本文主要向大家介绍了机器学习入门之5分钟搭建大数据学习环境，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

    想学大数据，先搭个环境再说，要准备多少台服务器，每台服务器的基础环境设置，各个服务器的网络互联，真是很麻烦的一件事

    第一座山先把想入门的学习者挡在门外，别放弃，这里又一个即全面又快捷的搭建大数据环境的方法，排除下载软件的时间，只需要5分钟，就可以拥有一个自己的大数据环境，包括绝大部分大数据生态环境的各个组建，完美得不能再完美。

    只需按照以下步骤进行：

    一、下载并安装oracle的虚拟机软件VirtualBox

        下载地址为 https://www.virtualbox.org/，有windows版和mac版

        下载后直接安装软件即可

    二、下载CDH的quick starts的VirtualBox虚拟机文件

        CDH是Cloudera的软件发行版，包含Apache Hadoop及相关项目。所有组件都是100％开源。

        我们要下载的虚拟机文件，是运行在VirtualBox里的linux虚拟机，这个linux虚拟机里，已经完整安装了大数据绝大部分必须的组建，包括Hadoop、Hive、Hbase、Spark、Hue以及Mysql等等，这些组件之间的关系，大家在学习大数据的过程中，会一步步的理解。

        下载地址是：https://www.cloudera.com/downloads/quickstart_vms/5-13.html

1-1

        页面上的下拉框请选择Virtual Box，当然也可选择其他的方案，比如Docker iamge或者VMWare，本人在安装过程中，用Docker启动一些组件报错，而Virtual Box的虚拟机环境则很健壮，没有任何问题，因此，推荐使用Virtual Box。

        下载的文件大小为5.8G左右的zip文件，下载成功后，还需要解压这个文件，这是一个比较漫长的过程，当然不能算进5分钟之内了。

    三、 解压后的文件如图1-2，在已经安装好Virtual Box的前提下，直接双击.ovf文件，即可打开Virtual Box的导入虚拟机对话框如图1-3。

            在导入虚拟机对话框上，可以双击各个项目进行调整，如果你的机器是酷睿i9，18个物理内核，36个超线程，那么处理器那一项设置成24或者32都没问题，内存也是一样，根据自己电脑的实际内存大小进行设置，如果此电脑除了运行这个虚拟机意外，不作他用，那么设置称电脑实际内存的三分之二是没有问题的。

            网络控制器和硬盘控制器使用给定的设置即可，导入虚拟机成功后，还可以修改。

            点击“导入”按钮，则显示图1-4，进行虚拟机的导入。

            导入虚拟机成功后，选择导入的虚拟机，点击上面工具栏的设置按钮，可以继续设置虚拟机环境，如图1-5所示

            在点击设置按钮后，会弹出设置的对话框，我们主要对网络进行一下设置，因为这涉及到我们能不能连接到虚拟机的问题。如题1-6，选择桥接网卡，下面“界面名称”那一项，如果是wifi上网的话，选择本机使用的无线网卡，如果使用的是网线，则选择在用的物理网卡。

            虚拟机基本设置完毕，点击Virtual Box的启动按钮（绿色大箭头），则开始启动虚拟机。

1-2

1-3

1-4

1-5

1-6

            启动后的虚拟机如图1-7，记住桌面背景的 cloudera ，虚拟机中各个大数据组件的用户名和密码都是cloudera，包括虚拟机linux系统的用户名和密码

1-7

        在桌面左上角选择“Applications” -> “System Tools” -> “Terminal”，进入控制台，输入ifconfig命令，显示虚拟机的IP地址，如图1-8，我们之前已经设置好了虚拟机使用桥接网络，所以在宿主机，或者与宿主机在同一网络的其他电脑，都可以连接到虚拟机

1-8

        如图1-9至1-11，可以直接访问虚拟机内各个组件的web控制台：

80 cloudera端口：

1-9

8088 hadoop端口：

1-10

8888 hue端口：

1-11

    现在，我们就可以根据官方教程，一步一步学习大数据了，官方教程如下：

    https://www.cloudera.com/developers/get-started-with-hadoop-tutorial.html

    官方教程的“Exercise 1: Ingest and query relational data”这部分内容，是让我们把mysql中的关系型数据导入到hive仓库中，使用的命令是：

sqoop import-all-tables 

    -m {{cluster_data.worker_node_hostname.length}} 

    --connect jdbc:mysql://{{cluster_data.manager_node_hostname}}:3306/retail_db 

    --username=retail_dba 

    --password=cloudera 

    --compression-codec=snappy 

    --as-parquetfile 

    --warehouse-dir=/user/hive/warehouse 

    --hive-import

    执行这行命令会报错：Error: expected numeric argument.

    我们只需将这行命令的 -m {{cluster_data.worker_node_hostname.length}} 删除，并且把命令行中的 

--connect jdbc:mysql://{{cluster_data.manager_node_hostname}}:3306/retail_db 

改成

--connect jdbc:mysql://127.0.0.1:3306/retail_db  

使其连接到虚拟机本机的mysql数据库，就可以成功运行了

最终的命令行如下：

sqoop import-all-tables 

    --connect jdbc:mysql://127.0.0.1:3306/retail_db 

    --username=retail_dba 

    --password=cloudera 

    --compression-codec=snappy 

    --as-parquetfile 

    --warehouse-dir=/user/hive/warehouse 

    --hive-import

        命令运行成功，这样我们的大数据环境中，就有原始数据了，接下来，无论你学习使用hive、pig、spark......，在这个大数据环境中都可以顺利进行。

        虚拟机环境确认正常后，Virtual Box提供快照功能，给虚拟机拍个快照，这样以后在学习过程中，发生环境崩溃时，直接使用快照恢复，一切OK！

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！