如何在30秒內建構Spark環境--使用docker-compose 踩坑實錄

前言

本篇照著How To Have An Environment With Spark in Less Than 30 Seconds Thanks To Docker這個博客的教學，並且使用它的GitHub：bbvadata/docker-blog-example來建構PySpark＋Jupyter環境。

筆者運行這個項目時一共踩了三個坑，不想重蹈覆轍的同學可以使用keineahnung2345/docker-blog-example這個填完坑的版本。

使用步驟

1. 下載這個項目

git clone https://github.com/bbvadata/docker-blog-example.git

如果想要使用填完坑的版本，請改用以下指令：

git clone -b all_merged https://github.com/keineahnung2345/docker-blog-example.git

2. 進入項目的根目錄

cd docker-blog-example

3. 創造並運行PySpark+Jupyter的容器

sudo docker-compose up

4. 查看MasterWebUI和WorkerWebUI

1. 到http://:8080查看MasterWebUI
2. 到http://:8081查看WorkerWebUI

如果是連線到遠端電腦操作：

1. 在bbvadata版下可能會打不開，解決辦法請參考踩坑實錄第一點。
2. 在keineahnung2345版，.env檔中有：

   HOSTIP=127.0.0.1
   

   需要把127.0.0.1替換成遠端電腦的ip，然後再重新運行上面的指令。

5. 在瀏覽器中開啟Jupyter Notebook

1. 如果是使用bbvadata的版本，需要找出docker-compose up輸出中類似：

   http://localhost:8888/?token=c8de56fa4deed24899803e93c227592aef6538f93025fe01

   的字串，然後複製貼上到瀏覽器查看Jupyter Notebook。

2. 如果是使用keineahnung2345的版本，直接到http://:8888就可以查看Jupyter Notebook。這是因為筆者己將密碼設為空字串。

   如果還是希望有密碼保護，可以自行修改.env這個檔案，在裡面加上：PASSWORD=xxx。
   之後開啟Jupyter Notebook時，就會要求使用者輸入密碼。
   

6. 運行spark-example.ipynb

使用bbvadata的版本運行時會報錯，發生原因及解決辦法可以參考踩坑實錄第二點。
以下預期的運行結果：

Dockerfile內容介紹

FROM debian:jessie

MAINTAINER EDGAR PEREZ SAMPEDRO <[email protected]>

#JAVA
# 自動驗證license
RUN echo oracle-java8-installer shared/accepted-oracle-license-v1-1 select true | /usr/bin/debconf-set-selections

# 更新倉庫
RUN echo "deb http://ppa.launchpad.net/webupd8team/java/ubuntu trusty main" | tee /etc/apt/sources.list.d/webupd8team-java.list
RUN echo "deb-src http://ppa.launchpad.net/webupd8team/java/ubuntu trusty main" | tee -a /etc/apt/sources.list.d/webupd8team-java.list
RUN apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv-keys EEA14886
RUN apt-get update

# 安裝Java
RUN apt-get install oracle-java8-installer -y

RUN apt-get clean

# 安裝ANACONDA3前的準備
RUN apt-get update && \
    apt-get install -y curl build-essential libpng12-dev libffi-dev  && \
    apt-get clean && \
    rm -rf /var/tmp /tmp /var/lib/apt/lists/*

# 安裝ANACONDA3
ENV CONDA_DIR="/root/anaconda3" 
ENV PATH="$CONDA_DIR/bin:$PATH"
RUN curl -sSL -o installer.sh https://repo.continuum.io/archive/Anaconda3-4.4.0-Linux-x86_64.sh && \
    bash /installer.sh -b -f && \
    rm /installer.sh

# 設定環境變量
ENV PATH "$CONDA_DIR/bin:$PATH"

# 安裝SPARK
ARG SPARK_ARCHIVE=https://d3kbcqa49mib13.cloudfront.net/spark-2.2.0-bin-hadoop2.7.tgz
RUN curl -s $SPARK_ARCHIVE | tar -xz -C /usr/local/

ENV SPARK_HOME /usr/local/spark-2.2.0-bin-hadoop2.7
ENV PATH $PATH:$SPARK_HOME/bin

# 建立自定義的CONDA環境pyspark
RUN conda create -n pyspark python=3.5
RUN ["/bin/bash", "-c", "source activate pyspark; apt-get install libstdc++; conda install jupyter;conda install ipykernel; python -m ipykernel install --user --name pyspark --display-name pyspark; source deactivate"]
ENV PATH "$CONDA_DIR/envs/pyspark/bin:$PATH"

# JUPYTER NOTEBOOK的設定
COPY jupyter_notebook_config.py /root/.jupyter/
EXPOSE 8888

# notebook檔案儲存的目錄 
COPY notebooks /notebooks

# 設定環境變量
ENV JAVA_HOME /usr/lib/jvm/java-8-oracle
ENV PYSPARK_PYTHON /root/anaconda3/envs/pyspark/bin/python 
# ENV PYSPARK_DRIVER_PYTHON_OPTS notebook
# ENV PYSPARK_DRIVER_PYTHON jupyter
ENV PYTHONPATH /usr/local/spark-2.2.0-bin-hadoop2.7/python/lib/py4j-0.10.4-src.zip:/usr/local/spark-2.2.0-bin-hadoop2.7/python:PYSPARK_DRIVER_PYTHON=ipython

# 一開始進入容器的工作目錄
WORKDIR "/notebooks"
# 進入容器後第一個運行的指令
CMD ["/bin/bash", "-c", "jupyter notebook --allow-root"]

踩坑實錄

1. MasterWebUI及WorkerWebUI打不開

如果是在本機運行應該不會發生這種情況。

筆者會碰到這個問題是因為筆者是連線到遠端的server，然後試圖在本地的瀏覽器打開WebUI。
有兩個方法可以解決這個問題：

• 將docker-compose.yml中的以下兩個欄位：
  spark-master→environment→SPARK_PUBLIC_DNS
spark-master→environment→SPARK_PUBLIC_DNS
  改為那台遠端server的ip。

• 將以上兩個欄位改成${HOSTIP}，然後建立一個.env檔，裡面寫入HOSTIP=。

具體情況可以參考SPARK_PUBLIC_DNS: use host ip rather than 127.0.0.1。

2. Notebook無法運行

這是因為原版的Dockerfile中的環境變量設定錯誤，導致由它建構出來的docker鏡像edgarperezsampedro/blog_docker中的環境變量也是錯的。
具體情況請參考Fix CONDA_DIR and give priority to pyspark。

首先修正Dockerfile這個檔案：

• 將第26行的ENV CONDA_DIR="/conda"改為ENV CONDA_DIR="/root/anaconda3"
• 將第32行的ENV PATH "$PATH:/root/anaconda3/bin"改為ENV PATH "$CONDA_DIR/bin:$PATH"
• 在第43行下面加入ENV PATH "$CONDA_DIR/envs/pyspark/bin:$PATH"

然後自己建構一個docker image，使用以下指令：

docker build . -t <your-image-name>

筆者己經做過了這一步，建好了一個名叫keineahnung2345/edgarperezsampedro-blog_docker:20181126的docker鏡像。

如要使用，可以將docker-compose.yml中的：

services:

  jupyter-debian:
    image: edgarperezsampedro/blog_docker

改成：

services:

  jupyter-debian:
    image: keineahnung2345/edgarperezsampedro-blog_docker:20181126

就會直接拉取修改過的docker鏡像。

3. AnalysisException: ‘path file:/results/spark-result already exists.;’

因為程式運行會產生spark-result這個資料夾，如果多次運行的時候就會報錯，說明該資料夾己經存在。
筆者的解決辦法是將原來的：

tcp_interactions.write.format('csv').save("/results/spark-result", sep='|', header=True)

改為：

tcp_interactions.write.format('csv').mode('overwrite').save("/results/spark-result", sep='|', header=True)

如此一來，如果運行時發現檔案夾己經存在，就會自動覆寫，而不會報錯。

4. docker-compose up:ERROR: Encountered errors while bringing up the project.

會發生這個錯誤其實是筆者粗心所致，在docker-compose up:ERROR: Encountered errors while bringing up the project.錯誤及解決方式中有詳細的說明。

參考連結

How To Have An Environment With Spark in Less Than 30 Seconds Thanks To Docker
bbvadata/docker-blog-example
keineahnung2345/docker-blog-example
SPARK_PUBLIC_DNS: use host ip rather than 127.0.0.1
Fix CONDA_DIR and give priority to pyspark
docker-compose up:ERROR: Encountered errors while bringing up the project.錯誤及解決方式

結語

本文還有個續篇：使用docker stack建構跨主機PySpark+Jupyter集群。
該篇延續了本篇單機版的PySpark集群，建構了跨機器的版本，並且加入visualizer，讓我們可以在網頁中監控docker的運行狀況。