Hadoop大数据平台构建与应用

　　《Hadoop大数据平台构建与应用》基于Hadoop大数据平台，讲解大数据平台的搭建与运维、大数据的采集与存储、大数据的处理、数据的分析、数据的可视化等完整的大数据应用案例，全面详细地讲述Hadoop、MapReduee、HDFS、Hive、Spark和Zookeeper等技术的相关知识；还详细介绍了Hadoop大数据集群环境配置与搭建、部署配置Hadoop HA模式等内容。《Hadoop大数据平台构建与应用》具有较强的实用性和可操作性，语言精练，通俗易懂，操作步骤描述详尽，并配有大量操作图例。

王传东，男，（1961.1―），教授，解放军信息工程大学计算机工程专业毕业，本科，2008.9―2017.9浙江长征职业技术学院计算机系研究员/教授，系统维护教研室主任、物联网应用技术教研室主任。2017.9―上海思博职业技术学院大数据专业带头人。

第1章 大数据与Hadoop平台技术 1
1．1 大数据时代 1
1．2 大数据关键技术 2
1．3 大数据涉及的主要软件 3
1．4 Hadoop平台技术的生态 4
第2章 Ubuntu系统的安装与使用 7
2．1 Linux系统简介 7
2．2 Ubuntu系统安装 8
2．2．1 下载虚拟机软件VMware并安装 8
2．2．2 在虚拟机中安装Ubuntu系统 14
2．2．3 切换中英文输入法 27
2．2．4 安装VMware Tools 28
2．2．5 apt更新与更新源更换 30
2．2．6 安装vim编辑器并使用 32
2．3 虚拟机联网问题及其他 34
第3章 Linux基础知识及相关软件的基本使用 39
3．1 Linux基础知识 39
3．1．1 Linux目录结构 39
3．1．2 Shell介绍 40
3．1．3 超级用户――root用户 41
3．1．4 sudo命令和su命令 41
3．1．5 创建与删除普通用户 42
3．1．6 目录标记规则 43
3．1．7 目录权限 43
3．1．8 安装SSH 44
3．2 Linux常用软件与命令 45
3．2．1 修改主机名 45
3．2．2 目录操作 45
3．2．3 查看文件内容和清屏 46
3．2．4 文件操作 46
3．2．5 文件解压 47
3．2．6 进程与端口查看命令 48
3．2．7 系统管理命令 49
3．2．8 数据流重定向和管道的使用 50
3．2．9 其他使用技巧介绍 51
3．3 在Ubuntu中安装Eclipse 51
3．3．1 通过软件中心下载安装Eclipse 51
3．3．2 在桌面创建Eclipse快捷方式 52
第4章 Hadoop的伪分布式安装与使用 54
4．1 深入了解Hadoop 54
4．1．1 Hadoop发行版本介绍 54
4．1．2 Hadoop核心架构 55
4．1．3 Hadoop的主要应用场景 56
4．2 安装Java环境 57
4．2．1 离线安装 57
4．2．2 在线安装 58
4．3 安装Hadoop 59
4．3．1 下载Hadoop安装文件并解压 59
4．3．2 配置Hadoop环境变量 60
4．3．3 伪分布式模式配置 61
4．3．4 Hadoop无法正常启动和使用的解决方法 63
第5章 HDFS 65
5．1 HDFS基本知识 65
5．1．1 DFS简介 65
5．1．2 HDFS 65
5．1．3 HDFS存储数据 66
5．2 Shell命令与HDFS交互操作 67
5．2．1 Hadoop Shell命令方式 67
5．2．2 目录操作 68
5．2．3 文件操作 69
5．2．4 利用Web界面管理HDFS 70
5．3 Java编程与HDFS实现交互 71
5．3．1 在Eclipse中创建HDFS交互Java项目 71
5．3．2 在Java项目中编写Java应用程序代码 75
5．3．3 编译运行程序与打包 77
5．3．4 练习中使用的代码文件 81
第6章 HBase伪分布部署与使用 85
6．1 HBase介绍 85
6．2 安装HBase 86
6．3 伪分布HBase环境搭建 87
6．4 HBase Shell常用操作命令实践 90
6．4．1 HBase表结构举例说明和常用的表操作命令 90
6．4．2 在HBase中创建表和删除表 91
6．4．3 HBase数据库基本操作 92
第7章 MapReduce原理与基础编程 94
7．1 MapReduce介绍与基本原理 94
7．1．1 MapReduce在现实生活中的运用 94
7．1．2 通过案例拆解MapReduce的工作过程 95
7．1．3 MapReduce工作流程概括 98
7．2 MapReduce编程思路 98
7．3 MapReduce编程实例1：WordCount 99
7．4 MapReduce编程实例2：计算学生的平均成绩 109
第8章 数据仓库Hive伪分布式部署与使用 113
8．1 Hive的特点 113
8．2 Hive伪分布式部署 114
8．2．1 安装配置Hive 114
8．2．2 安装配置MySQL，连接Hive元数据库 115
8．3 MySQL数据库操作 118
8．3．1 常用命令介绍 118
8．3．2 无法登录MySQL Shell的解决方法 120
第9章 数据分析与Hive数据库操作 121
9．1 Hive操作命令介绍 121
9．2 HQL中的Case命令用法介绍 122
9．3 电商网站日志数据分析与达成目标 124
9．4 数据分析实现 126
9．4．1 将网站日志文件集加载到Hive中 126
9．4．2 统计分析网站日志数据 127
9．4．3 统计词频 131
第10章 Spark的安装与基础编程 133
10．1 Spark的安装（Python版） 133
10．1．1 下载Spark安装软件 134
10．1．2 安装与配置Spark 134
10．1．3 在PySpark中运行代码 135
10．1．4 Spark独立应用程序编程示例 136
10．2 Spark的一些基本概念 137
10．3 RDD编程操作 137
10．3．1 RDD操作的两种类型 137
10．3．2 创建RDD 139
10．3．3 创建键值对RDD 142
10．4 从RDD到DataFrame 145
10．4．1 Spark SQL和DataFrame 145
10．4．2 创建样例数据文件 146
10．4．3 读取json和csv文件生成DataFrame 147
10．4．4 普通文本文件生成DataFrame 148
10．5 Spark综合编程与Python可视化 151
10．5．1 Spark综合编程 151
10．5．2 Python可视化呈现 154
第11章 Hadoop集群环境搭建 160
11．1 克隆Linux虚拟机 160
11．2 桥接模式与NAT模式 163
11．2．1 桥接模式 163
11．2．2 NAT模式 164
11．3 VMware Workstation桥接网络配置 164
11．3．1 集群网络配置实现的目标 164
11．3．2 设置网络桥接模式 165
11．3．3 验证 169
11．4 大数据集群环境配置与搭建 170
11．4．1 修改主机名，并将主机名与IP地址建立映射 170
11．4．2 集群SSH免密登录 171
11．4．3 时间同步 173
第12章 Zookeeper与集群Hadoop安装应用 174
12．1 Zookeeper介绍 174
12．1．1 Zookeeper的作用 174
12．1．2 Zookeeper选举机制 175
12．2 安装Zookeeper 175
12．2．1 为安装Zookeeper的目录赋权 175
12．2．2 下载、解压Zookeeper安装包 175
12．2．3 修改Zookeeper配置文件zoo．cfg 176
12．2．4 创建zkdata和zkdatalog文件夹 177
12．2．5 创建文件myid 177
12．2．6 配置环境变量 177
12．2．7 远程复制分发 178
12．2．8 启动Zookeeper集群 179
12．2．9 Zookeeper启动错误及解决方法 179
12．3 在集群上安装Hadoop 180
12．4 在集群上安装HBase 185
第13章 构建集群数据仓库 189
13．1 在slave2节点上安装MySQL Server 189
13．2 在slave1节点上安装Hive服务器 191
13．3 将master节点作为Hive客户端 194
13．4 启动Hive 195
第14章 Hadoop从完全分布式到HA的安装与使用 197
14．1 Hadoop HA 197
14．1．1 HDFS HA背景 197
14．1．2 HDFS HA架构 197
14．2 安装虚拟机系统 199
14．2．1 在VMware中创建虚拟机 199
14．2．2 安装CentOS 7 206
14．2．3 设置网络静态IP地址 208
14．2．4 克隆3台虚拟机 211
14．3 使用XShell 6登录CentOS虚拟机 212
14．4 修改各节点主机名称并配置SSH免密 215
14．4．1 修改各节点的虚拟机主机名 215
14．4．2 主机名与IP地址映射 215
14．4．3 SSH免密设置 216
14．5 安装JDK 218
14．6 安装并配置Zookeeper 219
14．6．1 安装Zookeeper 220
14．6．2 启动和停止Zookeeper 222
14．7 安装并配置为完全分布式Hadoop集群 223
14．7．1 上传、解压文件并配置环境变量 223
14．7．2 将Hadoop配置为完全分布式集群 224
14．8 部署配置Hadoop HA模式 227
14．8．1 编辑Hadoop HA配置文件 227
14．8．2 分发文件 230
14．8．3 第一次启动HA 231
14．8．4 常规启动HA 234
14．8．5 Hadoop HA部署完成之后的常规启停顺序 236
14．8．6 在HA集群上测试WordCount程序 236

　　大数据产业是国家战略性产业，大数据应用在全社会受到广泛关注，而且大数据应用越来越普遍，从手机信息推送到企业产品设计，从出行到疾病预防，都在利用大数据。大数据应用技术专业在高职院校和应用型本科院校受到普遍重视和欢迎，创建该专业的院校越来越多，它已成为信息技术类专业最受推崇的专业之一。
　　Hadoop作为当下流行的大数据平台技术，无疑是大数据技术专业必修的核心课程。这是一门实践性课程，必须通过上机操作完成课程任务，以掌握该项技能。同时，由于Hadoop是一个开源软件体系，涉及其生态的软件较多，操作系统环境、软件自身配置、软件之间的联系较复杂，对上机操作使用的软硬件要求较高，制约了一些学校开展教学工作。为此，本人结合几年来从事Hadoop大数据教学的体会编写了本教材。
　　这是一本尽量体现课岗融合的教材。目前，Hadoop工程师是稀缺资源，人才需求会随着企业大数据应用的普及而增加。Hadoop的核心是MapReduce和分布式存储处理，但MapReduce编程有短板，无法实现在线的流式处理，不过随着Spark的发展应用，Hadoop将在更多的数据管理中得到普及型应用，实际工作中对Spark工程师的需求也会增加。因此，本教材加强了对Spark编程的介绍。
　　这是一本尽量兼顾课证融合的教材。针对一些著名企业大数据认证的知识要求，对上机实践各环节的知识点尽量做了补充和说明，通过实践操作可以加强对知识点的理解和掌握。
　　这是一本课赛融合的教材。目前全国大数据赛事较多，笔者也多有了解和参与，于是梳理各项大数据赛题对Hadoop技术的要求，从Hadoop伪分布式、真实环境下完全分布式和HA模式集群搭建配置，到Hive应用和Spark编程等，均结合了各种赛事的标准要求。
　　本教材的第1～3章是安装使用Hadoop的准备阶段，包括Hadoop的一些概念、Linux常用命令介绍及虚拟机平台的准备；第4～10章是伪分布式安装模式下的Hadoop的基本操作和相关软件的使用；第11～13章是使用三台真机组成一个实验小组，搭建完全分布式Hadoop集群，实现了Zookeeper与Hive相互协作操作，可加深对分布式存储与处理的理解；第14章是HA模式Hadoop集群的实践操作。前13章使用的虚拟操作系统为Ubuntu，第14章使用的虚拟操作系统为CentOS。从单机伪分布式搭建应用，到多机网络协作组建完全分布式集群，再到HA模式集群搭建应用，这样的安排使一般院校的普通机房也能适应课程的要求。
　　在学习本课程之前，应具备Linux的基本操作知识；对Java编程有了解；掌握基本的Python编程技能；对数据库及SQL语言有基本的理解和应用能力；了解或掌握网络配置。当然，即使对以上知识掌握不充分，也不会影响对本书的学习，因为这几乎是一本纯粹的实践教程。
　　完成教材的全部实验任务后，在VMware中将会安装6个Linux虚拟机，建议预备硬盘空间应在150GB左右，计算机内存应不小于8GB。
　　本书由上海思博职业技术学院的王传东、广西经贸职业技术学院的卢澔、浙江经济职业技术学院的马荣飞担任主编，由上海电子信息职业技术学院的贾璐、浙江长征职业技术学院的刘雷霆、上海中侨职业技术学院的杨文娟担任副主编。
　　为了方便教学，本书配有电子教学课件及相关资源，请有此需要的教师登录华信教育资源网（www.hxedu.com.cn）进行下载，如有问题可在网站留言板留言或与电子工业出版社联系（E-mail：hxedu@phei.com.cn）。
　　教材建设是一项系统工程，需要在实践中不断完善。由于时间仓促、编者水平有限，书中难免存在疏漏和不足之处，敬请广大读者进行批评和指正。