奔跑在Docker上的Spark

原文:http://www.cnblogs.com/jasonfreak/p/5391190.html

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 <container id|name>

  使用tag命令来为一个镜像打标签:

1 docker tag <mirror id> <tag>

  使用start命令来启动一个容器:

1 docker start -a <container id|name>

  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.defaultFS</name>
 3     <value>hdfs://ns1</value>
 4 </property>
 5 <property>
 6     <name>hadoop.tmp.dir</name>
 7     <value>/root/hadoop/tmp</value>
 8 </property>
 9 <property>
10     <name>ha.zookeeper.quorum</name> 
11     <value>cloud1:2181,cloud2:2181,cloud3:2181</value>
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.<nameservie> 配置名称服务下有哪些NameNode
dfs.namenode.rpc-address.<nameservice>.<namenode> 配置NameNode远程调用地址
dfs.namenode.http-address.<nameservice>.<namenode> 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.nameservices</name>
 3     <value>ns1</value>
 4 </property>
 5 <property>
 6     <name>dfs.ha.namenodes.ns1</name>
 7     <value>nn1,nn2</value>
 8 </property>
 9 <property>
10     <name>dfs.namenode.rpc-address.ns1.nn1</name>
11     <value>cloud1:9000</value>
12 </property>
13 <property>
14     <name>dfs.namenode.http-address.ns1.nn1</name>
15     <value>cloud1:50070</value>
16 </property>
17 <property>
18     <name>dfs.namenode.rpc-address.ns1.nn2</name>
19     <value>cloud2:9000</value>
20 </property>
21 <property>
22     <name>dfs.namenode.http-address.ns1.nn2</name>
23     <value>cloud2:50070</value>
24 </property>
25 <property>
26     <name>dfs.namenode.shared.edits.dir</name> 
27     <value>qjournal://cloud1:8485;cloud2:8485;cloud3:8485/ns1</value>
28 </property>
29 <property>
30     <name>dfs.journalnode.edits.dir</name>
31     <value>/root/hadoop/journal</value>
32 </property>
33 <property>
34     <name>dfs.ha.automatic-failover.enabled</name>
35     <value>true</value>
36 </property>
37 <property>
38     <name>dfs.client.failover.proxy.provider.ns1</name>
39     <value>
40     org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider
41     </value>
42 </property>
43 <property>
44     <name>dfs.ha.fencing.methods</name>
45     <value>
46     sshfence
47     shell(/bin/true)
48     </value>
49 </property>
50 <property>
51     <name>dfs.ha.fencing.ssh.private-key-files</name>
52     <value>/root/.ssh/id_rsa</value>
53 </property>
54 <property>
55     <name>dfs.ha.fencing.ssh.connect-timeout</name>
56     <value>30000</value>
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.hostname</name>
3     <value>cloud1</value>
4 </property>
5 <property> 
6     <name>yarn.nodemanager.aux-services</name> 
7     <value>mapreduce_shuffle</value> 
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 <mirror 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

 

你可能感兴趣的:(奔跑在Docker上的Spark)