在Docker中从头部署自己的Spark集群

由于自己的电脑配置普普通通，在VM虚拟机中搭建的集群规模也就是6个节点左右，再多就会卡的不行
碰巧接触了Docker这种轻量级的容器虚拟化技术，理论上在普通PC机上搭建的集群规模可以达到很高（具体能有多少个也没有实际测试过）

于是就准备在Docker上搭建Spark集群
由于是Docker新手，在操作过程中遇到了不少麻烦

刚开始在网上找的资料都是直接从DockerHub上拉取别人已经建好的镜像使用
问题多多，下载速度慢，下载异常，运行异常，配置异常等等等等。。。
好不容易下载了一个可以用的镜像，但是是一个节点的伪分布式，jdk，hadoop，spark等等的版本也不是我想要的
所以就着手从头开始在Docker中部署Spark

下面进入正题

宿主机为Ubuntu系统（VM上的一个虚拟机），Docker的安装请看：

Docker解析及轻量级PaaS平台演练（一）

安装好Docker之后，先拉取一个官方的基本镜像ubuntu

docker pull ubuntu

我们将在这个基础镜像上运行容器，将这个容器当成一个普通的ubuntu虚拟机来操作部署spark，最后将配置好的容器commit为一个镜像，之后就可以通过这个镜像运行n个节点来完成集群的搭建

下载完ubuntu镜像之后运行

docker images

可以看到该镜像

上图最后一个就是（其他是一些测试时候的镜像）

运行ubuntu容器

docker run -v /home/docker/software/:/software -it ubuntu

在容器中安装ssh

这个镜像中默认是没有ssh的，所以要自行安装

apt-get install ssh

SSH装好了以后，由于我们是Docker容器中运行，所以SSH服务不会自动启动。需要我们在容器启动以后，手动通过 /usr/sbin/sshd 手动打开SSH服务。为了方便，把这个命令加入到 ~/.bashrc 文件中，这样在容器启动的时候就会自动开启ssh服务

vim ~/.bashrc #加入 /usr/sbin/sshd #如果在启动容器的时候还是无法启动ssh的话，在/etc/rc.local文件中也加入 vim /etc/rc.local #加入 /usr/sbin/sshd

（这个镜像自带的vi编辑器部分难用。。。建议使用apt-get install vim 下载vim编辑器）

ssh默认配置root无法登陆
将 /etc/ssh/sshd_config中PermitRootLogin no 改为yes

生成访问密钥

cd ~/ ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa cd .ssh cat id_rsa.pub >> authorized_keys #开启ssh服务后验证是否可以使用，打印出当前时间 ssh localhost date

安装JDK

可以使用apt-get方式直接下载安装jdk（不推荐，下载速度慢，有可能还会失败）
这里选择从网上下载完jdk-6u45-linux-i586.bin之后
将其传到Ubuntu宿主机中，在运行容器的时候使用-v参数将宿主机上的目录映射到容器中，这样在容器中就可以访问到宿主机中的文件了

将JDK铜鼓FTP上传到宿主机的/home/docker/software目录下
在容器中可以在/software下看到该目录下的文件

#将该文件移动到usr目录下 mkdir /usr/java mv /software/jdk-6u45-linux-i586.bin /usr/java #安装JDK chmod 755 jdk-6u45-linux-i586.bin ./jdk-6u45-linux-i586.bin

如果提示不能安装.bin文件，使用一下命令即可解决（下载时间可能会很久，如果失败可能是网络原因，多试几次）

# apt-get update # apt-get install g++-multilib

配置环境变量

mv jdk-6u45-linux-i586 jdk #在/etc/profile中配置的环境变量不起作用，要配置在宿主目录下的.bashrc vim ~/.bashrc export JAVA_HOME=/usr/java/jdk export PATH=$PATH:$JAVA_HOME/bin #保存退出之后验证是否安装成功 java -version

安装Zookeeper

将下载好的zookeeper-3.4.5.tar.gz上传

mv /software/zookeeper-3.4.5.tar.gz ~ tar -zxvf zookeeper-3.4.5.tar.gz mv zookeeper-3.4.5 zookeeper cd ~/zookeeper/conf/ cp zoo_sample.cfg zoo.cfg vim zoo.cfg #修改： dataDir=/root/zookeeper/tmp #在最后添加： server.1=cloud4:2888:3888 server.2=cloud5:2888:3888 server.3=cloud6:2888:3888 #保存退出，然后创建一个tmp文件夹 mkdir ~/zookeeper/tmp #再创建一个空文件 touch ~/zookeeper/tmp/myid #最后向该文件写入ID echo 1 > ~/zookeeper/tmp/myid

安装Hadoop

将下载好的hadoop-2.2.0-64bit.tar.gz上传

mv /software/hadoop-2.2.0-64bit.tar.gz ~ tar -zxvf hadoop-2.2.0-64bit.tar.gz mv hadoop-2.2.0 hadoop cd ~/hadoop/etc/hadoop vim hadoop-env.sh #加入java环境变量 export JAVA_HOME=/usr/java/jdk vim core-site.xml <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>cloud4:2181,cloud5:2181,cloud6:2181</value> </property> vim hdfs-site.xml <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://cloud4:8485;cloud5:8485;cloud6:8485/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> mv mapred-site.xml.template mapred-site.xml vim mapred-site.xml <property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> vim yarn-site.xml <property> <name>yarn.resourcemanager.hostname</name> <value>cloud3</value> </property> <property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> vim slaves cloud1 cloud2 cloud3 cloud4 cloud5 cloud6 

安装Spark

mv /software/scala-2.10.5.tgz ~ tar -zxvf scala-2.10.5.tgz mv scala-2.10.5 scala vim ~/.bashrc export JAVA_HOME=/usr/java/jdk export HADOOP_HOME=/root/hadoop export SCALA_HOME=/root/scala export SPARK_HOME=/root/spark export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$SCALA_HOME/bin:$SPARK_HOME/bin mv /software/spark-1.3.0-bin-hadoop2.3.tgz ~ tar -zxvf spark-1.3.0-bin-hadoop2.3.tgz mv spark-1.3.0-bin-hadoop2.3 spark #修改spark文件slaves  vim ~/spark/conf/slaves cloud1 cloud2 cloud3 cloud4 cloud5 cloud6 mv spark-env.sh.template spark-env.sh vim ~/spark/conf/spark-env.sh export SPARK_MASTER_IP=cloud1 export SPARK_WORKER_MEMORY=128m export JAVA_HOME=/usr/java/jdk export SCALA_HOME=/root/scala export SPARK_HOME=/root/spark export HADOOP_CONF_DIR=/root/hadoop/etc/hadoop export SPARK_LIBRARY_PATH=$$SPARK_HOME/lib export SCALA_LIBRARY_PATH=$SPARK_LIBRARY_PATH export SPARK_WORKER_CORES=1 export SPARK_WORKER_INSTANCES=1 export SPARK_MASTER_PORT=7077 

在宿主机中

docker commit {containerId} #会返回一个id docker tag {id} jchubby/spark:1.0 

将这个容器commit成一个新的image

然后用这个image运行6个容器，分别是cloud1~cloud6

#-h指定容器运行起来后的hostname docker run --name cloud1 -h cloud1 -it jchubby/spark:1.0 ... docker run --name cloud6 -h cloud6 -it jchubby/spark:1.0

#在cloud5~cloud6中分别手动修改myid echo 2 > ~/zookeeper/tmp/myid echo 3 > ~/zookeeper/tmp/myid #修改/etc/hosts文件，之后在通过scp传到其他容器中 #启动zookeeper集群（分别在cloud4、cloud5、cloud6上启动zk） ~/zookeeper/bin/zkServer.sh start #使用status查看是否启动 ~/zookeeper/bin/zkServer.sh status #启动journalnode（在cloud1上启动所有journalnode，注意：是调用的hadoop-daemons.sh这个脚本，注意是复数s的那个脚本） #运行jps命令检验，cloud4、cloud5、cloud6上多了JournalNode进程 ~/hadoop/sbin/hadoop-daemons.sh start journalnode #格式化HDFS(在bin目录下),在cloud1上执行命令: ~/hadoop/bin/hdfs namenode -format #格式化ZK(在cloud1上执行即可，在bin目录下) ~/hadoop/bin/hdfs zkfc -formatZK #启动HDFS(在cloud1上执行) ~/hadoop/sbin/start-dfs.sh #在cloud3上执行start-yarn.sh ~/hadoop/sbin/start-yarn.sh #启动spark集群 ~/spark/sbin/start-all.sh 

启动之后可以在宿主机的浏览器中访问
HDFS：cloud1:50070
YARN：cloud3:8088
SPARK：cloud1:8080
（如果宿主机中的hosts文件没有配置docker容器的主机名和IP地址映射关系的话要换成用IP访问）

#在cloud4/5/6其中一个，将hadoop目录下的journal复制到cloud1 scp -r ~/hadoop/journal cloud1:~/haoop #将完成所有配置的cloud1 commit成一个镜像 docker commit cloud1 docker tag id jchubby/spark_n

之后直接用这个镜像运行容器，分别启动zookeeper，hadoop，spark即可