目录
- 为什么要在Docker上搭建Spark集群
- 网络拓扑
- Docker安装及配置
- ssh安装及配置
- 基础环境安装
- Zookeeper安装及配置
- Hadoop安装及配置
- Spark安装及配置
- 集群部署
- 总结
- 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