马踏飞燕——奔跑在Docker上的Spark

时间：2023-03-09 00:49:46
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

马踏飞燕——奔跑在Docker上的Spark

　　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：

 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：

 docker pull ubuntu

　　下载好镜像到本地后，我们可以查看镜像：

 docker images

　　使用run命令，创建一个容器来运行镜像：

 docker run -it ubuntu

　　使用ps命令查看容器：

 docker ps -a

　　使用commit命令来将容器提交为一个镜像：

 docker commit <container id|name>

　　使用tag命令来为一个镜像打标签：

 docker tag <mirror id> <tag>

　　使用start命令来启动一个容器：

 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：

马踏飞燕——奔跑在Docker上的Spark

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:

 #新建容器时需要指定这个容器的域名以及hosts文件

 #参数：

 #name：容器名称

 #h：域名

 #add-host：/etc/hosts文件中的域名与IP的映射

 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：

 apt-get install ssh

　　往~/.bashrc中加入ssh服务启动命令：

 /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：

 #私钥（~/.ssh/id_rsa）由客户端持有

 #公钥（~/.ssh/id_rsa.pub）交给服务端

 #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

 #参数：

 #t：加密方式

 #P：密码

 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：

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

　　测试是否能连接成功：

 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:

 export JAVA_HOME=/usr/jdk1..0_77

 export PATH=$PATH:$JAVA_HOME/bin

 export SCALA_HOME=/usr/scala-2.10.6

 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:

 export ZOOKEEPER_HOME=/usr/zookeeper-3.4.

 export PATH=$PATH:$ZOOKEEPER_HOME/bin

　　生成Zookeeper配置文件：

 cp /usr/zookeeper-3.4./conf/zoo_sample.cfg /usr/zookeeper-3.4./conf/zoo.cfg

　　修改Zookeeper配置文件：

 #数据存储目录修改为：

 dataDir=/root/zookeeper/tmp

 #在最后添加Zkserver配置信息：

 server.=cloud1::

 server.=cloud2::

 server.=cloud3::

　　设置当前Zkserver信息：

 #~/zookeeper/tmp/myid文件中保存的数字代表本机的Zkserver编号

 #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

 echo  > ~/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）：

 #修改JAVA_HOME

 export JAVA_HOME=/usr/jdk1..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 
 <property>

     <name>fs.defaultFS</name>

     <value>hdfs://ns1</value>

 </property>

 <property>

     <name>hadoop.tmp.dir</name>

     <value>/root/hadoop/tmp</value>

 </property>

 <property>

     <name>ha.zookeeper.quorum</name>

     <value>cloud1:2181,cloud2:2181,cloud3:2181</value>

 </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 
 <property>

     <name>dfs.nameservices</name>

     <value>ns1</value>

 </property>

 <property>

     <name>dfs.ha.namenodes.ns1</name>

     <value>nn1,nn2</value>

 </property>

 <property>

     <name>dfs.namenode.rpc-address.ns1.nn1</name>

     <value>cloud1:9000</value>

 </property>

 <property>

     <name>dfs.namenode.http-address.ns1.nn1</name>

     <value>cloud1:50070</value>

 </property>

 <property>

     <name>dfs.namenode.rpc-address.ns1.nn2</name>

     <value>cloud2:9000</value>

 </property>

 <property>

     <name>dfs.namenode.http-address.ns1.nn2</name>

     <value>cloud2:50070</value>

 </property>

 <property>

     <name>dfs.namenode.shared.edits.dir</name>

     <value>qjournal://cloud1:8485;cloud2:8485;cloud3:8485/ns1</value>

 </property>

 <property>

     <name>dfs.journalnode.edits.dir</name>

     <value>/root/hadoop/journal</value>

 </property>

 <property>

     <name>dfs.ha.automatic-failover.enabled</name>

     <value>true</value>

 </property>

 <property>

     <name>dfs.client.failover.proxy.provider.ns1</name>

     <value>

     org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider

     </value>

 </property>

 <property>

     <name>dfs.ha.fencing.methods</name>

     <value>

     sshfence

     shell(/bin/true)

     </value>

 </property>

 <property>

     <name>dfs.ha.fencing.ssh.private-key-files</name>

     <value>/root/.ssh/id_rsa</value>

 </property>

 <property>

     <name>dfs.ha.fencing.ssh.connect-timeout</name>

     <value>30000</value>

 </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 
 <property>

     <name>yarn.resourcemanager.hostname</name>

     <value>cloud1</value>

 </property>

 <property>

     <name>yarn.nodemanager.aux-services</name>

     <value>mapreduce_shuffle</value>

 </property>

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

 cloud1

 cloud2

 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：

 cp /usr/spark-1.6.-bin-hadoop2./conf/spark-env.sh.template /usr/spark-1.6.-bin-hadoop2./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 
 export SPARK_MASTER_IP=cloud1

 export SPARK_WORKER_MEMORY=128m

 export JAVA_HOME=/usr/jdk1.8.0_77 export SCALA_HOME=/usr/scala-2.10.6 export SPARK_HOME=/usr/spark-1.6.1-hadoop2.6 export HADOOP_CONF_DIR=/usr/hadoop-2.6.4/etc/hadoop export SPARK_LIBRARY_PATH=$$SPARK_HOME/lib

 export SCALA_LIBRARY_PATH=$SPARK_LIBRARY_PATH

 export SPARK_WORKER_CORES=

 export SPARK_WORKER_INSTANCES=

 export SPARK_MASTER_PORT=

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

 cloud1

 cloud2

 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：

 #提交cloud1容器，命令返回新镜像的编号

 docker commit cloud1

 #为新镜像打标签为Spark

 docker tag <mirror id> Spark

　　基于Spark镜像创建cloud2和cloud3容器：

 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

 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：

 #在cloud2执行

 echo  > ~/zookeeper/tmp/myid

 #在cloud3执行

 echo  > ~/zookeeper/tmp/myid

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

 zkServer.sh start

　　在所有节点查看Zkserver运行状态：

 #显示连接不到Zkserver的错误，可稍后查看

 #Master表示主Zkserver，Follower表示从Zkserver

 Zkserver.sh status

　　初始化其中一个NameNode，就选cloud1吧：

 #格式化zkfc

 hdfs zkfc -formatZK

 #格式化NameNode

 hdfs namenode -format

　　在cloud1启动HDFS，Yarn，Spark：

 #启动NameNode，DataNode，zkfc，JournalNode

 start-dfs.sh

 #启动ResouceManager，NodeManager

 start-yarn.sh

 #启动Master，Worker

 start-all.sh

　　使用jps命令查看各节点服务运行情况：

 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