马踏飞燕——奔跑在Docker上的Spark

目录

1. 为什么要在Docker上搭建Spark集群
2. 网络拓扑
3. Docker安装及配置
4. ssh安装及配置
5. 基础环境安装
6. Zookeeper安装及配置
7. Hadoop安装及配置
8. Spark安装及配置
9. 集群部署
10. 总结
11. 参考资料

---

 1 为什么要在Docker上搭建Spark集群

他：为什么要在Docker上搭建Spark集群啊？

我：因为……我行啊！

　　MR和Spark都提供了local模式，即在单机上模拟多计算节点来执行任务。但是，像我这等手贱的新手，怎么会满足于“模拟”？很容易想到在单机上运行多个虚拟机作为计算节点，可是考虑到PC的资源有限，即使能将集群运行起来，再做其他的工作已经是超负荷了。Docker是一种相比虚拟机更加轻量级的虚拟化解决方案，所以在Docker上搭建Spark集群具有可行性。

---

 2 网络拓扑

　　搭建一个有意义的小规模集群，我选择了3台服务器作为Spark计算节点（Worker）。集群中光有计算节点还不够，这3台服务器同时也作为分布式文件系统（HDFS）的数据节点（DataNode）。指定了哪些服务器用来计算，哪些用来存储之后，我们还需要指定来管理计算和存储的主节点。一个简单方案：我们可以让cloud1作为管理计算节点的主节点（Master），同时它也作为管理数据节点的主节点（NameNode）。

　　很容易看到简单方案不够完美：首先，要是cloud1作为NameNode宕机，整个分布式文件系统则无法工作。此时，我们应当采用基于HA的HDFS方案：由多个NameNode共同管理DataNode，但是只有一个NameNode处于活动（Active）状态，当活动的NameNode无法工作时，则需要其他NameNode候补。这里至少涉及2个关键技术：

• 如何共享NameNode的信息（EditLog）？NameNode存储的信息包括但不限于：数据在各DataNode上如何存储，哪些DataNode是可用的。所以，当活动的NameNode无法工作时，应当将这些信息传递给下一个被选中的NameNode。与其传递，不如所有的NameNode共享这些信息。这些信息将被分布式地存储在JournalNode上。在本集群中，我们使用所有3台服务器都作为JournalNode。cloud1和cloud2作为NameNode。
• 如何确保只有一个NameNode是活动的？当活动的NameNode无法工作时，如何确定下一个活动的Namenode？Zookeeper可以解决这两个问题，在本集群中，3台服务器都作为Zkserver节点。

　　再者，选用cloud1作为Master来管理计算（standalone）的方式对资源的利用率不比Yarn方式。所以，在本集群中选用cloud1做为ResourceManager，3台服务器都作为NodeManager）。

　　改进后的集群描述如下：

节点	Zkserver	NameNode	JournalNode	ResourceManager	NodeManager	Master	Worker
cloud1	√	√	√	√	√	√	√
cloud2	√	√	√	×	√	×	√
cloud3	√	×	√	×	√	×	√

---

 3 Docker安装及配置

　　Docker有Windows/Mac/Linux版本。起初我处于对Docker的误解选择了Windows版本，Docker的核心程序必须运行在Linux上，故Windows版本的Docker实际上是利用VirtualBox运行着一个精简的Linux，然后在此Linux上运行Docker，最后在Docker上运行安装好应用的镜像。好家伙，盗梦空间！最终，我选择在CentOS上安装Linux版本的Docker。关于Docker，我们需要理解一个重要的概念：容器（Container）。容器是镜像运行的场所，可以在多个容器中运行同一个镜像。

　　Docker安装好之后，我们启动Docker服务：

1 systemctl start docker.service

　　我们可以拉一个Ubuntu镜像，基于该镜像我们搭建Spark集群：

1 docker pull ubuntu

　　下载好镜像到本地后，我们可以查看镜像：

1 docker images

　　使用run命令，创建一个容器来运行镜像：

1 docker run -it ubuntu

　　使用ps命令查看容器：

1 docker ps -a

　　使用commit命令来将容器提交为一个镜像：

1 docker commit id|name>

　　使用tag命令来为一个镜像打标签：

1 docker tag id> 

　　使用start命令来启动一个容器：

1 docker start -a 

　　在掌握了以上操作后，在Docker上搭建Spark集群的技术路线如下：

---

4 ssh安装及配置　

 　　试想一下如何启动集群？手动去每个节点启动相应的服务？这显然是不合理的。HDFS，Yarn，Spark都支持单命令启动全部节点。在某个节点上执行的命令是如何发送至其他节点的呢？ssh服务帮助实现这一功能。关于ssh我们需要知道其分为服务端和客户端，服务端默认监听22号端口，客户端可与服务端建立连接，从而实现命令的传输。

　　docker服务启动后，可以看到宿主机上多了一块虚拟网卡（docker0），在我的机器中为172.17.0.1。启动容器后，容器的IP从172.17.0.2开始分配。我们不妨为集群分配IP地址如下：

域名	IP
cloud1	172.17.0.2
cloud2	172.17.0.3
cloud3	172.17.0.4

　　关闭所有容器后，新建一个容器，命名为cloud1:

1 #新建容器时需要指定这个容器的域名以及hosts文件
2 #参数：
3 #name：容器名称
4 #h：域名
5 #add-host：/etc/hosts文件中的域名与IP的映射
6 docker --name cloud1 -h cloud1 --add-host cloud1:172.17.0.2 --add-host cloud2:172.17.0.3 --add-host cloud3:172.17.0.4 -it ubuntu

　　在容器cloud1中通过apt工具来安装ssh：

1 apt-get install ssh

　　往~/.bashrc中加入ssh服务启动命令：

1 /usr/sbin/sshd

　　客户端不能任意地与服务端建立连接，或通过密码，或通过密钥认证。在这里我们使用密钥认证，生成客户端的私钥和公钥：

1 #私钥（~/.ssh/id_rsa）由客户端持有
2 #公钥（~/.ssh/id_rsa.pub）交给服务端
3 #已认证的公钥（~/.ssh/authorized_keys）由服务端持有，只有已认证公钥的客户端才能连接至服务端
4 #参数：
5 #t：加密方式
6 #P：密码    
7 ssh-keygen -t rsa -P ""

　　根据技术路线，由cloud1容器提交的镜像将生成cloud2容器和cloud3容器。要实现cloud1对cloud2和cloud3的ssh密钥认证连接，其实只要实现cloud1对本身的连接就可以了：

1 cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

　　测试是否能连接成功：

1 ssh root@cloud1

---

5 基础环境安装

　　Java与Scala版本需要与其他软件的版本相匹配：

软件	版本
Java	1.8.0_77
Scala	2.10.6
Zookeeper	3.4.8
Hadoop	2.6.4
Spark	1.6.1

　　Java与Scala安装包下载后，均解压在/usr目录下。在~/.bashrc中添加环境变量:

1 export JAVA_HOME=/usr/jdk1.8.0_77
2 export PATH=$PATH:$JAVA_HOME/bin
3 export SCALA_HOME=/usr/scala-2.10.6
4 export PATH=$PATH:$SCALA_HOME/bin

---

 6 Zookeeper安装及配置

 　　Zookeeper安装包下载后，解压在/usr目录下。在~/.bashrc中添加环境变量:

1 export ZOOKEEPER_HOME=/usr/zookeeper-3.4.8
2 export PATH=$PATH:$ZOOKEEPER_HOME/bin

　　生成Zookeeper配置文件：

1 cp /usr/zookeeper-3.4.8/conf/zoo_sample.cfg /usr/zookeeper-3.4.8/conf/zoo.cfg 

　　修改Zookeeper配置文件：

1 #数据存储目录修改为：
2 dataDir=/root/zookeeper/tmp
3 #在最后添加Zkserver配置信息：
4 server.1=cloud1:2888:3888
5 server.2=cloud2:2888:3888
6 server.3=cloud3:2888:3888

　　设置当前Zkserver信息：

1 #~/zookeeper/tmp/myid文件中保存的数字代表本机的Zkserver编号
2 #在此设置cloud1为编号为1的Zkserver，之后生成cloud2和cloud3之后还需要分别修改此文件
3 echo 1 > ~/zookeeper/tmp/myid

---

7 Hadoop安装及配置

　　Hadoop安装包下载后，解压在/usr目录下。在~/.bashrc中添加环境变量:

1 export HADOOP_HOME=/usr/hadoop-2.6.4
2 export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

　　修改Hadoop启动配置文件（/usr/hadoop-2.6.4/etc/hadoop/hadoop-env.sh）：

1 #修改JAVA_HOME
2 export JAVA_HOME=/usr/jdk1.8.0_77

　　修改核心配置文件（/usr/hadoop-2.6.4/etc/hadoop/core-site.xml）：

参数	说明
fs.defaultFS	默认的文件系统
hadoop.tmp.dir	临时文件目录
ha.zookeeper.quorum	Zkserver信息

 

 1 <property>
 2     <name>fs.defaultFSname>
 3     <value>hdfs://ns1value>
 4 property>
 5 <property>
 6     <name>hadoop.tmp.dirname>
 7     <value>/root/hadoop/tmpvalue>
 8 property>
 9 <property>
10     <name>ha.zookeeper.quorumname> 
11     <value>cloud1:2181,cloud2:2181,cloud3:2181value>
12 property>

　　修改HDFS配置文件（/usr/hadoop-2.6.4/etc/hadoop/hdfs-site.xml）：

参数	说明
dfs.nameservices	名称服务，在基于HA的HDFS中，用名称服务来表示当前活动的NameNode
dfs.ha.namenodes.	配置名称服务下有哪些NameNode
dfs.namenode.rpc-address..	配置NameNode远程调用地址
dfs.namenode.http-address..	配置NameNode浏览器访问地址
dfs.namenode.shared.edits.dir	配置名称服务对应的JournalNode
dfs.journalnode.edits.dir	JournalNode存储数据的路径

 

 1 <property>
 2     <name>dfs.nameservicesname>
 3     <value>ns1value>
 4 property>
 5 <property>
 6     <name>dfs.ha.namenodes.ns1name>
 7     <value>nn1,nn2value>
 8 property>
 9 <property>
10     <name>dfs.namenode.rpc-address.ns1.nn1name>
11     <value>cloud1:9000value>
12 property>
13 <property>
14     <name>dfs.namenode.http-address.ns1.nn1name>
15     <value>cloud1:50070value>
16 property>
17 <property>
18     <name>dfs.namenode.rpc-address.ns1.nn2name>
19     <value>cloud2:9000value>
20 property>
21 <property>
22     <name>dfs.namenode.http-address.ns1.nn2name>
23     <value>cloud2:50070value>
24 property>
25 <property>
26     <name>dfs.namenode.shared.edits.dirname> 
27     <value>qjournal://cloud1:8485;cloud2:8485;cloud3:8485/ns1value>
28 property>
29 <property>
30     <name>dfs.journalnode.edits.dirname>
31     <value>/root/hadoop/journalvalue>
32 property>
33 <property>
34     <name>dfs.ha.automatic-failover.enabledname>
35     <value>truevalue>
36 property>
37 <property>
38     <name>dfs.client.failover.proxy.provider.ns1name>
39     <value>
40     org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider
41     value>
42 property>
43 <property>
44     <name>dfs.ha.fencing.methodsname>
45     <value>
46     sshfence
47     shell(/bin/true)
48     value>
49 property>
50 <property>
51     <name>dfs.ha.fencing.ssh.private-key-filesname>
52     <value>/root/.ssh/id_rsavalue>
53 property>
54 <property>
55     <name>dfs.ha.fencing.ssh.connect-timeoutname>
56     <value>30000value>
57 property>

　　修改Yarn的配置文件（/usr/hadoop-2.6.4/etc/hadoop/yarn-site.xml）：

参数	说明
yarn.resourcemanager.hostname	RescourceManager的地址，NodeManager的地址在slaves文件中定义

 

1 <property>
2     <name>yarn.resourcemanager.hostnamename>
3     <value>cloud1value>
4 property>
5 <property> 
6     <name>yarn.nodemanager.aux-servicesname> 
7     <value>mapreduce_shufflevalue> 
8 property>

　　修改指定DataNode和NodeManager的配置文件（/usr/hadoop-2.6.4/etc/hadoop/slaves）:

1 cloud1
2 cloud2
3 cloud3

---

 8 Spark安装及配置

　　Spark安装包下载后，解压在/usr目录下。在~/.bashrc中添加环境变量:

1 export SPARK_HOME=/usr/spark-1.6.1-bin-hadoop2.6
2 export PATH=$SPARK_HOME/bin:$SPARK_HOME/sbin:$PATH

　　Spark启动配置文件：

1 cp /usr/spark-1.6.1-bin-hadoop2.6/conf/spark-env.sh.template /usr/spark-1.6.1-bin-hadoop2.6/conf/spark-env.sh

　　修改Spark启动配置文件（/usr/spark-1.6.1-bin-hadoop2.6/conf/spark-env.sh）：

参数	说明
SPARK_MASTER_IP	Master的地址，Worker的地址在slaves文件中定义

 

 1 export SPARK_MASTER_IP=cloud1
 2 export SPARK_WORKER_MEMORY=128m 
 3 export JAVA_HOME=/usr/jdk1.8.0_77 4 export SCALA_HOME=/usr/scala-2.10.6 5 export SPARK_HOME=/usr/spark-1.6.1-hadoop2.6 6 export HADOOP_CONF_DIR=/usr/hadoop-2.6.4/etc/hadoop 7 export SPARK_LIBRARY_PATH=$$SPARK_HOME/lib 
 8 export SCALA_LIBRARY_PATH=$SPARK_LIBRARY_PATH 
 9 export SPARK_WORKER_CORES=1 
10 export SPARK_WORKER_INSTANCES=1 
11 export SPARK_MASTER_PORT=7077

　　修改指定Worker的配置文件（/usr/spark-1.6.1-bin-hadoop2.6/conf/slaves）：

1 cloud1
2 cloud2
3 cloud3

---

 9 集群部署

　　在宿主机上提交cloud1容器为新的镜像，并打其标签为Spark：

1 #提交cloud1容器，命令返回新镜像的编号
2 docker commit cloud1
3 #为新镜像打标签为Spark
4 docker tag id> Spark

　　基于Spark镜像创建cloud2和cloud3容器：

1 docker --name cloud2 -h cloud2 --add-host cloud1:172.17.0.2 --add-host cloud2:172.17.0.3 --add-host cloud3:172.17.0.4 -it Spark
2 docker --name cloud3 -h cloud3 --add-host cloud1:172.17.0.2 --add-host cloud2:172.17.0.3 --add-host cloud3:172.17.0.4 -it Spark

　　还记得之前提到的cloud2和cloud3的当前Zkserver还未配置吗？分别在cloud2和cloud3容器中修改Zookeeper配置：

1 #在cloud2执行
2 echo 2 > ~/zookeeper/tmp/myid
3 #在cloud3执行
4 echo 3 > ~/zookeeper/tmp/myid

　　在所有节点启动Zkserver（Zkserver并不是用ssh启动的，呵呵）：

1 zkServer.sh start

　　在所有节点查看Zkserver运行状态：

1 #显示连接不到Zkserver的错误，可稍后查看
2 #Master表示主Zkserver，Follower表示从Zkserver
3 Zkserver.sh status

　　初始化其中一个NameNode，就选cloud1吧：

1 #格式化zkfc
2 hdfs zkfc -formatZK
3 #格式化NameNode
4 hdfs namenode -format

　　在cloud1启动HDFS，Yarn，Spark：

1 #启动NameNode，DataNode，zkfc，JournalNode
2 start-dfs.sh
3 #启动ResouceManager，NodeManager
4 start-yarn.sh
5 #启动Master，Worker
6 start-all.sh

　　使用jps命令查看各节点服务运行情况：

1 jps

　　还可以登录web管理台来查看运行状况：

服务	地址
HDFS	cloud1:50070
Yarn	cloud1:8088
Spark	cloud1:8080

---

10 总结

• 环境搭建切不可知其然，但不知其所以然
• 明确自己的需求是什么，不可能一开始就弄懂所有配置项，掌握一个最小的知识集就好

---

11 参考资料

1. 在Docker中从头部署自己的Spark集群
2. Docker (软件)
3. HDFS-HA的配置-----自动Failover
4. Spark:Yarn-cluster和Yarn-client区别与联系
5. Installation On CentOS

 

转载于:https://www.cnblogs.com/jasonfreak/p/5391190.html