随着2022年3月——这个Cloudera宣布停止对CDH技术支持日子越来越近，那些已经部署CDH和其他版本Hadoop的企业面临一个迫切的问题：自己原来部署的Hadoop怎么办？是继续延用还是迁移到其他大数据平台？如果要迁移，迁移到哪个大数据平台？众所周知，CDH是市场上最受欢迎的免费Hadoop版本之一。目前，市场上免费Hadoop版本主要有三个，分别是Apache版本（开源社区版，也是最原始的版本，其他所有发行版均基于这个版本进行改进）、Cloudera版本（简称CDH）、Hortonworks版本(简称HDP，2018年Cloudera与Hortonworks合并后归属于Clouder

    由于最近在网上查阅资料发现很少有基于云服务器来搭建部署hadoop集群的文章，而且使用新版的hadoop的又更少了，所以自己根据网上搭建的例子结合成功实现了部署，这里我就来分享一下的部署过程。1.服务器这里我选用的是三个华为云的服务器，具体配置看个人。这里我是使用Ubuntu22.04操作系统。按照流程创建好后，每个服务器都会有一个公网ip与内网ip。账号先使用默认的root(管理员)账户。设置服务器的安全组，除了原本已经配置的端口，这里我又开放了几个常用的端口以防碰到错误。2.安装使用FinalShell由于服务器端的操作系统一般都是没有界面的，所以这里我们需要使用一些工具来提升我们

Zookeeper高可用集群｜分布式消息队列Kafka｜搭建高可用Hadoop集群Zookeeper集群Zookeeper角色与特性Zookeeper角色与选举Zookeeper的高可用Zookeeper可伸缩扩展性原理与设计Zookeeper安装zookeeper集群管理Kafka概述在node节点上搭建3台kafka高可用Hadoop集群高可用概述高可用架构准备环境配置namenode与resourcemanager高可用启动服务，验证高可用启动集群访问集群Zookeeper集群Zookeeper是一个开源的分布式应用程序协调服务，是用来保证数据在集群间的事务一致性应用场景：集群分布式锁集

Hadoop和Spark伪分布式安装与使用（史上最全，本人遇到的所有问题都记录在内）第一期本教程（也算不上不哈）适用于从零开始安装，就是电脑上什么都没安装的那种，因为本人就是，看到这篇文章的伙伴，让我们一起安装吧！注意下面下载的所有文件均是免费的，如有网页弹出付费，请及时叉掉，我提供的一般都是官方网站，谨防受骗，在此温馨提醒！下面是我的安装步骤：由于本文着重点在于“Hadoop和Spark伪分布式安装”，所以虚拟机的安装我就不一个一个截图了，但又详细的步骤说明，大家可以参考一下1、在Windows（也就是你的电脑）上下载VMwareWorkstationPro下载网址：https://www.

文章较长，附目录，此次安装是在VM虚拟环境下进行。文章第一节主要是介绍Hadoop与Hadoop生态圈并了解Hadoop三种集群的区别，第二节和大家一起下载，配置Linux三种集群以及大数据相关所需的jdk，zookeeper，只需安装配置的朋友可以直接跳到文章第二节。同时，希望我的文章能帮助到你，如果觉得我的文章写的不错，请留下你宝贵的点赞，谢谢。目录一、了解HadoopHadoop什么是HadoopHadoop的历史Hadoop的特点Hadoop的生态系统1.HDFS2.MapReduce3.YARN4.Hive5.HBase6.Oozie7.Mahout8.spark9.Flink10.

一、安装1.进入文件夹cd/usr/loacl2.上传文件rz3.解压文件 tar-zxvfhadoop-3.3.1.tar.gz 二、配置（单机）1.配置环境变量vim/etc/profile添加一下内容：exportHADOOP_HOME=/usr/local/hadoop-3.3.1exportPATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATHexportHDFS_NAMENODE_USER=rootexportHDFS_DATANODE_USER=rootexportHDFS_SECONDARYNAMENODE_USER=rootexportYA

一、Spark概述Spark最初由美国加州伯克利大学（UCBerkeley）的AMP（Algorithms，MachinesandPeople）实验室于2009年开发，是基于内存计算的大数据并行计算框架，可用于构建大型的、低延迟的数据分析应用程序。Spark在诞生之初属于研究性项目，其诸多核心理念均源自学术研究论文。2013年，Spark加入Apache孵化器项目后，开始获得迅猛的发展，如今已成为Apache软件基金会最重要的三大分布式计算系统开源项目之一（即Hadoop、Spark、Storm）二、Spark的特点Spark计算框架在处理数据时，所有的中间数据都保存在内存中，从而减少磁盘读写

一、元数据是什么在HDFS中，元数据主要指的是文件相关的元数据，通过两种形式来进行管理维护，第一种是内存，维护集群数据的最新信息，第二种是磁盘，对内存中的信息进行维护与持久化，由namenode管理维护。从广义的角度来说，因为namenode还需要管理众多的DataNode结点，因此DataNode的位置和健康状态信息也属于元数据。二、文件的组成meta:文件的索引，文件和目录是文件系统的基本元素，HDFS将这些元素抽象成INode，每一个文件或目录都对应一个唯一的INode。block:真实的数据存储的位置，Block是对于文件内容组织而言的，按照固定大小，顺序对文件进行划分并编号，划分好的

大数据开发（Hadoop面试真题）1、介绍下YARN？2、YARN有几个模块？3、YARN工作机制？4、YARN高可用？5、YARN中Container是如何启动的？6、YARN的改进之处，Hadoop3.x相对于Hadoop2.x？7、Hive中如何调整Mapper和Reducer的数目？8、Hive的mapjoin？9、Hive使用的时候会将数据同步到HDFS，小文件问题怎么解决的？10、Hive的SQL转换为MapReduce的过程？1、介绍下YARN？YARN是ApacheHadoop生态系统中的一个集群资源管理器。它的主要目的是管理和分配集群中的资源，并为运行在Hadoop集群上的应

第1章MapReduce概述1.1MapReduce定义        MapReduce是一个分布式运算程序的编程框架，是用户开发“基于Hadoop的数据分析应用”的核心框架。        MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个Hadoop集群上。1.2 MapReduce优缺点1.2.1优点1）MapReduce易于编程        它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的PC机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得