2023國家開放大學(xué)《大數(shù)據(jù)技術(shù)導(dǎo)論》實驗報告1-5

國家開放大學(xué):《大數(shù)據(jù)技術(shù)導(dǎo)論》實驗報告1-5《大數(shù)據(jù)技術(shù)導(dǎo)論》實驗報告

文末有全文檔下載鏈接（百度網(wǎng)盤）實驗1

Linux操作系統(tǒng)部署內(nèi)容描述.實驗1Linux操作系統(tǒng)部署Linux操作系統(tǒng)應(yīng)用日益廣泛，現(xiàn)已成為主流的網(wǎng)絡(luò)操作系統(tǒng)。云計算、物聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)和大數(shù)據(jù)等研究熱點與應(yīng)用領(lǐng)域的出現(xiàn)與發(fā)展，都應(yīng)用了Linux操作系統(tǒng)。隨著互聯(lián)網(wǎng)的廣泛應(yīng)用，Ｌｉｎｕｘ用戶也迅速擴(kuò)展，Ｌｉｎｕｘ操作系統(tǒng)發(fā)揮出越來越大的作用。1.實驗?zāi)康耐ㄟ^Linux操作系統(tǒng)部署的實驗，學(xué)生可以掌握虛擬機(jī)平臺VirtualBox及擴(kuò)展包安裝方法、創(chuàng)建Linux虛擬機(jī)方法、安裝Linux操作系統(tǒng)方法，進(jìn)而為大數(shù)據(jù)Hadoop環(huán)境部署奠定基礎(chǔ)。2.實驗要求在了解Linux操作系統(tǒng)安裝的相關(guān)知識基礎(chǔ)之上，通過實例完成下述任務(wù)。（1）虛擬機(jī)平臺VirtualBox及擴(kuò)展包安裝。（2）創(chuàng)建虛擬機(jī)。（3）安裝Ubuntu操作系統(tǒng)。3.實驗內(nèi)容（1）制訂實驗計劃。（2）虛擬機(jī)平臺VirtualBox及擴(kuò)展包安裝。（3）創(chuàng)建虛擬機(jī)。（4）安裝Ubuntu操作系統(tǒng)。（5）熟悉操作系統(tǒng)的基本命令使用方法。4.實驗總結(jié)通過本實驗，使學(xué)生了解Linux操作系統(tǒng)的特點和過程，理解其基本命令使用方法，掌握虛擬機(jī)平臺VirtualBox及擴(kuò)展包安裝方法，以及安裝Linux操作系統(tǒng)的方法。5.思考拓展（1）為什么Linux操作系統(tǒng)得到了廣泛的應(yīng)用？（2）說明Linux操作系統(tǒng)的安裝步驟和簡單配置方法。（3）什么是虛擬機(jī)？在Linux操作系統(tǒng)安裝過程中為什么使用虛擬機(jī)？（4）Java虛擬機(jī)與在安裝Linux操作系統(tǒng)中所創(chuàng)建的虛擬機(jī)有何區(qū)別？答：Linux操作系統(tǒng)部署如下1.添加virtualbox虛擬機(jī)首先，下載ubuntu系統(tǒng)鏡像：官方網(wǎng)站進(jìn)入VirtualBox，點擊新建，隨便起個名字2.內(nèi)存大小綠色部分即可。需要注意的是，開啟多個虛擬機(jī)時，分配給這些虛擬機(jī)的內(nèi)存之和不要超過此處紅綠分界線對應(yīng)的額度，否則使用的內(nèi)存總和過高容易導(dǎo)致電腦藍(lán)屏…虛擬硬盤創(chuàng)建虛擬硬盤第一次使用選擇創(chuàng)建虛擬硬盤（如果已有硬盤可以使用已有的硬盤文件）虛擬硬盤文件類型建議選VDI（VDI是VirtualBox自己設(shè)計的磁盤文件類型，沒有特殊需求的話用這個就行。）存儲在物理硬盤上建議選動態(tài)分配。（兩種都可以，看文字介紹自行選擇就行。）文件位置和大小按需求設(shè)置即可。建議10GB以上。設(shè)置常規(guī)-高級共享粘貼板和拖放設(shè)為雙向，允許虛擬機(jī)和桌面之間雙向的復(fù)制粘貼和拖放。（需要安裝增強(qiáng)功能后才可以使用，詳見安裝增強(qiáng)功能章節(jié)）系統(tǒng)-處理器處理器數(shù)量建議設(shè)為紅綠交界處。（同樣注意多臺虛擬機(jī)同時使用時，總處理器數(shù)量最好不要超過電腦的實際邏輯處理器數(shù)量）存儲點擊選擇虛擬盤，然后找到下載的ubuntu系統(tǒng)鏡像文件（.iso結(jié)尾）。添加完后如下圖點擊ok保存退出。2.安裝Ubuntu系統(tǒng)點擊啟動，開啟虛擬機(jī)。后面跟著教程即可。三、虛擬電腦中安裝ubuntu系統(tǒng)1、啟動虛擬電腦后，會進(jìn)入安裝Ubuntu系統(tǒng)界面，選擇中文，選擇【安裝Ubuntu】。2、選擇適合的鍵盤。3、如下選擇。4、選擇【清除整個磁盤并安裝Ubuntu】->【現(xiàn)在安裝】。5、選擇【繼續(xù)】。6、選擇系統(tǒng)時間，根據(jù)大家實際需求選擇，然后點擊【繼續(xù)】。7、選擇完時間后，會有一個設(shè)置用戶名和密碼的界面，大家根據(jù)自己實際情況完成設(shè)置即可。8、然后就進(jìn)入等待安裝過程。安裝完成后重啟虛擬電腦，就完成Ubuntu系統(tǒng)的安裝了。實驗2Hadoop開發(fā)環(huán)境部署內(nèi)容描述.實驗2Hadoop開發(fā)環(huán)境部署Hadoop是一個能夠?qū)Υ髷?shù)據(jù)進(jìn)行分布式處理的軟件架構(gòu)，其可以通過可靠、高效、可伸縮的方式進(jìn)行數(shù)據(jù)處理。Hadoop技術(shù)是推動大數(shù)據(jù)應(yīng)用的重要引擎之一，可以使用該技術(shù)收集、清洗和分析大量結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。運行環(huán)境部署是一項技術(shù)要求較高，但必須掌握的技術(shù)。Hadoop是大數(shù)據(jù)分布式處理平臺，在大數(shù)據(jù)離線處理方面，尤其是批處理中得到了廣泛的應(yīng)用。1.實驗?zāi)康耐ㄟ^Hadoop環(huán)境部署實驗練習(xí)，學(xué)生可以掌握Hadoop系統(tǒng)安裝方法、偽分布式Hadoop的安裝方法和Eclipse開發(fā)環(huán)境的安裝具體過程與使用方法，并能夠靈活運用，進(jìn)而為解決大數(shù)據(jù)分析問題奠定環(huán)境構(gòu)建與部署的基礎(chǔ)，不僅為后續(xù)的基于Hadoop環(huán)境的各個實驗建立基礎(chǔ)，而且可以提高工程實踐能力。2.實驗要求在理解本實驗相關(guān)理論的基礎(chǔ)上制訂安裝計劃，獨立完成Hadoop開發(fā)環(huán)境部署過程，主要內(nèi)容如下所述。（1）制訂安裝計劃。（2）安裝SSH協(xié)議。（3）安裝OpenJDK1.8開發(fā)環(huán)境。（4）Hadoop系統(tǒng)部署。（5）偽分布式Hadoop環(huán)境部署。（6）Eclipse開發(fā)環(huán)境的安裝。3.實驗內(nèi)容（1）制訂實驗計劃。（2）完成SSH協(xié)議安裝。（3）完成OpenJDK1.8安裝。（4）完成Hadoop系統(tǒng)部署。（5）完成偽分布式Hadoop環(huán)境部署。（6）完成Eclipse開發(fā)環(huán)境的安裝。4.實驗總結(jié)通過本實驗，使學(xué)生了解Hadoop的特點和總體結(jié)構(gòu)，理解MapReduce程序的執(zhí)行過程，掌握偽分布式Hadoop的安裝方法和Eclipse開發(fā)環(huán)境的安裝與使用方法。5.思考拓展（1）為什么需要安裝SSH協(xié)議？說明SSH協(xié)議功能及安裝方法。（2）為什么需要安裝OpenJDK1.8軟件？說明OpenJDK1.8功能及安裝方法。（3）結(jié)合MapReduce程序執(zhí)行過程，說明其并行處理的特性。（4）結(jié)合Hadoop的處理過程，說明其離線處理特點。（5）說明分布式Hadoop處理與偽分布式Hadoop處理的區(qū)別。（6）說明Eclipse開發(fā)環(huán)境的優(yōu)勢。答：Hadoop開發(fā)環(huán)境部署方法如下Hadoop偽分布式配置創(chuàng)建Hadoop用戶:sudouseradd-mhadoop-s/bin/bash

#創(chuàng)建hadoop用戶sudopasswdhadoop

#修改密碼sudoadduserhadoopsudo

#增加管理員權(quán)限Shell命令注銷并使用Hadoop用戶登錄，接著更新apt并且安裝vim：sudoapt-getupdate

#更新aptsudoapt-getinstallvim

#安裝vimShell命令安裝SSH，配置無密碼登錄:sudoapt-getinstallopenssh-servercd~mkdir.ssh

#可能該文件已存在，不影響cd~/.ssh/ssh-keygen-trsa

#會有提示，都按回車就可以catid_rsa.pub>>authorized_keys

#加入授權(quán)Shell命令安裝Java環(huán)境:sudoapt-getinstallopenjdk-7-jreopenjdk-7-jdkvim~/.bashrc

#設(shè)置JAVA_HOMEShell命令在文件最前面添加如下單獨一行：exportJAVA_HOME=/usr/lib/jvm/java-7-openjdk-amd64使JAVA_HOME變量生效：source~/.bashrc

#使變量設(shè)置生效Shell命令安裝Hadoop2:cd~/下載sudotar-zxvf./hadoop-2.6.0.tar.gz-C/usr/local

#解壓到/usr/local中cd/usr/local/sudomv./hadoop-2.6.0/./hadoop

#將文件夾名改為hadoopsudochown-Rhadoop./hadoop

#修改文件權(quán)限Shell命令進(jìn)行偽分布式配置：修改配置文件

core-site.xml

(vim/usr/local/hadoop/etc/hadoop/core-site.xml)：<configuration><property><name>hadoop.tmp.dir</name><value>file:/usr/local/hadoop/tmp</value><description>Abaseforothertemporarydirectories.</description></property><property><name>fs.defaultFS</name><value>hdfs://localhost:9000</value></property></configuration>修改配置文件

hdfs-site.xml：<configuration><property><name>dfs.replication</name><value>1</value></property><property><name>.dir</name><value>file:/usr/local/hadoop/tmp/dfs/name</value></property><property><name>dfs.datanode.data.dir</name><value>file:/usr/local/hadoop/tmp/dfs/data</value></property></configuration>啟動Hadoop:cd/usr/local/hadoopbin/hdfsnamenode-format

#namenode格式化sbin/start-dfs.sh

#開啟守護(hù)進(jìn)程jps

#判斷是否啟動成功Shell命令若成功啟動則會列出如下進(jìn)程:

NameNode、DataNode和SecondaryNameNode。運行WordCount實例:bin/hdfsdfs-mkdir-p/user/hadoop

#創(chuàng)建HDFS目錄bin/hdfsdfs-mkdirinputbin/hdfsdfs-putetc/hadoop/*.xmlinput

#將配置文件作為輸入bin/hadoopjarshare/hadoop/mapreduce/hadoop-mapreduce-examples-*.jargrepinputoutput'dfs[a-z.]+'bin/hdfsdfs-catoutput/*

#查看輸出Shell命令1.3安裝SSH

Ubuntu默認(rèn)已安裝了SSH客戶端，因此，這里還需要安裝SSH服務(wù)端1.3.1安裝SSH服務(wù)端

請在Linux的終端中執(zhí)行以下命令：

下載安裝包：拷貝代碼sudowget/fileserver/big_data_common/data/openssh-client_7.2p2-4_amd64.debsudowget/fileserver/big_data_common/data/openssh-server_7.2p2-4_amd64.deb

安裝軟件：

拷貝代碼sudodpkg-iopenssh-client_7.2p2-4_amd64.deb

拷貝代碼sudodpkg-iopenssh-server_7.2p2-4_amd64.deb

或者也可用下面方法：∥安裝Java環(huán)境

Java環(huán)境可選擇Oracle的JDK，或是OpenJDK，需要安裝1.7以上的版本，這里直接通過命令安裝OpenJDK8：

拷貝代碼cd/home/user/Downloadssudotar-vxfjdk-8u11-linux-x64.tar.gz安裝好JDK后，需要找到相應(yīng)的安裝路徑，這個路徑是用于配置JAVA_HOME環(huán)境變量的。

拷貝代碼vim~/.bashrc在文件最前面添加如下單獨一行（注意=號前后不能有空格）：拷貝代碼exportJAVA_HOME=/home/user/Downloads/jdk1.8.0_11接著還需要讓該環(huán)境變量生效，執(zhí)行如下代碼：

拷貝代碼source~/.bashrc設(shè)置好后需要檢驗一下是否設(shè)置正確：檢驗變量值拷貝代碼echo$JAVA_HOME

拷貝代碼java-version#與直接執(zhí)行java-version一樣拷貝代碼$JAVA_HOME/bin/java-version

如果設(shè)置正確的話，java-version會輸出java的版本信息。

2安裝Hadoop

Hadoop包括三種安裝模式：

①單機(jī)模式：只在一臺機(jī)器上運行，存儲是采用本地文件系統(tǒng)，沒有采用分布式文件系統(tǒng)HDFS；

②偽分布式模式：存儲采用分布式文件系統(tǒng)HDFS，但是，HDFS的名稱節(jié)點和數(shù)據(jù)節(jié)點都在同一臺機(jī)器上；

③分布式模式：存儲采用分布式文件系統(tǒng)HDFS，而且，HDFS的名稱節(jié)點和數(shù)據(jù)節(jié)點位于不同機(jī)器上。

本節(jié)介紹Hadoop的具體安裝方法，包括下載安裝文件、單機(jī)模式配置、偽分布式模式配置、分布式模式配置等。

2.1下載安裝文件

2.1.1下載文件打開瀏覽器，訪問如下鏈接進(jìn)行下載:

拷貝代碼/fileserver/big_data_common/data/hadoop-2.7.1.tar.gz文件將會下載到/home/user/Downloads目錄下

2.1.2安裝文件

下載完安裝文件以后，需要對文件進(jìn)行解壓。按照Linux系統(tǒng)使用的默認(rèn)規(guī)范，用戶安裝的軟件一般都是存放在“/usr/local/”目錄下。請使用hadoop用戶登錄Linux系統(tǒng)，打開一個終端，進(jìn)行以下操作：解壓

解壓到/usr/local中拷貝代碼sudotar-zxf/home/user/Downloads/hadoop-2.7.1.tar.gz-C/u

將文件夾名改為hadoop

拷貝代碼cd/usr/localsudomv./hadoop-2.7.1/./hadoop修改文件權(quán)限

拷貝代碼sudochown-Rhadoop./hadoop

檢查Hadoop是否可用

Hadoop解壓后即可使用，可以輸入如下命令來檢查Hadoop是否可用，成功則會顯示Hadoop版本信息：拷貝代碼cd/usr/local/hadoop./bin/hadoopversion

2.2單機(jī)模式配置

Hadoop默認(rèn)模式為非分布式模式（本地模式），只需配置好hadoop-env.sh文件中的JAVA_HOME，無需進(jìn)行其他配置即可運行。

配置hadoop-env.sh文件中的JAVA_HOME步驟如下：

先輸入echo$JAVA_HOME命令查看JAVA_HOME的路徑拷貝代碼vi/usr/local/hadoop/etc/hadoop/hadoop-env.sh

進(jìn)入編輯界面后找到exoortJAVA_HOME=${JAVA_HOME}

將${JAVA_HOME}替換為真正的JAVA_HOME路徑即可，然后保存退出。

以下是真實的JAVA_HOME:拷貝代碼/usr/share/jdk1.8.0_181

可以直接替換，直接把前一行注釋掉，然后粘貼后一行

：wq！保存并且退出2.2.1查看所有例子

Hadoop附帶了豐富的例子，運行如下命令可以查看所有例子：

拷貝代碼cd/usr/local/hadoopsudo./bin/hadoopjar./share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.1.jar

上述命令執(zhí)行后，會顯示所有例子的簡介信息，包括grep、join、wordcount等。

2.2.2運行g(shù)rep例子

這里選擇運行g(shù)rep例子，可以先在“/usr/local/hadoop”目錄下創(chuàng)建一個文件夾input，并復(fù)制一些文件到該文件夾下，然后，運行g(shù)rep程序，將input文件夾中的所有文件作為grep的輸入，讓grep程序從所有文件中篩選出符合正則表達(dá)式“dfs[a-z.]+”的單詞，并統(tǒng)計單詞出現(xiàn)的次數(shù)，最后，把統(tǒng)計結(jié)果輸出到“/usr/local/hadoop/output”文件夾中。配置hosts

實驗第一步我們已經(jīng)配置過hosts了。將配置文件復(fù)制到input目錄下

拷貝代碼cd/usr/local/hadoopmkdirinputcp./etc/hadoop/*.xml./input

運行

拷貝代碼./bin/hadoopjar./share/hadoop/mapreduce/hadoop-mapreduc

查看運行結(jié)果

拷貝代碼cat./output/*

執(zhí)行成功后，輸出了作業(yè)的相關(guān)信息，輸出的結(jié)果是符合正則表達(dá)式的單詞“dfsadmin”出現(xiàn)了1次。

刪除output文件

需要注意的是，Hadoop默認(rèn)不會覆蓋結(jié)果文件，因此，再次運行上面實例會提示出錯。如果要再次運行，需要先使用如下命令把output文件夾刪除：拷貝代碼rm-r./output

3偽分布式模式配置

Hadoop可以在單個節(jié)點（一臺機(jī)器）上以偽分布式的方式運行，同一個節(jié)點既作為名稱節(jié)點（NameNode），也作為數(shù)據(jù)節(jié)點（DataNode），讀取的是分布式文件系統(tǒng)HDFS中的文件。3.1修改配置文件

需要配置相關(guān)文件，才能夠讓Hadoop在偽分布式模式下順利運行。Hadoop的配置文件位于“/usr/local/hadoop/etc/hadoop/”中，進(jìn)行偽分布式模式配置時，需要修改2個配置文件，即core-site.xml和hdfs-site.xml。3.1.1修改core-site.xml文件

可以使用vim編輯器打開core-site.xml文件，它的初始內(nèi)容如下：

修改以后，core-site.xml文件的內(nèi)容如下：

拷貝代碼<configuration><property><name>hadoop.tmp.dir</name><value>file:/usr/local/hadoop/tmp</value><description>Abaseforothertemporarydirectories.</description></property><property><name>fs.defaultFS</name><value>hdfs://localhost:9000</value></property></configuration>在上面的配置文件中，hadoop.tmp.dir用于保存臨時文件，若沒有配置hadoop.tmp.dir這個參數(shù)，則默認(rèn)使用的臨時目錄為“/tmp/hadoo-hadoop”，而這個目錄在Hadoop重啟時有可能被系統(tǒng)清理掉，導(dǎo)致一些意想不到的問題，因此，必須配置這個參數(shù)。fs.defaultFS這個參數(shù)，用于指定HDFS的訪問地址，其中，9000是端口號。3.1.2修改hdfs-site.xml文件

修改配置文件hdfs-site.xml，修改后的內(nèi)容如下：

刪除原來兩個configuration，然后直接粘貼下面的代碼?？截惔a<configuration><property><name>dfs.replication</name><value>1</value></property><property><name>.dir</name><value>file:/usr/local/hadoop/tmp/dfs/name</value></property><property><name>dfs.datanode.data.dir</name><value>file:/usr/local/hadoop/tmp/dfs/data</value></property></configuration>3.2執(zhí)行名稱節(jié)點格式化

修改配置文件以后，要執(zhí)行名稱節(jié)點的格式化，命令如下：

拷貝代碼cd/usr/local/hadoop./bin/hdfsnamenode-format

如果格式化成功，會看到“successfullyformatted”和“Exittingwithstatus0”的提示信息，若為“Exittingwithstatus1”，則表示出現(xiàn)錯誤。

配置hadoop-env.sh，vimhadoop-env.sh

找到文件中的“exportJAVA_HOME=${JAVA_HOME}”，

將等號右邊的內(nèi)容替換為我們剛剛安裝的真實的JAVA_HOME，即/home/user/Downloads/jdk1.8.0_11配置hosts，輸入以下命令即可配置hosts

echo""$HOSTNAME|sudotee-a/etc/hosts配置完成后，需要執(zhí)行NameNode的格式化（這一步比較重要，在格式化之前一定要保證，自己前面的都配置好了，如果格式化之后，啟動hadoop還沒成功，就需要重新配置JAVA環(huán)境或者是hadoop重新安裝），命令如下：

cd/usr/local/hadoop

./bin/hdfsnamenode-format接著開啟NameNode和DataNode守護(hù)進(jìn)程，命令如下：

拷貝代碼

cd/usr/local/hadoop

./sbin/start-dfs.sh拷貝代碼

cd/usr/local/hadoop

./bin/hdfsnamenode-format3.3啟動Hadoop

3.3.1啟動

執(zhí)行下面命令啟動Hadoop：

拷貝代碼cd/usr/local/hadoop./sbin/start-dfs.shstart-dfs.sh

是個完整的可執(zhí)行文件，中間沒有空格，啟動過程中有需要輸入“yes”的地方需要輸入“yes”。

啟動時可能會出現(xiàn)如下警告信息：WARNutil.NativeCodeLoader:Unabletoloadnative-hadooplibraryforyourplatform…usingbuiltin-javaclasseswhereapplicableWARN

這個警告提示信息可以忽略，并不會影響Hadoop正常使用

3.3.2判斷是否成功啟動

Hadoop啟動完成后，可以通過命令jps來判斷是否成功啟動，命令如下：

拷貝代碼jps

若成功啟動，則會列出如下進(jìn)程：NameNode、DataNode和SecondaryNameNode。

通過start-dfs.sh命令啟動Hadoop以后，就可以運行MapReduce程序處理數(shù)據(jù)，此時是對HDFS進(jìn)行數(shù)據(jù)讀寫，而不是對本地文件進(jìn)行讀寫。

如果能夠看到SecondaryNameNode、NameNode和DataNode三個進(jìn)程，就說明啟動成功了。如果要停止Hadoop執(zhí)行，可以執(zhí)行如下命令：

/usr/local/hadoop

./sbin/stop-dfs.sh

3.4使用Web界面查看HDFS信息

Hadoop成功啟動后，可以在Linux系統(tǒng)中（不是Windows系統(tǒng)）打開一個瀏覽器，在地址欄輸入如下地址，就可以查看名稱節(jié)點和數(shù)據(jù)節(jié)點信息，還可以在線查看HDFS中的文件。

拷貝代碼http://localhost:500703.5運行Hadoop偽分布式實例

上面的單機(jī)模式中，grep例子讀取的是本地數(shù)據(jù)，偽分布式模式下，讀取的則是分布式文件系統(tǒng)HDFS上的數(shù)據(jù)。3.5.1HDFS中創(chuàng)建用戶目錄

要使用HDFS，首先需要在HDFS中創(chuàng)建用戶目錄（本教程全部統(tǒng)一采用hadoop用戶名登錄Linux系統(tǒng)），命令如下：

拷貝代碼cd/usr/local/hadoop./bin/hdfsdfs-mkdir-p/user/hadoop3.5.2復(fù)制文件

接著需要把本地文件系統(tǒng)的“/usr/local/hadoop/etc/hadoop”目錄中的所有xml文件作為輸入文件，復(fù)制到分布式文件系統(tǒng)HDFS中的“/user/hadoop/input”目錄中，命令如下：

拷貝代碼cd/usr/local/hadoop./bin/hdfsdfs-mkdirinput在HDFS中創(chuàng)建hadoop用戶對應(yīng)的input目錄

拷貝代碼./bin/hdfsdfs-put./etc/hadoop/*.xmlinput

把本地文件復(fù)制到HDFS中3.5.3查看HDFS中的文件列表

復(fù)制完成后，可以通過如下命令查看HDFS中的文件列表：

拷貝代碼./bin/hdfsdfs-lsinput

執(zhí)行上述命令以后，可以看到input目錄下的文件信息。3.5.4運行g(shù)rep程序

現(xiàn)在就可以運行Hadoop自帶的grep程序，命令如下：

拷貝代碼./bin/hadoopjar./share/hadoop/mapreduce/hadoop-mapreduce-examples-*.jargrepinputoutput'dfs[a-z.]+'3.5.5查看HDFS中的結(jié)果

運行結(jié)束后，可以通過如下命令查看HDFS中的output文件夾中的內(nèi)容：拷貝代碼./bin/hdfsdfs-catoutput/*

需要強(qiáng)調(diào)的是，Hadoop運行程序時，輸出目錄不能存在，否則會提示如下錯誤信息：

org.apache.hadoop.mapred.FileAlreadyExistsException:Outputdirectoryhdfs://localhost:9000/user/hadoop/outputalreadyexists

因此，若要再次執(zhí)行g(shù)rep程序3.5.6刪除HDFS中的output文件夾

需要執(zhí)行如下命令刪除HDFS中的output文件夾：

拷貝代碼./bin/hdfsdfs-rm-routput

刪除output文件夾3.6關(guān)閉Hadoop

如果要關(guān)閉Hadoop，可以執(zhí)行下面命令：

拷貝代碼cd/usr/local/hadoop./sbin/stop-dfs.sh

下次啟動Hadoop時，無需進(jìn)行名稱節(jié)點的初始化（否則會出錯），也就是說，不要再次執(zhí)行“hdfsnamenode-format”命令，每次啟動Hadoop只需要直接運行start-dfs.sh命令即可。3.7配置PATH變量

前面在啟動Hadoop時，都要加上命令的路徑，比如，“./sbin/start-dfs.sh”這個命令中就帶上了路徑，實際上，通過設(shè)置PATH變量，就可以在執(zhí)行命令時，不用帶上命令本身所在的路徑。具體操作方法是，首先使用vim編輯器打開“~/.bashrc”這個文件，然后，在這個文件的最后面位置加入如下單獨一行：拷貝代碼exportHADOOP_HOME=/usr/local/hadoopexportPATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH

添加后，執(zhí)行命令“source~/.bashrc”使設(shè)置生效。設(shè)置生效后，在任何目錄下啟動Hadoop，都只要直接輸入start-dfs.sh命令即可，同理，停止Hadoop，也只需要在任何目錄下輸入stop-dfs.sh命令即可。實驗3網(wǎng)頁數(shù)據(jù)獲取內(nèi)容描述.實驗3網(wǎng)頁數(shù)據(jù)獲取數(shù)據(jù)獲取是數(shù)據(jù)生命周期中的第一個環(huán)節(jié)，數(shù)據(jù)抽取過程是搜索全部數(shù)據(jù)源，按照某種標(biāo)準(zhǔn)選擇合乎要求的數(shù)據(jù)，并將其進(jìn)行適當(dāng)?shù)母袷睫D(zhuǎn)換之后，傳送到目的地中存儲。為了克服被抽取的數(shù)據(jù)源分布廣泛、異構(gòu)、非結(jié)構(gòu)化等問題，數(shù)據(jù)抽取技術(shù)和抽取工具應(yīng)運而生。學(xué)習(xí)數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)不僅需要掌握其理論，更重要的是能夠運用工具和方法來完成數(shù)據(jù)的獲取。1.實驗?zāi)康耐ㄟ^網(wǎng)頁數(shù)據(jù)獲取的實驗，學(xué)生可以理解網(wǎng)絡(luò)爬蟲的工作過程，掌握網(wǎng)頁數(shù)據(jù)獲取的方法，并能夠靈活運用，進(jìn)而解決網(wǎng)頁數(shù)據(jù)獲取的實際問題。2.實驗要求理解爬蟲軟件的原理與方法，獨立完成網(wǎng)頁數(shù)據(jù)獲取的實驗，主要內(nèi)容如下。（1）前嗅ForeSpider爬蟲軟件安裝。（2）選擇頻道。（3）網(wǎng)頁數(shù)據(jù)采集過程。3.實驗內(nèi)容（1）制訂實驗計劃。（2）完成爬蟲軟件安裝。（3）選擇網(wǎng)頁。（4）完成爬蟲軟件數(shù)據(jù)采集過程。4.實驗總結(jié)通過本實驗，使學(xué)生了解爬蟲軟件的特點、總體結(jié)構(gòu)和分類，理解爬蟲軟件程序的執(zhí)行過程，掌握應(yīng)用爬蟲軟件獲取網(wǎng)頁數(shù)據(jù)的方法。5.思考拓展（1）結(jié)合爬蟲軟件的結(jié)構(gòu)說明其主要功能。（2）通過舉例，說明csv格式文件的特點。（3）應(yīng)用前嗅ForeSpider爬蟲軟件能夠采集非結(jié)構(gòu)化數(shù)據(jù)嗎？為什么？（4）我們能夠在網(wǎng)絡(luò)上爬取什么數(shù)據(jù)？答：網(wǎng)頁數(shù)據(jù)獲取方法如下實驗4大數(shù)據(jù)去重內(nèi)容描述.實驗4大數(shù)據(jù)去重1.實驗?zāi)康耐ㄟ^Hadoop數(shù)據(jù)去重實驗，學(xué)生可以掌握準(zhǔn)備數(shù)據(jù)、偽分布式文件系統(tǒng)配置方法，以及在集成開發(fā)環(huán)境Eclipse中實現(xiàn)Hadoop數(shù)據(jù)去重方法。2.實驗要求了解基于Hadoop處理平臺的大數(shù)據(jù)去重過程，理解其主要功能，并能夠在Hadoop環(huán)境下獨立完成。（1）制訂實驗計劃。（2）準(zhǔn)備數(shù)據(jù)。（3）偽分布式文件系統(tǒng)配置。（4）在集成開發(fā)環(huán)境Eclipse中實現(xiàn)Hadoop數(shù)據(jù)去重。3.實驗內(nèi)容（1）制訂實驗計劃。（2）進(jìn)入“/usr/local/hadoop”目錄。（3）準(zhǔn)備數(shù)據(jù)。（4）修改“/usr/local/hadoop/etc/hadoop/”目錄下的Hadoop配置文件。（5）NameNode格式化。（6）在集成開發(fā)環(huán)境Eclipse中實現(xiàn)Hadoop數(shù)據(jù)去重。4.實驗總結(jié)通過本實驗，使學(xué)生了解Hadoop數(shù)據(jù)去重的特點和過程、理解MapReduce程序的執(zhí)行過程，掌握NameNode的格式化方法、Hadoop的配置文件的修改和Eclipse開發(fā)環(huán)境下實現(xiàn)Hadoop數(shù)據(jù)去重的方法。5.思考拓展（1）為什么需要NameNode格式化？說明NameNode格式化方法。（2）為什么需要數(shù)據(jù)去重？說明Hadoop數(shù)據(jù)去重的主要優(yōu)勢。（3）結(jié)合MapReduce程序執(zhí)行過程，說明Hadoop數(shù)據(jù)去重是離線處理還是在線處理。（4）說明在集成開發(fā)環(huán)境Eclipse中實現(xiàn)Hadoop數(shù)據(jù)去重的主要過程。答：數(shù)據(jù)去重方法如下【Hadoop學(xué)習(xí)項目】---數(shù)據(jù)去重0.項目結(jié)構(gòu)數(shù)據(jù)處理過程圖1.DupDriver2.DupMapper3.DupReducer方法2：

4、設(shè)置程序輸入?yún)?shù)，myeclipse設(shè)置。運行，得到結(jié)果：14/06/1522:01:32INFOmapred.JobClient:

map100%reduce100%

14/06/1522:01:32INFOmapred.JobClient:Jobcomplete:job_local_0001

14/06/1522:01:32INFOmapred.JobClient:Counters:19

14/06/1522:01:32INFOmapred.JobClient:

FileOutputFormatCounters

14/06/1522:01:32INFOmapred.JobClient:

BytesWritten=9

14/06/1522:01:32INFOmapred.JobClient:

FileSystemCounters

14/06/1522:01:32INFOmapred.JobClient:

FILE_BYTES_READ=81479

14/06/1522:01:32INFOmapred.JobClient:

HDFS_BYTES_READ=43

14/06/1522:01:32INFOmapred.JobClient:

FILE_BYTES_WRITTEN=279482

14/06/1522:01:32INFOmapred.JobClient:

HDFS_BYTES_WRITTEN=9

14/06/1522:01:32INFOmapred.JobClient:

FileInputFormatCounters

14/06/1522:01:32INFOmapred.JobClient:

BytesRead=17

14/06/1522:01:32INFOmapred.JobClient:

Map-ReduceFramework

14/06/1522:01:32INFOmapred.JobClient:

Mapoutputmaterializedbytes=31

14/06/1522:01:32INFOmapred.JobClient:

Mapinputrecords=9

14/06/1522:01:32INFOmapred.JobClient:

Reduceshufflebytes=0

14/06/1522:01:32INFOmapred.JobClient:

SpilledRecords=10

14/06/1522:01:32INFOmapred.JobClient:

Mapoutputbytes=17

14/06/1522:01:32INFOmapred.JobClient:

Totalcommittedheapusage(bytes)=492109824

14/06/1522:01:32INFOmapred.JobClient:

SPLIT_RAW_BYTES=190

14/06/1522:01:32INFOmapred.JobClient:

Combineinputrecords=9

14/06/1522:01:32INFOmapred.JobClient:

Reduceinputrecords=5

14/06/1522:01:32INFOmapred.JobClient:

Reduceinputgroups=5

14/06/1522:01:32INFOmapred.JobClient:

Combineoutputrecords=5

14/06/1522:01:32INFOmapred.JobClient:

Reduceoutp