内容概要：本文档详细介绍了在统信操作系统服务器版上搭建Hadoop 3.3.6大数据生态集群的全过程，涵盖虚拟环境准备、基础服务配置与核心组件安装。主要包括：通过NTP实现三台虚拟机（node1-node3）的时间同步；配置静态IP、主机名及SSH免密登录；关闭防火墙并安装JDK 1.8作为运行环境。随后部署Hadoop集群，配置HDFS、YARN、MapReduce的核心参数，并规划NameNode、DataNode、ResourceManager等角色分布。进一步安装Zookeeper 3.5.7实现协同服务，配置myid和集群通信。集成HBase 3.0.0构建分布式列式数据库，依赖HDFS和Zookeeper，并解决HMaster启动问题。安装MySQL 5.7作为元数据存储，用于Hive和Sqoop。部署Hive 3.1.3，配置其连接MySQL元数据库，并演示内部/外部表、分区表及HQL查询操作。利用Sqoop 1.4.7实现MySQL与HDFS/Hive之间的双向数据迁移，解决驱动和权限问题。最后简要介绍Spark 3.3.1的分布式安装与启动。文档还涉及MongoDB 8.0.3的安装与基本操作。; 适合人群：具备Linux操作系统、网络基础和Java开发经验，从事大数据平台搭建、运维或开发的技术人员，尤其是初学者和中级工程师。; 使用场景及目标：①学习和实践Hadoop生态系统各组件（HDFS, YARN, MapReduce, HBase, Hive, Sqoop, Spark, Zookeeper）的单机及集群部署流程；②掌握大数据平台环境配置的关键步骤，如时间同步、SSH免密、环境变量设置；③实现关系型数据库与Hadoop之间的数据导入导出，构建端到端的数据处理管道。; 阅读建议：此文档为实操性极强的安装指南，建议读者严格按照步骤在虚拟环境中进行实践。重点关注配置文件的修改（如core-site.xml, hdfs-site.xml, hive-site.xml等）和环境变量的设置。对于遇到的报错（如“找不到主类”、“权限问题”、“驱动缺失”），应仔细对照文档提供的解决方案进行排查。建议在操作前充分理解各组件的作用及其相互关系。

内容概要：本文档是关于熟悉 Spark 初级编程实践的实验报告，主要介绍了如何使用 Spark 访问本地文件和 HDFS 文件，编写、编译和运行 Spark 应用程序。实验内容包括：通过 Spark-shell 读取本地和 HDFS 文件并统计行数；编写独立应用程序读取 HDFS 文件统计行数；编写独立应用程序实现数据去重；编写独立应用程序求平均成绩。报告还列举了实验中遇到的问题及其解决方法，并分享了使用 Spark 进行数据处理的心得体会，强调了 Spark 在大规模数据处理中的高效性、可扩展性和易用性。 适合人群：具有基本编程基础，对大数据技术有兴趣的学习者，特别是刚开始接触 Spark 的初学者。 使用场景及目标：①掌握 Spark 访问本地文件和 HDFS 文件的方法；②学会编写、编译和运行 Spark 应用程序；③理解 Spark 数据处理的基本流程和常用操作；④解决在 Spark 实验中遇到的常见问题；⑤提升对 Spark 处理大规模数据的理解和应用能力。 其他说明：本实验报告不仅提供了详细的实验步骤和代码示例，还针对实验过程中可能出现的问题给出了具体的解决方案。同时，通过编写多个独立应用程序，帮助读者更好地理解和掌握 Spark 的核心概念和实际应用技巧。此外，报告还分享了使用 Spark 进行数据处理的一些经验和心得，为读者进一步学习和使用 Spark 提供了宝贵的参考。

最新版本-西南交通大学-云计算与并行技术-戴林朋-作业1

HA 概述 1）所谓 HA（high available），即高可用（7*24 小时不中断服务）。 2）实现高可用最关键的策略是消除单点故障。HA 严格来说应该分成各个组件的 HA 机制： HDFS 的 HA 和 YARN 的 HA。 3）Hadoop2.0 之前，在 HDFS 集群中 NameNode 存在单点故障（SPOF）。 4）NameNode 主要在以下两个方面影响 HDFS 集群 NameNode 机器发生意外，如宕机，集群将无法使用，直到管理员重启 NameNode 机器需要升级，包括软件、硬件升级，此时集群也将无法使用 HDFS HA 功能通过配置 Active/Standby 两个 nameNodes 实现在集群中对 NameNode 的 热备来解决上述问题。如果出现故障，如机器崩溃或机器需要升级维护，这时可通过此种方 式将 NameNode 很快的切换到另外一台机器。 HDFS-HA 工作机制 1）通过双 namenode 消除单点故障

实验2 熟悉常用的HDFS操作 一、实验目的 1. 理解HDFS在Hadoop体系结构中的角色； 2. 熟练使用HDFS操作常用的Shell命令； 3. 熟悉HDFS操作常用的Java API。 二、实验平台 1. 操作系统：Linux（建议Ubuntu16.04或Ubuntu18.04）； 2. Hadoop版本：3.1.3； 3. JDK版本：1.8； 4. Java IDE：Eclipse。 三、实验步骤（每个步骤下均需有运行截图） （一）编程实现以下功能，并利用Hadoop提供的Shell命令完成相同任务： （1） 向HDFS中上传任意文本文件，如果指定的文件在HDFS中已经存在，则由用户来指定是追加到原有文件末尾还是覆盖原有的文件；（2） 从HDFS中下载指定文件，如果本地文件与要下载的文件名称相同，则自动对下载的文件重命名；（3） 将HDFS中指定文件的内容输出到终端中；（4） 显示HDFS中指定的文件的读写权限、大小、创建时间、路径等信息；

httpfs_utils 用于通过HTTPFS进行快速HDFS命令的Python模块

一个非常不错的使用php的操作hadoop的例子代码实现，可以作为编写通过thrift操作hdfs的参考代码例子

林子雨的书 关于大数据的 如果想要学习大数据的同学 又是恰好刚刚入门的话推荐这本

使用sqoop2从mysql导入hadoop时，导入的数据带单引号。是由于sqoop2的一个bug导致，该包上传到sqoop_home/server/lib替换原来的jar包后，重启sqoop server，即可解决。

在搭建完hadoop大数据系统（CDH5.16.1）后，如何访问hdfs文件系统上的数据呢？那当然是通过构建maven项目 使用java api接口进行文件了。为此，特别进行了hdfs文件系统java api访问的整理。