从0开始学pyspark（二）：ubuntu docker搭建Hadoop集群环境

spark要配合Hadoop的hdfs使用，然而Hadoop的特点就是分布式，在一台主机上搭建集群有点困难，百度后发现可以使用docker构建搭建，于是开搞：
github项目：https://github.com/kiwenlau/hadoop-cluster-docker
参考文章： https://www.jianshu.com/p/b75f8bc9346d

docker安装

文章中安装的是docker.io
但是我推荐安装docker-ce，docker.io版本太老了,步骤如下：
1、国际惯例更新下APT软件包的源
sudo apt-get update
2、安装软件包以允许apt通过HTTPS使用存储库

sudo apt-get install \
apt-transport-https \
ca-certificates \
curl \
software-properties-common

3、因为被墙使用教育网镜像：
curl -fsSL https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu/gpg | sudo apt-key add
4、同样

sudo add-apt-repository \
"deb [arch=amd64] https://mirrors.ustc.edu.cn/docker-ce/linux/ubuntu \
$(lsb_release -cs) \
stable"

5、更新下我们的软件源
sudo apt-get update
6、安装docker
sudo apt-get install docker-ce
7、启动docker服务
sudo service docker start
or
sudo systemctl start docker
8、觉得有必要可以设置开机自带启动
sudo systemctl enable docker
9、关闭自启动
sudo systemctl disable docker
10、国内访问docker会受限制，可以使用加速服务，阿里云、网易云、DaoCloud
11、运行 docker run hello-world 测试是否安装成功
12、想要安装其他image 可以到docker hub上找
https://hub.docker.com/
或是直接在github上搜索相应docker

搭建Hadoop集群

搭建过程很简单
https://github.com/kiwenlau/hadoop-cluster-docker
上步骤说明很详细：
1、pull镜像，速度慢的换国内镜像源
sudo docker pull kiwenlau/hadoop:1.0
200多m不算大，我下过jupyter官方pyspark的docker 5g…
2、克隆项目到本地
git clone https://github.com/kiwenlau/hadoop-cluster-docker
其实只用到里面的 start-container.sh 文件也可以单独下，复制粘贴啥的
3、start-container.sh 需要修改一下 cd 到文件目录
sudo gedit start-container.sh 修改如下

开放9000端口还有创建共享文件夹方便以后使用
4、保存之后，创建docker-Hadoop网络
sudo docker network create --driver=bridge hadoop
5、开启容器
sudo ./start-container.sh

6、开启Hadoop集群
./start-hadoop.sh

7、测试一下Hadoop，在hdfs上创建 test/input 目录

hadoop fs -mkdir -p /test/input
hadoop fs -ls /test

8、运行word-count程序
./run-wordcount.sh
结果如下