Hadoop基础学习:基于Hortonworks HDP

2024-06-10 00:08

本文主要是介绍Hadoop基础学习:基于Hortonworks HDP,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Hadoop基础学习:基于Hortonworks
HDP

我最开始是通过Hadoop Fundamentals这个课程学习了Hadoop的基础知识,该课程使用了Hortonworks的HDP作为Hadoop平台。HDP是一个与Cloudera,
MapR类似的一个企业级Hadoop解决方案,而HDP Sandbox给开发者提供了一个安装好所有Hadoop组件的虚拟机,将其导入到VirtualBox后就可以直接启动(注意需要给虚拟机分配至少2G内存)。

Big Data和Hadoop

大数据是一个热门词汇,而Hadoop可以说是目前大数据处理的基石。大数据并不是说一定要处理特别大规模的数据,而是在于可以在各种数据尺度上找到你要的答案,这些数据包括:用户数据,机器数据等等。我们可以从基础设施,算法和可视化等各个方面来理解大数据。

在基础设施方面,我们有Hadoop的HDFS作为文件系统,MapReduce来做批处理,此外有HBase,Cassandra,Riak等NoSQL数据库,还有Kafka,RabbitMQ等消息中间件。在算法方面,主要是对现有的机器学习算法的实现。在可视化方面,常见的有Matplotlib(python语言),R语言,D3(JavaScript语言)。 

 

初步认识HDP

HDP是操作系统是CentOS 6,启动后除了可以用ssh登陆以外,还可以登陆网页界面(http://127.0.0.1:8888)。系统默认帮我们安装的软件主要包括:

  • HDFS + MapReduce
  • Hue
  • HCatelog
  • Pig
  • Hive

HBase默认没有安装,启用HBase的话应该需要给虚拟机分配更多内存。

Hadoop是一个开源的数据分析平台,它与传统的数据分析平台相比当然有很多优点(开源,性价比,扩展性等),但是它们本质上并没有太大不同。一个完整的数据分析平台需要的组件Hadoop都有涉及:

  • 数据存储 : HDFS提供一个可扩展和容错的文件系统
  • 数据处理:MapReduce等提供了的数据访问和处理模型
  • 数据管理:HCatelog提供数据管理,管理数据到文件的映射(相当于RDBMS数据库中管理表结构与表文件的关系)
  • 数据查询:Pig和Hive对数据文件的查询,它们在底层都基于MapReduce模型来处理数据。其中Hive的特点在于提供类似于SQL语言的查询环境,Pig提供了自己的数据处理语言
  • 系统管理:Zookeeper和Oozie等

 

通过HDP自带的教程学习了Hive和Pig的基本知识,HDP自带了基于Web的Hive和Pig的查询界面,使用起来比命令行要友好。

Pig脚本

Pig首先实现了一种ETL语言(PigLatin),通过使用LOAD,GROUP等系统命令以及自定义命令,可以对数据进行复杂的处理。另一方面,Pig在执行命令时会把命令转化为MapReduce任务,也就是说对于很多MapReduce操作用户不再需要使用冗长的Java编程=》编译=》执行流程。最后,Pig也允许用户实现自定义方法(UDF)来扩展功能。

 
  1. //从文件中加载数据
  2. batting = load 'Batting.csv' using PigStorage(',');
  3.  
  4. //读取文件中的若干列
  5. runs = FOREACH batting GENERATE $0 as playerID, $1 as year, $8 as runs;
  6.  
  7. //按照年份划分数据
  8. grp_data = GROUP runs by (year);
  9.  
  10. //对划分后的数据进行进一步处理
  11. max_runs = FOREACH grp_data GENERATE group as grp,MAX(runs.runs) as max_runs;
  12.  
  13. //连接max_runs和runs,按照指定的两个列连接,连接的表包括两表的所有列
  14. join_max_run = JOIN max_runs by ($0, max_runs), runs by (year,runs);
  15.  
  16. //重新选取部分列
  17. join_data = FOREACH join_max_run GENERATE $0 as year, $2 as playerID, $1 as runs;
  18.  
  19. dump join_data;
  20.  

Hive查询

如果说Pig在传统数据仓库的意义上是一种ETL语言(当然Pig的用处不止于此),那么Hive相当于传统数据仓库中的SQL语言。Hive则可以允许你创建表,在表中导入和处理数据,数据处理的结果可以再保存到表中。Hive和Pig的详细比较可以参照这篇文章。

下面这写Hive命令实现了与前面Pig脚本一样的功能。

 
  1. create table temp_batting (col_value STRING);
  2.  
  3. LOAD DATA INPATH '/user/hue/Batting.csv' OVERWRITE INTO TABLE temp_batting;
  4.  
  5. create table batting (player_id STRING, year INT, runs INT);
  6.  
  7. insert overwrite table batting
  8. SELECT
  9. regexp_extract(col_value, '^(?:([^,]*)\,?){1}', 1) player_id,
  10. regexp_extract(col_value, '^(?:([^,]*)\,?){2}', 1) year,
  11. regexp_extract(col_value, '^(?:([^,]*)\,?){9}', 1) run
  12. from temp_batting;
  13.  
  14. SELECT year, max(runs) FROM batting GROUP BY year;
  15.  
  16. SELECT a.year, a.player_id, a.runs from batting a
  17. JOIN (SELECT year, max(runs) runs FROM batting GROUP BY year ) b
  18. ON (a.year = b.year AND a.runs = b.runs) ;

HBase和MapReduce编程

HBase是Google的BigTable的一种实现,即面向列的数据库。HBase相对于Hadoop比较独立,原因在于:1)HBase不依赖于MapReduce,它可以完全不在HDFS上部署,虽然在生产环境上会推荐部署到HDFS上;2)HBase的编程模型也不一定是MapReduce。

HBase和MapReduce编程可以参考Hadoop:
The Definitive Guide。

Hadoop的最新发展

Apache Tez, 新一代的准实时(near real-time)大数据处理。在Hadoop 2.0的环境下,MapReduce(也就是传统的Batch编程模式)仅仅是其一种实现,而Tez成为了新一代的任务执行引擎,反过来支持MapRecue,Pig,Hive等功能。

 

Apache Storm,实时数据处理

Apache Flume,流式数据(例如日志)的处理

Apache Mahout,机器学习算法库

Apache ZooKeeper 分布式系统协调服务

这篇关于Hadoop基础学习:基于Hortonworks HDP的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1046693

相关文章

Android Mainline基础简介

《AndroidMainline基础简介》AndroidMainline是通过模块化更新Android核心组件的框架,可能提高安全性,本文给大家介绍AndroidMainline基础简介,感兴趣的朋... 目录关键要点什么是 android Mainline?Android Mainline 的工作原理关键

mysql的基础语句和外键查询及其语句详解(推荐)

《mysql的基础语句和外键查询及其语句详解(推荐)》:本文主要介绍mysql的基础语句和外键查询及其语句详解(推荐),本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋... 目录一、mysql 基础语句1. 数据库操作 创建数据库2. 表操作 创建表3. CRUD 操作二、外键

Python基础语法中defaultdict的使用小结

《Python基础语法中defaultdict的使用小结》Python的defaultdict是collections模块中提供的一种特殊的字典类型,它与普通的字典(dict)有着相似的功能,本文主要... 目录示例1示例2python的defaultdict是collections模块中提供的一种特殊的字

Python基础文件操作方法超详细讲解(详解版)

《Python基础文件操作方法超详细讲解(详解版)》文件就是操作系统为用户或应用程序提供的一个读写硬盘的虚拟单位,文件的核心操作就是读和写,:本文主要介绍Python基础文件操作方法超详细讲解的相... 目录一、文件操作1. 文件打开与关闭1.1 打开文件1.2 关闭文件2. 访问模式及说明二、文件读写1.

C#基础之委托详解(Delegate)

《C#基础之委托详解(Delegate)》:本文主要介绍C#基础之委托(Delegate),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1. 委托定义2. 委托实例化3. 多播委托(Multicast Delegates)4. 委托的用途事件处理回调函数LINQ

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型,3步搞定一个应

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

MySQL中my.ini文件的基础配置和优化配置方式

《MySQL中my.ini文件的基础配置和优化配置方式》文章讨论了数据库异步同步的优化思路,包括三个主要方面:幂等性、时序和延迟,作者还分享了MySQL配置文件的优化经验,并鼓励读者提供支持... 目录mysql my.ini文件的配置和优化配置优化思路MySQL配置文件优化总结MySQL my.ini文件

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert