.tar.gz
（5）protobuf-2.5.0.tar.gz
2.2 jar包安装
0）注意：所有操作必须在root用户下完成
1）安装jdk,maven,ant,配置环境变量，验证
[root@node100 software]# tar -zxf jdk-7u80-linux-x64.tar.gz -C /opt/module/ [root@node100 software]# tar -zxvf apache-maven-3.1.1-bin.tar.gz -C /opt/module/ [root@node100 software]# tar -zxvf apache-ant-1.9.9-bin.tar.gz -C /opt/module/ [root@node100 software]# vi /etc/profile #JAVA_HOME export JAVA_HOME=/opt/module/jdk1.7.0_80 export PATH=$PATH:$JAVA_HOME/bin #MAVEN_HOM export MAVEN_HOME=/opt/module/apache-maven-3.1.1 export PATH=$PATH:$MAVEN_HOME/bin #ANT_HOME export ANT_HOME=/opt/module/apache-ant-1.9.11 export PATH=$PATH:$ANT_HOME/bin [root@node100 software]#source /etc/profile java -version mvn -version ant -version
修改maven的配置文件，添加maven的下载源
[root@node100 software]# cd /opt/module/apache-maven-3.1.1/conf/ [root@node100 conf]# vi settings.xml
在mirrors中添加alimaven的下载源
<mirrors>
<!-- mirror
| Specifies a repository mirror site to use instead of a given repository. The repository that
| this mirror serves has an ID that matches the mirrorOf element of this mirror. IDs are used
| for inheritance and direct lookup purposes, and must be unique across the set of mirrors.
|
<mirror>
<id>alimaven</id>
<mirrorOf>central</mirrorOf>
<name>aliyun maven</name>
<url>http://maven.aliyun.com/nexus/content/groups/public/</url>
</mirror>
<mirror>
<id>mirrorId</id>
<mirrorOf>repositoryId</mirrorOf>
<name>Human Readable Name for this Mirror.</name>
<url>http://my.repository.com/repo/path</url>
</mirror>
-->
</mirrors>
2）安装protobuf，配置环境变量，验证
[root@node100 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/ [root@node100 software]# cd /opt/module/protobuf-2.5.0/ [root@node100 protobuf-2.5.0]#./configure [root@node100 protobuf-2.5.0]# make & make install [root@node100 protobuf-2.5.0]# vi /etc/profile #LD_LIBRARY_PATH export LD_LIBRARY_PATH=/opt/module/protobuf-2.5.0 export PATH=$PATH:$LD_LIBRARY_PATH [root@node100 software]#source /etc/profile 验证命令：protoc --version
3）安装 各种库 命令如下:
[root@node100 ~]# yum -y install svn ncurses-devel gcc* [root@node100 ~]# yum -y install lzo-devel zlib-devel autoconf automake libtool cmake openssl-devel
到此，编译工具安装基本完成。
2.3 编译源码
1）解压源码到/opt/目录
[root@node100 software]# tar -zxvf hadoop-2.7.6-src.tar.gz -C /opt/
2）进入到hadoop源码主目录，通过maven执行编译命令
[root@node100 ~]# cd /opt/hadoop-2.7.6-src/ [root@node100 hadoop-2.7.6-src]# mvn package -Pdist,native -DskipTests -Dtar
等待时间30分钟左右，最终成功是全部SUCCESS，首次编译时间可能会有两三个小时
3）成功的64位hadoop包在/opt/hadoop-2.7.6-src/hadoop-dist/target下。
[root@node100 ~]# cd /opt/hadoop-2.7.6-src/hadoop-dist/target/
2.4 常见的问题及解决方案
1）MAVEN install时候JVM内存溢出
处理方式：在环境配置文件和maven的执行文件均可调整MAVEN_OPT的heap大小。（详情查阅MAVEN 编译 JVM调优问题，如：http://outofmemory.cn/code-snippet/12652/maven-outofmemoryerror-method）
2）编译期间maven报错。可能网络阻塞问题导致依赖库下载不完整导致，多次执行命令（一次通过比较难）
[root@hadoop101 hadoop-2.7.6-src]# mvn clean package -Pdist,native -DskipTests -Dtar
3）报ant、protobuf等错误，插件下载未完整或者插件版本问题，最开始链接有较多特殊情况，同时推荐
2.7.0版本的问题汇总帖子 http://www.tuicool.com/articles/IBn63qf