絮叨两句:
博主是一名软件工程系的在校生,利用博客记录自己所学的知识,也希望能帮助到正在学习的同学们
人的一生中会遇到各种各样的困难和折磨，逃避是解决不了问题的，唯有以乐观的精神去迎接生活的挑战
少年易老学难成，一寸光阴不可轻。
最喜欢的一句话:今日事,今日毕

页数	名称
上一页	企业级360°全方位用户画像:标签系统[四]
	企业级360°全方位用户画像:环境搭建[五]
下一页	企业级360°全方位用户画像:业务数据调研及ETL[六]

文章目录

前言
项目环境搭建
大数据平台基础环境
- 安装JDK1.8，配置环境变量
- 安装Scala 2.11，配置环境变量
- 安装MySQL数据库
- 分布式协作服务Zookeeper
- 大数据基础框架Hadoop
- - 分布式文件系统HDFS
  - 分布式资源管理框架YARN
  - 计算处理框架MapReduce
- 数据仓库框架Hive
- 大数据NoSQL数据库HBase
大数据生态组件
- 数据转换工具SQOOP
- 数据实时抽取采集Flume
- 任务调度框架Oozie
- 大数据可视化工具Hue
大数据分析框架Spark

前言

依据项目需求，使用大数据相关技术框架，安装目录及软件版本具体如下图所示：

提示：以下是本篇文章正文内容，下面案例可供参考

项目环境搭建

所有软件的安装以后，创建软连接，方便日后软件的升级。

ln [OPTION]... [-T] TARGET LINK_NAME# 比如
ln -s /export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0 spark

在实际大数据项目中，大数据管理WEB界面，方便安装部署和监控大数据框架组件：

1）、ClouderaManagerCM安装软件目录：/opt/parcells/......///......
2）、Ambari开源/etc//usr/lib/impala/

大数据平台基础环境

安装开发语言软件JDK1.8和Scala2.11及MySQL数据库。

JDK 1.8
所有的大数据框架（90%）基于Java语言编写的
Scala 2.11
Spark框架和Kafka框架使用Scala语言编写的
MySQL
- Hive 表元数据MetaStore
- Oozie和Hue元数据
- 系统：WEB Platform
  业务数据存储：tags

安装JDK1.8，配置环境变量

# JAVA HOME
export JAVA_HOME=/export/servers/jdk
export PATH=$PATH:${JAVA_HOME}/bin

安装Scala 2.11，配置环境变量

# SCALA HOME
export SCALA_HOME=/export/servers/scala
export PATH=$PATH:${SCALA_HOME}/bin

安装MySQL数据库

按照MySQL数据库功能：

1）、Hive MetaStore存储存储元数据
2）、标签系统WEB 平台数据存储tbl_basic_tagtbl_model3）、Oozie 数据存储Oozie调度Spark2应用程序
4）、Hue 数据存储方便操作大数据平台组件5）、业务数据: tags_dat订单数据、订单商品表数据、会员信息数据、行为日志数据

截图如下所示：

在实际项目，MySQL数据库字符编码最好是UTF-8，避免乱码出现。
此处使用数据库版本：5.1.73，此版本较低，实际项目使用高版本（至少为**5.6.17**）版本以上。

[root@bigdata-cdh01 ~]# mysql -uroot -p
Enter password:
Welcome to the MySQL monitor.  Commands end with ; or \g.
Your MySQL connection id is 2
Server version: 5.1.73 Source distributionCopyright (c) 2000, 2013, Oracle and/or its affiliates. All rights reserved.Oracle is a registered trademark of Oracle Corporation and/or its
affiliates. Other names may be trademarks of their respective
owners.Type 'help;' or '\h' for help. Type '\c' to clear the current input statement.mysql> show databases ;
+--------------------+
| Database           |
+--------------------+
| information_schema |
| db_orders          |
| hue                |
| metastore          |
| mysql              |
| oozie              |
| tags               |
| tags_dat           |
| test               |
+--------------------+
9 rows in set (0.31 sec)

点击:linux安装jdk,tomcat,mysql

分布式协作服务Zookeeper

Apache Zookeeper :安装zookeeper步骤

在大数据框架中为了高可用性，很多框架依赖于Zookeeper，所以先安装Zookeeper框架，单机版安装。

配置文件：$ZOOKEEPER_HOME/zoo.cfg

# The number of milliseconds of each tick
tickTime=2000
# The number of ticks that the initial
# synchronization phase can take
initLimit=10
# The number of ticks that can pass between
# sending a request and getting an acknowledgement
syncLimit=5
# the directory where the snapshot is stored.
# do not use /tmp for storage, /tmp here is just
# example sakes.
dataDir=/export/servers/zookeeper/datas/data
dataLogDir=/export/servers/zookeeper/datas/log
# the port at which the clients will connect
clientPort=2181
# the maximum number of client connections.
# increase this if you need to handle more clients
#maxClientCnxns=60
#
##server.1=bigdata-cdh01.itcast.cn:2888:3888
##server.2=bigdata-cdh02.itcast.cn:2888:3888
##server.3=bigdata-cdh03.itcast.cn:2888:3888
# Be sure to read the maintenance section of the
# administrator guide before turning on autopurge.
#
# http://zookeeper.apache.org/doc/current/zookeeperAdmin.html#sc_maintenance
#
# The number of snapshots to retain in dataDir
#autopurge.snapRetainCount=3
# Purge task interval in hours
# Set to "0" to disable auto purge feature
#autopurge.purgeInterval=1

mkdir -p /export/servers/zookeeper/datas/data
mkdir -p /export/servers/zookeeper/datas/log

针对Zookeeper集群监控工具：
                                       1. TaoKeeper :
                                                阿里巴巴开源ZK监控工具，目前基本没人使用
                                       2. zkui
                                                https://github.com/DeemOpen/zkui
                                                https://www.jianshu.com/p/dac4c0bd1d2e

大数据基础框架Hadoop

安装大数据Hadoop框架，包含三个组件 :

                                    HDFS（分布式文件系统）
                                    YARN（集群资源管理和任务调度平台）
                                    MapReduce（海量数据处理框架）

分布式文件系统HDFS

包含服务组件：NameNode和DataNodes，实际项目中按照HDFS HA（基于JN）。

环境变量配置：$HADOOP_HOME/etc/hadoop/hadoop-env.sh

export JAVA_HOME=/export/servers/jdk

common模块配置文件：$HADOOP_HOME/etc/hadoop/core-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration><property><name>fs.defaultFS</name><value>hdfs://bigdata-cdh01.itcast.cn:8020</value></property><property><name>hadoop.tmp.dir</name><value>/export/servers/hadoop/datas</value></property><property><name>hadoop.proxyuser.root.hosts</name><value>*</value></property><property><name>hadoop.proxyuser.root.groups</name><value>*</value></property><property><name>hadoop.proxyuser.hue.hosts</name><value>*</value></property><property><name>hadoop.proxyuser.hue.groups</name><value>*</value></property></configuration>

hdfs模块配置文件：$HADOOP_HOME/etc/hadoop/hdfs-site.xml

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration><property><name>dfs.replication</name><value>1</value></property><property><name>dfs.permissions.enabled</name><value>false</value></property><property><name>dfs.webhdfs.enabled</name><value>true</value></property>
</configuration>

配置文件：$HADOOP_HOME/etc/hadoop/slaves

bigdata-cdh01.itcast.cn

分布式资源管理框架YARN

对集群资源分布式管理和调度，包含 ResourceManager和NodeManagers。

面试题：
目前来说，大数据框架Spark 主要还是运行在YANR上，所以必须掌握如下两个问题：

YARN 如何资源管理和应用调度

Hadoop组成:Apache Hadoop YARN
Hadoop组成:Apache Hadoop YARN调度器

Spark on YARN：两个DeployMode提交流程与区别
必问，死背[待补充]

配置文件$HADOOP_HOME/etc/hadoop/yarn-env.sh：

# some Java parameters
export JAVA_HOME=/export/servers/jdk

配置文件$HADOOP_HOME/etc/hadoop/yarn-site.xml：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration><property><name>yarn.resourcemanager.hostname</name><value>bigdata-cdh01.itcast.cn</value></property><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property><property><name>yarn.log-aggregation-enable</name><value>true</value></property><property><name>yarn.log-aggregation.retain-seconds</name><value>604800</value></property><property><name>yarn.log.server.url</name><value>http://bigdata-cdh01.itcast.cn:19888/jobhistory/logs</value></property></configuration>

计算处理框架MapReduce

对海量数据进行离线分析处理框架MapReduce，其中Sqoop和Oozie底层运行都是MapReduce任务，仅仅执行MapTask。

面试题： MapReduce Shuffle过程，必须会背会写

MapReduce Shuffle过程

配置文件$HADOOP_HOME/etc/hadoop/mapred-env.sh：

export JAVA_HOME=/export/servers/jdk

配置文件$HADOOP_HOME/etc/hadoop/mapred-site.xml：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration><property><name>mapreduce.framework.name</name><value>yarn</value></property><property><name>mapreduce.jobhistory.address</name><value>bigdata-cdh01.itcast.cn:10020</value></property><property><name>mapreduce.jobhistory.webapp.address</name><value>bigdata-cdh01.itcast.cn:19888</value></property>
</configuration>

数据仓库框架Hive

基于HADOOP之上数据仓库框架Hive，在企业中使用非常广泛，底层MR计算分析数据。

针对Hive框架来说，底层计算引擎可以为三种：
MapReduce（最原始）
Tez
Spark
从Hive 2.0开始，官方建议使用Spark/Tez作为计算引擎，不推荐使用MR。

面试题：Hive 框架架构组成，核心Driver（具体功能）
将SQL转换为MapReduce程序，提交运行到YARN上，处理存储在HDFS上数据。

配置文件：$HIVE_HOME/conf/hive-env.sh

# Set HADOOP_HOME to point to a specific hadoop install directory
HADOOP_HOME=/export/servers/hadoop# Hive Configuration Directory can be controlled by:
export HIVE_CONF_DIR=/export/servers/hive/conf

配置文件：$HIVE_HOME/conf/hive-site.xml

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration><property><name>javax.jdo.option.ConnectionURL</name><value>jdbc:mysql://bigdata-cdh01.itcast.cn:3306/metastore?createDatabaseIfNotExist=true&amp;characterEncoding=UTF-8</value><description>JDBC connect string for a JDBC metastore</description></property><property><name>javax.jdo.option.ConnectionDriverName</name><value>com.mysql.jdbc.Driver</value><description>Driver class name for a JDBC metastore</description></property><property><name>javax.jdo.option.ConnectionUserName</name><value>root</value><description>username to use against metastore database</description></property><property><name>javax.jdo.option.ConnectionPassword</name><value>123456</value><description>password to use against metastore database</description></property><property><name>hive.cli.print.header</name><value>true</value><description>Whether to print the names of the columns in query output.</description></property><property><name>hive.cli.print.current.db</name><value>true</value></property><property><name>hive.mapred.mode</name><value>strict</value></property><property><name>hive.metastore.uris</name><value>thrift://bigdata-cdh01.itcast.cn:9083</value></property><property><name>hive.metastore.warehouse.dir</name><value>/user/hive/warehouse</value></property>
</configuration>

将MySQL数据库驱动包放入$HIVE_HOME/lib目录下。

大数据NoSQL数据库HBase

基于HDFS之上，存储海量数据NoSQL数据库HBase，面向列存储，可以存储几十亿行和百万列。

面试题：1. 从HBase表中读写数据流程首先连接ZK地址，找Meta表的Region所在的RegionServer地址信息读流程：MemStore 、StoreFile、BlockCache(读缓存)写流程：WAL（预写日志）、MemStore、StoreFile（Compaction：Minor、Major)2 . HBase表的设计就是RowKey设计：唯一性、避免热点、前缀匹配查询3. HBase 性能优化数据压缩、表预分区，JVM设置，RegionServer内存分配设置HBase是否有单点故障：没有，可以启动多个HMaster
如果HBase集群中HMaster宕机了，短时间内是否影响Client读写表的数据：不影响

配置文件：$HBASE_HOME/conf/hbase-env.sh

# The java implementation to use.  Java 1.7+ required.
export JAVA_HOME=/export/servers/jdk# Tell HBase whether it should manage it's own instance of Zookeeper or not.
export HBASE_MANAGES_ZK=false

配置文件：$HBASE_HOME/conf/hbase-site.xml

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration><!-- 指定HBase框架运行临时目录 --><property ><name>hbase.tmp.dir</name><value>/export/servers/hbase/data/tmp</value></property><!-- HBASE 表中数据存储在HDFS上根目录 --><property ><name>hbase.rootdir</name><value>hdfs://bigdata-cdh01.itcast.cn:8020/hbase</value></property><!-- HBase Cluster 集群运行在分布式模式下，伪分布式也是分布式 --><property ><name>hbase.cluster.distributed</name><value>true</value></property><!-- 告知HBase Cluster所依赖的ZK Cluster地址 --><property><name>hbase.zookeeper.quorum</name><value>bigdata-cdh01.itcast.cn</value></property><!-- 配置压缩SNAPPY和LZ4 --><!-- <property><name>hbase.master.check.compression</name><value>true</value></property><property><name>hbase.regionserver.codecs</name><value>lz4</value></property>--></configuration>

配置文件：$HBASE_HOME/conf/regionservers

bigdata-cdh01.itcast.cn

大数据生态组件

生态组件中有SQOOP、FLUME、OOZIE和HUE，方便数据采集及任务调度查看。

数据转换工具SQOOP

数据实时抽取采集Flume

面试题：Flume采集数据时，考虑架构：高可用和负载均衡案例：1）、Flume 高可用：https://blog.csdn.net/jinYwuM/article/details/825946182）、Flume 负载均衡https://blog.csdn.net/silentwolfyh/article/details/51165804

任务调度框架Oozie

大数据可视化工具Hue

大数据分析框架Spark

大数据分析框架Spark，集成批处理、交互式分析和流式处理及高级数据分析（图计算和机器学习）为一体的框架，从Spark 2.0开始，所有应用入口为SparkSession，数据封装在DataFrame中。

配置文件：$SPARK_HOME/conf/spark-env.sh

JAVA_HOME=/export/servers/jdk
SCALA_HOME=/export/servers/scalaHADOOP_CONF_DIR=/export/servers/hadoop/etc/hadoop
YARN_CONF_DIR=/export/servers/hadoop/etc/hadoopSPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://bigdata-cdh01.itcast.cn:8020/spark/eventLogs/ -Dspark.history.fs.cleaner.enabled=true"

配置文件：$SPARK_HOME/conf/spark-defaults.conf

spark.eventLog.enabled   true
spark.eventLog.dir  hdfs://bigdata-cdh01.itcast.cn:8020/spark/eventLogs/
spark.eventLog.compress truespark.yarn.jars         hdfs://bigdata-cdh01.itcast.cn:8020/spark/jars/*spark.yarn.historyServer.address bigdata-cdh01.itcast.cn:18080spark.sql.warehouse.dir /user/hive/warehouse

运行Spark 圆周率PI程序，提交到YARN上执行：

#!/bin/bashSPARK_HOME=/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0${SPARK_HOME}/bin/spark-submit \
--master yarn \
--deploy-mode cluster \
--class org.apache.spark.examples.SparkPi \
--driver-memory 512m \
--driver-cores 1 \
--executor-memory 512m \
--executor-cores 1 \
--num-executors 2 \
--queue default \
hdfs://bigdata-cdh01.itcast.cn:8020/spark/spark-examples_2.11-2.2.0.jar \
10

如能帮助到你或对大数据有兴趣的可以关注一下,希望能点个赞支持一下谢谢!

企业级360°全方位用户画像:环境搭建[五]相关推荐

企业级360°全方位用户画像:标签系统[四]
絮叨两句: 博主是一名软件工程系的在校生,利用博客记录自己所学的知识,也希望能帮助到正在学习的同学们人的一生中会遇到各种各样的困难和折磨,逃避是解决不了问题的,唯有以乐观的精神去迎接生活的挑战少年 ...
企业级360°全方位用户画像
用户画像概念.项目概述及环境搭建 1.用户画像 1.1.概念什么是用户画像? 百度百科定义用户画像又称用户角色,作为一种勾画目标用户.联系用户诉求与设计方向的有效工具,用户画像在各领域得到了广泛的 ...
Profile_Day05:企业级360全方位用户画像
Profile_Day05:企业级360全方位用户画像 1昨日内容回顾主要讲解2个方面的内容: 如何基于SparkSQL实现自定义外部数据源HBase和统计类型标签模型开发. 1, SparkSQL ...
企业级360°全方位用户画像:项目介绍[二]
絮叨两句: 博主是一名软件工程系的在校生,利用博客记录自己所学的知识,也希望能帮助到正在学习的同学们人的一生中会遇到各种各样的困难和折磨,逃避是解决不了问题的,唯有以乐观的精神去迎接生活的挑战少年 ...
大数据【企业级360°全方位用户画像】之USG模型和决策树分类算法
在之前的一篇博客<大数据[企业级360°全方位用户画像]之RFM模型和KMeans聚类算法>中,博主为大家带来了KMeans聚类算法的介绍.并在之后,基于不同的模型开发标签,例如RFM,R ...
用户画像第一章(企业级360°全方位用户画像_环境搭建)
环境搭建 2.4.项目工程演示将项目工程[tags(演示版).zip]解压,为Maven Project,导入IDEA中,如下图所示: 选择解压的工程,如下图: 一直点击下一步[Next]即可,最终 ...
大数据【企业级360°全方位用户画像】标签系统介绍
在前面几篇博客中,博主已经为大家带来了什么是用户画像,以及项目的一个基础介绍.用户画像的核心就是打标签,本篇博客,我们来聊聊关于这个项目的标签系统. 文章目录 1. 标签系统 1.1 基础标签 1.1 ...
大数据【企业级360°全方位用户画像】项目介绍
在正式开始对[企业级用户画像]项目展开介绍之前,博主可是煞费苦心,为大家整理了一期,如何彻底理解什么是用户画像(
大数据【企业级360°全方位用户画像】匹配型标签开发
写在前面: 博主是一名大数据的初学者,昵称来源于<爱丽丝梦游仙境>中的Alice和自己的昵称.作为一名互联网小白,写博客一方面是为了记录自己的学习历程,一方面是希望能够帮助到很多和自己一样 ...

企业级360°全方位用户画像:环境搭建[五]