本教程为授权出品 一、课程简介数据仓库（Data Warehouse，可简写为DW或DWH），是面向分析的集成化数据环境，为企业决策制定过程，提供系统数据支持的战略集合，是国内外各大公司正在重点投入的战略级技术领域。 二、课程内容《大数据电商数仓项目实战》视频教程，从项目架构的搭建，到数据采集模块的设计、数仓架构的设计、实战需求实现、即席查询的实现，我们针对国内目前广泛使用的Apache原生框架和CDH版本框架进行了分别介绍，Apache原生框架介绍中涉及到的技术框架包括Flume、Kafka、Sqoop、MySql、HDFS、Hive、Tez、Spark、Presto、Druid等，CDH版本框架讲解包括CM的安装部署、Hadoop、Zookeeper、Hive、Flume、Kafka、Oozie、Impala、HUE、Kudu、Spark的安装配置，透彻了解不同版本框架的区别联系，将大数据全生态系统前沿技术一网打尽。在过程中对大数据生态体系进行了系统的讲解，对实际企业数仓项目中可能涉及到的技术点都进行了深入的讲解和探讨。同时穿插了大量数仓基础理论知识，让你在掌握实战经验的同时能

spark-core_2.11-2.1.3-SNAPSHOT.jar

spark-sql_2.11-2.1.3-SNAPSHOT_bak.jar

spark-streaming-flume-sink_2.11-2.0.0.jar的jar包。

第1章 HDFS 1 1．1 HDFS概述 1 1．1．1 HDFS体系结构 1 1．1．2 HDFS基本概念 2 1．2 HDFS通信协议 4 1．2．1 Hadoop RPC接口 4 1．2．2 流式接口 20 1．3 HDFS主要流程 22 1．3．1 HDFS客户端读流程 22 1．3．2 HDFS客户端写流程 24 1．3．3 HDFS客户端追加写流程 25 1．3．4 Datanode启动、心跳以及执行名字节点指令流程 26 1．3．5 HA切换流程 27 第2章 Hadoop RPC 29 2．1 概述 29 2．1．1 RPC框架概述 29 2．1．2 Hadoop RPC框架概述 30 2．2 Hadoop RPC的使用 36 2．2．1 Hadoop RPC使用概述 36 2．2．2 定义RPC协议 40 2．2．3 客户端获取Proxy对象 45 2．2．4 服务器获取Server对象 54 2．3 Hadoop RPC实现 63 2．3．1 RPC类实现 63 2．3．2 Client类实现 64 2．3．3 Server类实现 76 第3章 Namenode（名字节点） 88 3．1 文件系统树 88 3．1．1 INode相关类 89 3．1．2 Feature相关类 102 3．1．3 FSEditLog类 117 3．1．4 FSImage类 138 3．1．5 FSDirectory类 158 3．2 数据块管理 162 3．2．1 Block、Replica、BlocksMap 162 3．2．2 数据块副本状态 167 3．2．3 BlockManager类（done） 177 3．3 数据节点管理 211 3．3．1 DatanodeDescriptor 212 3．3．2 DatanodeStorageInfo 214 3．3．3 DatanodeManager 217 3．4 租约管理 233 3．4．1 LeaseManager．Lease 233 3．4．2 LeaseManager 234 3．5 缓存管理 246 3．5．1 缓存概念 247 3．5．2 缓存管理命令 247 3．5．3 HDFS集中式缓存架构 247 3．5．4 CacheManager类实现 248 3．5．5 CacheReplicationMonitor 250 3．6 ClientProtocol实现 251 3．6．1 创建文件 251 3．6．2 追加写文件 254 3．6．3 创建新的数据块 257 3．6．4 放弃数据块 265 3．6．5 关闭文件 266 3．7 Namenode的启动和停止 268 3．7．1 安全模式 268 3．7．2 HDFS High Availability 276 3．7．3 名字节点的启动 301 3．7．4 名字节点的停止 306 第4章 Datanode（数据节点） 307 4．1 Datanode逻辑结构 307 4．1．1 HDFS 1．X架构 307 4．1．2 HDFS Federation 308 4．1．3 Datanode逻辑结构 310 4．2 Datanode存储 312 4．2．1 Datanode升级机制 312 4．2．2 Datanode磁盘存储结构 315 4．2．3 DataStorage实现 317 4．3 文件系统数据集 334 4．3．1 Datanode上数据块副本的状态 335 4．3．2 BlockPoolSlice实现 335 4．3．3 FsVolumeImpl实现 342 4．3．4 FsVolumeList实现 345 4．3．5 FsDatasetImpl实现 348 4．4 BlockPoolManager 375 4．4．1 BPServiceActor实现 376 4．4．2 BPOfferService实现 389 4．4．3 BlockPoolManager实现 396 4．5 流式接口 398 4．5．1 DataTransferProtocol定义 398 4．5．2 Sender和Receiver 399 4．5．3 DataXceiverServer 403 4．5．4 DataXceiver 406 4．5．5 读数据 408 4．5．6 写数据（done） 423 4．5．7 数据块替换、数据块拷贝和读数据块校验 437 4．5．8 短路读操作 437 4．6 数据块扫描器 437 4．6．1 DataBlockScanner实现 438 4．6．2 BlockPoolSliceScanner实现 439 4．7 DirectoryScanner 442 4．8 DataNode类的实现 443 4．8．1 DataNode的启动 444 4．8．2 DataNode的关闭 446 第5章 HDFS客户端 447 5．1 DFSClient实现 447 5．1．1 构造方法 448 5．1．2 关闭方法 449 5．1．3 文件系统管理与配置方法 450 5．1．4 HDFS文件与操作方法 451 5．1．5 HDFS文件读写方法 452 5．2 文件读操作与输入流 452 5．2．1 打开文件 452 5．2．2 读操作――DFSInputStream实现 461 5．3 文件短路读操作 481 5．3．1 短路读共享内存 482 5．3．2 DataTransferProtocol 484 5．3．3 DFSClient短路读操作流程 488 5．3．4 Datanode短路读操作流程 509 5．4 文件写操作与输出流 512 5．4．1 创建文件 512 5．4．2 写操作――DFSOutputStream实现 516 5．4．3 追加写操作 543 5．4．4 租约相关 546 5．4．5 关闭输出流 548 5．5 HDFS常用工具 549 5．5．1 FsShell实现 550 5．5．2 DFSAdmin实现 552

K-Means算法是一种基于距离的聚类算法，采用迭代的方法，计算出K个聚类中心，把若干个点聚成K类。 MLlib实现K-Means算法的原理是，运行多个K-Means算法，每个称为run，返回最好的那个聚类的类簇中心。初始的类簇中心，可以是随机的，也可以是KMean||得来的，迭代达到一定的次数，或者所有run都收敛时，算法就结束。 用Spark实现K-Means算法，首先修改pom文件，引入机器学习MLlib包： org.apache.spark spark-mllib_2.10</

主要介绍了hadoop格式化HDFS出现错误解决办法的相关资料,hadoop格式化HDFS报错java.net.UnknownHostException，这里提供解决办法，需要的朋友可以参考下

spark-mllib_2.11-2.1.3-SNAPSHOT.jars

hdfs-site.xml

hive参数配置说明大全，详细说个各个参数的作用用法