在Docker下搭建Spark+HDFS集群

在Docker下搭建Spark+HDFS集群

1.      在VM中安装Ubuntu OS并实现root登录

（http://jingyan.baidu.com/article/148a1921a06bcb4d71c3b1af.html）

安装Vm增强工具

http://www.jb51.net/softjc/189149.html

2.      安装Docker

docker安装方法一

ubuntu14.04以上的版本都是自带docker安装包的；所以可以直接安装；但是这个一般不是最先版本

sudoapt-get updatesudoapt-get install docker.io

 

docker安装方法二；安装最新版本

sudoapt-get updatecurl -s https://get.docker.io/ubuntu/ | sudo sh 

具体部署过程

第一步，相关软件准备。

下载jdk、scala、spark、hadoop压缩文件并上传到虚拟机上

解压以上文件到/opt/目录下

操作说明，直接把java等软件解压到／opt下，总共是四个，java，hadoop，scala，spark。不需要在宿主主机做任何修改，包括／etc/hosts，／etc／profile添加变量等，因为是在容器当中使用，宿主主机并不会用到。解压之后如下：

 

root@docker:/opt#lltotal 32drwxr-xr-x 7 rootroot 4096 12月 22 22:12 ./drwxr-xr-x 23 rootroot 4096 11月 30 19:35 ../drwxr-xr-x 12 rootroot 4096 12月 22 22:07 hadoop-2.6.0/drwxr-xr-x 8 rootroot 4096 4月 11 2015 jdk1.7.0_79/drwxr-xr-x 9 rootroot 4096 12月 22 13:54 scala-2.10.5/drwxrwxr-x 12 rootroot 4096 12月 22 22:19 spark-1.2.0-bin-hadoop2.4/

 

然后把hadoop和spark 的配置文件修改，这一步主要是靠之前的相关基础操作了，可以参考上面给出的两个网站修改配置文件，我是直接拷贝我之前集群的配置文件替换的，然后再结合后面的主机名，ip等行稍作修改就行了。如果之前没有部署过集群，这一步的工作量是相当大的。

 

需要特别注意的一点是hadoop的配置文件中的hdfs-sit.xml中的dfs.datanode.data.dir，这个也就是hdfs的datanode的文件夹，也是通过小技巧修改为file：／root／data，为什么这么修改后面有讲解，最终的想要的目的是通过链接文件，链接到数据卷／opt的hadoop目录里面，这样数据就能保存在容器之外了，不会随着容器的删除而丢失。修改如下：

 

<property><name>dfs.datanode.data.dir</name><value>file:/root/data</value></property> 

 

第二步，制作基础镜像。（主要工作）

 

本集群的思路是尽可能的减少额外的工作量，使用的是固定网络环境，这可能和docker本身的网络不固定性相悖，所以使用了一点小技巧修改的网络，这也是这个方法不能大规模使用的原因，也算是一个弊端吧。我看到有人使用动态的ip注册，我还没有理解到哪个地步，在后期的学习中再慢慢完善吧。节点容器主机名和ip规划如下：

 

主节点容器主机名hostname：node0，IP：172.17.0.150。

从节点容器主机名hostname：node1，IP：172.17.0.151。

从节点容器主机名hostname：node2，IP：172.17.0.152。

 

下面就开始一步一步的来设置：

 

1.查看镜像，使用ubuntu：14.04做为基础镜像，如果没有就pull一个吧。

root@docker:/opt# docker imagesREPOSITORY TAG IMAGE ID CREATED VIRTUALSIZEubuntu 14.04 ca4d7b1b9a51 8 weeks ago 187.9MB 

2.启动一个容器，安装vim和ssh。（这里启动时需加上 –net=host，否则容易出现容器无法上网）

root@docker:/opt# docker run -it ubuntu:14.04/bin/bashroot@67f272584448:/# apt-get -y install vimopenssh-server

 

3.修改ssh配置文件，允许root登陆。

root@67f272584448:/# vim/etc/ssh/sshd_config

找到：PermitRootLogin without-password

修改为：PermitRootLogin yes

 

4.生成ssh公钥，输入ssh-keygen，一直回车就行了。着里需要说明的是，三个节点的公钥都是一样的，为了简单起见而利用了小技巧。如果比较了解ssh的话，我说的这些相当于废话了，后面还会有涉及的。

root@67f272584448:/# ssh-keygen

此时/root/.ssh文件夹里如下：

root@67f272584448:/# ls /root/.ssh/id_rsa id_rsa.pubroot@67f272584448:/# cat/root/.ssh/id_rsa.pub >> /root/.ssh/authorized_keysroot@67f272584448:/# ls /root/.ssh/authorized_keys id_rsa id_rsa.pub 

5.下面开始关键步骤了。

把需要的变量写入/root/.bashrc，为什么不写入/etc/profile呢，因为我试了一下，写入/etc/proflie生成镜像启动容器的时候变量不能生效。

看到这里，相信下面的变量都是很熟悉吧：

 

6.这个是最后一步了，在/root下新建一个run.sh脚本，对容器所做的修改，全部写入这个脚本了，先把脚本贴出来，再解释吧。

1 #!/bin/bash 2  3  echo"172.17.0.150 master" > /etc/hosts 4  echo"172.17.0.151 work1" >> /etc/hosts 5  echo"172.17.0.152 work2" >> /etc/hosts 6  echo"172.17.0.152 work3" >> /etc/hosts 7  case$HOSTNAME in 8 " master ") 9     ifconfig eth0 172.17.0.15010     sed -i 's/root@.*$/root@node0/g' /root/.ssh/authorized_keys11     ;;12 " work1")13     ifconfig eth0 172.17.0.15114     sed -i 's/root@.*$/root@node0/g' /root/.ssh/authorized_keys15     ln -s /opt/hadoop-2.6.0/dfs/node1 /root/data16     ;;17 " work2")18     ifconfig eth0 172.17.0.15219     sed -i 's/root@.*$/root@node0/g' /root/.ssh/authorized_keys20     ln -s /opt/hadoop-2.6.0/dfs/node2 /root/data21     ;;22 " work3")23     ifconfig eth0 172.17.0.15324     sed -i 's/root@.*$/root@node0/g' /root/.ssh/authorized_keys25     ln -s /opt/hadoop-2.6.0/dfs/node3 /root/data26     ;;27 *)28     echo "null"29     ;;30 esac31 32 /etc/init.d/ssh start -D33

 

 

1）3，4，5行，替换hosts。启动集群的时候，习惯性的喜欢使用主机名，而不是使用ip，所以做了这个修改。另一个原因是，容器在重启之后hosts和ip是会变化的，所以每次启动都要修改。

 

2）7到30行，是利用容器的主机名来做三个修改。

 

第一，修改主机的IP，也就是我们的三个节点都是固定ip的，这个命令需要privileged。

 

第二，设置ssh免登录，也就authorized_keys中最后一个字段root@......全部修改为root@node0，这样master节点就能免登录到work1，work2，work3和自己nmaster。

 

第三，利用连接文件，把hdfs的数据保存到数据卷的相关目录，也就是保存到了容器之外。利用连接文件时一个技巧，hdfs的配置文件都是/root/data，实际上却保存到了不同的文件目录上去。在上面的hadoop的配置文件中做的一个特殊的修改<name>dfs.datanode.data.dir</name>，<value>file:/root/data</value>，这个是hdfs的实际存储数据的目录，通过软连接到数据卷目录，最终把数据保存在容器之外，这样当容器删除时，hdfs里面的数据并没有消失，新建容器就可以再次使用数据了。

 

3）32行，这个就是启动ssh的，关键的是－D这个参数，如果不加，启动容器的时候run -d容器就会停止，不会运行。

 

4）最后保存退出，再修改一下执行权限，退出容器

 

root@67f272584448:~# chmod 744 /root/run.shroot@67f272584448:~# exit

 

7.使用commit提交镜像吧。

 

root@docker:~/docker# docker commit 67ubuntu:base-spark35341d63645cb5c23f88a6f4ac51d1000dc4431646ac3a948bd9c9f171dcbeebroot@docker:~/docker# docker imagesREPOSITORY TAG IMAGE ID CREATED VIRTUALSIZEubuntu base-spark 35341d63645c 4 minutesago 261.1 MB

从上面可以看出，镜像只有260MB，是非常小的。

 

到此整个基础镜像就做好了，其中有可能出错的地方是，hadoop和spark的配置文件修改的问题，这里是无关docker知识的“准备工作”。

 

----------

 

 

第三步，启动容器，启动集群，并测试。

 

一个命令，集群就启动起来了。

 

其实下面大部分的篇幅是在讲解我的思路，启动集群本身是很简单的hadoop，spark知识。

 

----------

一，启动容器集群。

 

脚本docker_start.sh，里面三行是启动三个容器的命令，先看一眼：

 

root@docker:~/docker#cat docker_start.sh

#!/bin/bash

 

#master节点会有web控制台，所以得配置容器的暴露端口（格式 –p 主机端口：容器内部端口号）

docker run -d--name master -h master -v /opt:/opt --privileged ubuntu:base-spark/root/run.sh docker run -d –namework1 -h work1 -v /opt:/opt --privileged ubuntu:base-spark /root/run.shdocker run -d--name work2 -h work2 -v /opt:/opt --privileged ubuntu:base-spark /root/run.shdocker run -d--name work3 -h work3 -v /opt:/opt --privileged ubuntu:base-spark /root/run.sh

 

下面解释一下这个启动命令的各个参数：

 

1）－d这个命令能够成功执行的原因是run.sh这个脚本的/etc/init.d/ssh start -D这一行的－D这个参数，容器才能成功后台up。

 

2）－－name master，这个是master的容器名。

 

3）－h master，这里的master是容器主机名，也就是hostname。

 

4）-v /opt:/opt，就是数据卷，四个目录在这里java，hadoop，scala，spark，并且hdfs的数据存储目录在hadoop-2.6.0目录里，dfs文件夹里有三个目录，最好手动提前新建name，node1和node2，其实是可以写入run.sh脚本里面新建的，但是我已经不想回头去修改run.sh了。

 

root@docker:/opt/hadoop-2.6.0/dfs#pwd/opt/hadoop-2.6.0/dfsroot@docker:/opt/hadoop-2.6.0/dfs#lsname node1 node2node3

 

name文件夹是hadoop的配置文件指定的：

<property><name>dfs.namenode.name.dir</name><value>file:/opt/hadoop-2.6.0/dfs/name</value>

 

node1和node2是run.sh脚本通过连接文件过去的实际hdfs存储数据的目录：

 <property><name>dfs.datanode.data.dir</name><value>file:/root/data</value></property>

 ln -s/opt/hadoop-2.6.0/dfs/node1 /root/dataln -s/opt/hadoop-2.6.0/dfs/node2 /root/data

 

5）--privileged,这个参数是获得最高权限，才能够执行run.sh脚本里面的修改ip的命令。

 ifconfig eth0172.17.0.150

 

6)/root/run.sh,就是启动容器的时候，执行一下我们提前写好的脚本，对容器做一下修改了，虽然这些修改扭曲了docker的一些特性，不过对于我们这个本地的小环境来说，应该还是有点实际使用的价值的。

 

----------

二，进入master容器，启动并测试hdfs。

其实，到这里，就已经差不多结束了，下面就是hadoop和spark的知识了

 

首先，先看一下启动的三个节点高兴一下吧

 root@docker:~/docker#docker psCONTAINER ID IMAGECOMMAND CREATED STATUS PORTS NAMES7268b191b8fdubuntu:base-spark "/root/run.sh" About an hour ago Up About an hournode2acce5919ed63ubuntu:base-spark "/root/run.sh" About an hour ago Up About an hournode16494f90e1eccubuntu:base-spark "/root/run.sh" About an hour ago Up About an hournode0 

进入master容器

 

root@docker:/#docker exec -it master /bin/bashroot@master:/#

 

此时的容器都是已经做过修改的，可以参看以下相关的信息，比如，ifconfig，/etc/hosts，hostname，/root/.ssh/authorized_keys，等。

 

下面就启动hadoop的hdfs吧，因为这里只用到hdfs所以就不管yarn了，第一次启动hdfs先来个格式化，然后，还要输入若干个yes，这个yes是第一次ssh登陆的时候需要的，我就不贴出来格式化等相关的代码了。

 

然后就是启动hdfs：

 

root@master:/#/opt/hadoop-2.6.0/sbin/start-dfs.sh 

输入jps查看一下node0上的进程

 

root@master:/# jps1310 Jps843 NameNode1025SecondaryNameNode

下面就可以使用hdfs了，可以向hdfs上传几个文件试试，也可以通过webUI浏览器看一下hdfs的情况，总而言之，就是hdfs的知识了，我就不废话了。

 

----------

三，以standalone方式启动spark集群。

 

到这里直接启动spark进程就可以了：

 

root@node0:/#/opt/spark-1.2.0-bin-hadoop2.4/sbin/start-all.sh

 

再次jps一下看看启动的情况

 

root@node0:/# jps1532 Jps843 NameNode1025SecondaryNameNode1393 Master 

一切正常，就可以开始启动spark－shell进行测试了，以standalone方式启动：

 root@master:/#/opt/spark-1.2.0-bin-hadoop2.4/bin/spark-shell--master spark://master:7077

 

到这里也基本已经结束了，可以跑一个wordcount的例子，同样也可以使用webUI查看spark的情况.

 

资料：使用Docker在本地搭建hadoop，spark集群

http://dockone.io/article/944