大数据技术词汇
未来的竞争，是数据之争。大数据本质上是Hadoop的生态群，下面是常用技术词汇
ETL：代表提取、转换和加载。Hadoop：分布式系统基础架构HDFS：分布式文件系统HBase：大数据的NoSQL数据库Hive：数据仓库工具DAG ：第二代计算引擎Spark：第三代数据处理引擎Flink：第四代数据处理引擎MapReduce：最初的并行计算框架Sqoop：nosql数据库和传统数据库之间传输数据的工具Hive：数据仓库工具Storm：分布式实时计算系统Flume：分布式的海量日志采集系统。Kafka：分布式发布订阅消息系统ElasticSearch：分布式搜索引擎Kibana：ElasticSearch大数据的图形化展示工具Logstash：Elasticsearch 的传送带Neo4j：nosql图形数据库Oozie：工作流调度系统
-YARN：作业调度和集群资源管理的框架Hadoop集群
大数据是基于集群的分布式系统。所谓集群是指一组独立的计算机系统构成的一多处理器系统，它们之间通过网络实现进程间的通信，让若干台计算机联合起来工作(服务)，可以是并行的，也可以是做备份。
分布式 ：分布式的主要工作是分解任务，将职能拆解，多个人在一起做不同的事
集群：集群主要是将同一个业务，部署在多个服务器上 ，多个人在一起做同样的事
Hadoop介绍
Hadoop是Apache旗下的一个用Java语言实现开源软件框架，是一个存储和计算大规模数据的软件平台。
Hadoop是Apache Lucene创始人 Doug Cutting 创建的，最早起源一个Nutch项目。
2003年Google发表了一篇GFS论文，为大规模数据存储提供了可行的解决方案。2004年 Google发表论文MapReduce系统，为大规模数据计算提供可行的解决方案。Nutch的开发人员以谷歌的论文为基础，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。如今，国内外的互联网巨头基本都在使用Hadoop框架作为大数据解决方案，越来越多的企业将Hadoop 技术作为进入大数据领域的必备技术。
目前，Hadoop发行版本分为开源社区版和商业版。
开源社区版:指由Apache软件基金会维护的版本，是官方维护的版本体系,版本丰富，兼容性稍差。商业版:指由第三方商业公司在社区版Hadoop基础上进行了一些修改、整合以及各个服务组件兼容性测试而发行的版本，比较著名的有cloudera的CDH等。
开源社区版本：一般使用2.x版本系列，3.x版本系列:该版本是最新版本，但是还不太稳定。
废话不说了，开始今天的主题：使用三台Centos7系统搭建Hadoop2.X完全分布式集群
去年使用CentOS 7搭建了hadoop3.X分布式集群，由于换了电脑，考虑到电脑安装了很多前其他的东西，这次是使用二台Centos7系统搭建Hadoop完全分布式集群，虽然Centos更新到8版本，但是很多大数据学习都是选择基于Centos7系统搭建。这里不搭建一台的伪分布式，搭建的版本是目前Haddop3.X稳定的Hadoop-3.1.4。
去年对应的文章教程：
https://blog.csdn.net/weixin_44510615/article/details/104625802https://blog.csdn.net/weixin_44510615/article/details/106540129集群搭建前的准备
在集群搭建前的准备，需要在VMwear Workstation搭建一个Centos7系统，关于搭建过程，由于简单，这里直接省略。
在通过物理机连接虚拟机的时候，需要有VMnet1和VMnet8两个虚拟网卡。
如果安装Vmware没有VMnet1和VMnet8，据我以前踩的坑，网上说安装cclear软件包进行注册表的删除，那是不断删除下载Vmware，并没有解决问题，最终采用系统刷机的办法，得以解决。
因此，搭建虚拟机的前提是，本地主机必须有虚拟本地环境，不然你怎么搞都是白搭。
在这里插入图片描述
在此，就可以实现本地ping通虚拟机的IP，实现本地和虚拟机的信息连接。
这样，就可以通过xshell对centos7进行远程的连接。
在第一次使用Centos7，需要对创建的用户提供管理员的权限，因此需要使用root账号进行相关的修改，防止出现node01 不在 sudoers 文件中。此事将被报告。的报错。
使 用 ：wq! 保存退出、
设置静态ip
设置静态ip，通过ifconfig
重启网卡
配置阿里云yum源
#配置阿里云yum源yuminstall-ywgetcd/etc/yum.repos.d/mvCentOS-Base.repoCentOS-Base.repo.bakwgethttp://mirrors.aliyun.com/repo/Centos-7.repomvCentos-7.repoCentOS-Base.repo#配置epel源wgethttps://mirrors.aliyun.com/repo/epel-7.repo#清除缓存并更新yumcleanallyummakecacheyumupdate安装JDK
由于 hadoop 框架的启动是依赖 java 环境，因此需要准备 jdk 环境。目前，OpenJDK 和 Oracle Java 是最主要的两个 Java 实现。卸载Linux系统原有jdkOpenJDK，然后安装Oracle Java。
具体博客：https://blog.csdn.net/weixin_44510615/article/details/104425843
克隆一个虚拟机
并通过设置静态分别为192.168.147.129，并将三台Centos7主机名分别设置node01和node02，区别centos7机器。
之前创建用户名使用node01，发现自己搞错了，于是把两个主机的用户名都设置为hadoop。
关于Centos7修改用户名：[root@node01 ~]# usermod -l hadoop -d /home/hadoop -m node01。
自此我们有两台Centos电脑，在hadoop集群不使用root账号。
xshell均可连接成功。
配置ssh免密码登录[root@node01~]#vim/etc/sysconfig/network#########HOSTNAME=node01[root@node01~]#vim/etc/hosts#########192.168.147.128node01192.168.147.129node02[root@node01~]#systemctlstopfirewalld[root@node01~]#systemctldisablefirewalld.service[root@node02~]#vim/etc/sysconfig/network#########HOSTNAME=node02[root@node02~]#vim/etc/hosts#########192.168.147.128node01192.168.147.129node02[root@node02~]#systemctlstopfirewalld[root@node02~]#systemctldisablefirewalld.service
实现hadoop账号自由在node01和node02切换，具体查看我的博客：https://blog.csdn.net/weixin_44510615/article/details/104528001?
下载hadoop
下载链接：https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-3.1.4/hadoop-3.1.4.tar.gz
[hadoop@node01~]$lshadoop-3.1.4.tar.gzmodulewget-log公共模板视频图片文档下载音乐桌面[hadoop@node01~]$mkdir-pmodule/hadoop[hadoop@node01~]$tar-zxvfhadoop-3.1.4.tar.gz-Cmodule/hadoop/[hadoop@node01~]$cdmodule/hadoop/hadoop-3.1.4/[hadoop@node01hadoop-3.1.4]$sudomkdir-pdata/tmp[hadoop@node01hadoop-3.1.4]$lsbindataetcincludeliblibexecLICENSE.txtNOTICE.txtREADME.txtsbinshare
修改配置文件
在配置集群/分布式模式时，需要修改“hadoop/etc/hadoop”目录下的配置文件，这里仅设置正常启动所必须的设置项，包括workers、core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml共5个文件，更多设置项可查看官方说明。
修改文件hadoop-env.sh[hadoop@node01hadoop]#vimhadoop-env.sh############exportJAVA_HOME=/usr/java/jdk1.8.0_281/[hadoop@node01hadoop]#vimyarn-env.sh############exportJAVA_HOME=/usr/java/jdk1.8.0_231修改文件workers
在Master节点的workers文件中指定Slave节点，也就是node02
[hadoop@node01hadoop]$vimworkers[hadoop@node01hadoop]$catworkersnode02修改文件core-site.xml
请把core-site.xml文件修改为如下内容：
修改文件hdfs-site.xml
请把hdfs-site.xml文件修改为如下内容：
对于Hadoop的分布式文件系统HDFS而言，一般都是采用冗余存储，冗余因子通常为3，也就是说，一份数据保存三份副本。但是，本教程只有一个Slave节点作为数据节点，即集群中只有一个数据节点，数据只能保存一份，所以 ，dfs.replication的值还是设置为 1。
修改文件mapred-site.xml
请把mapred-site.xml文件修改为如下内容：
[hadoop@node01hadoop]$catmapred-site.xml<configuration><property><name>mapreduce.framework.name</name><value>yarn</value></property></configuration>修改文件 yarn-site.xml
请把yarn-site.xml文件修改为如下内容：
配置Hadoop环境变量
在etc/profile增加hadoop路径：
初始化HDFS
初始化HDFS，执行 namenode 初始化命令：
hdfsnamenode-format
可能出现创建文件夹失败的问题，这个权限问题，使用 root 账号使用命令sudo chmod -R a w /绝对路径。初始化HDFS失败都要把之前创建的文件夹给删除。
启动集群
直接执行start-all.sh，启动 Hadoop。此时 node02上的相关服务也会被启动：
在每台服务器上使用 jps 命令查看服务进程，
或直接进入 Web-UI 界面进行查看，端口为 9870。可以看到此时有一个可用的 Datanode：
接着可以查看 Yarn 的情况，端口号为 8088 ：
至此，Hadoop分布式集群搭建成功。
-End-
最近有一些小伙伴，让我帮忙找一些面试题资料，于是我翻遍了收藏的 5T 资料后，汇总整理出来，可以说是程序员面试必备！所有资料都整理到网盘了，欢迎下载！
好文分享给更多人↓↓
