使用Docker在本地搭建hadoop，spark集群
本環境使用的單個宿主主機，而不是跨主機集群，本spark集群環境存在的意義可能在于便于本地開發測試使用，非常輕量級和便捷。這個部署過程，最好在之前有過一定的hadoop，spark集群部署經驗的基礎，本文重點在于docker相關的操作，至于hadoop和spark集群的部署，極力推薦這兩個網頁：
Hadoop集群：http://blog.csdn.net/stark_sum ... 24279。
Spark集群：http://blog.csdn.net/stark_sum ... 58081
主機系統：ubuntu14.04，64位，內存4G，主機名docker。(實際上是在虛擬機上安裝的)
軟件版本：hadoop-2.6.0，jdk1.7.0_79，scala-2.10.5，spark-1.2.0-bin-hadoop2.4，docker版本：1.9.1，鏡像：ubuntu14.04。
搭建環境前調研結果描述：
目前網上在docker上部署spark的介紹比較簡單和沒有相關啟動使用的操作，部署大致分為兩類情況：
1. 直接在docker倉庫pull下來。這個方法我嘗試了一下，不建議使用，首先下載鏡像比較大，2G多，其次下載之后貌似只能單機啟動，也就是偽分布式，并不是集群(我自己沒有實際使用過，看到的相關資料是這樣說的)。如下sequenceiq/spark：1.2.0這個鏡像：
REPOSITORY TAG IMAGE ID CREATED VIRTUAL SIZE
sequenceiq/spark 1.2.0 334aabfef5f1 10 months ago 2.115 GB
2. 自己使用基礎鏡像搭建環境。本文采用這種方式，由于自己也是剛接觸docker一個多月，還不會使用dockerfile，所以使用的是commit方式制作的集群。
具體部署過程
第一步，相關軟件準備。
通過對spark源碼當中docker文件夾的閱讀得出的思路，利用數據卷共享數據。相關的集群軟件都放在/opt目錄下，目的是為后面啟動集群的時候使用docker數據卷共享和永久保存數據，不會隨著容器的刪除而丟失。spark源碼docker文件夾解讀參考網頁：http://blog.csdn.net/yunlong34 ... 33731
操作說明，直接把java等軟件解壓到/opt下，總共是四個，java，hadoop，scala，spark。不需要在宿主主機做任何修改，包括/etc/hosts，/etc/profile添加變量等，因為是在容器當中使用，宿主主機并不會用到。解壓之后如下：
- root@docker:/opt# ll
- total 32
- drwxr-xr-x 7 root root 4096 12月 22 22:12 ./
- drwxr-xr-x 23 root root 4096 11月 30 19:35 ../
- drwxr-xr-x 12 root root 4096 12月 22 22:07 hadoop-2.6.0/
- drwxr-xr-x 8 root root 4096 4月 11 2015 jdk1.7.0_79/
- drwxr-xr-x 9 root root 4096 12月 22 13:54 scala-2.10.5/
- drwxrwxr-x 12 root root 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，這一步主要是靠之前的相關基礎操作了，可以參考上面給出的兩個網站修改配置文件，我是直接拷貝我之前集群的配置文件替換的，然后再結合后面的主機名，ip等行稍作修改就行了。如果之前沒有部署過集群，這一步的工作量是相當大的。
需要特別注意的一點是hadoop的配置文件中的hdfs-sit.xml中的dfs.datanode.data.dir，這個也就是hdfs的datanode的文件夾，也是通過小技巧修改為file：/root/data，為什么這么修改后面有講解，最終的想要的目的是通過鏈接文件，鏈接到數據卷/opt的hadoop目錄里面，這樣數據就能保存在容器之外了，不會隨著容器的刪除而丟失。修改如下：
- dfs.datanode.data.dir
- file:/root/data
第二步，制作基礎鏡像。(主要工作)
本集群的思路是盡可能的減少額外的工作量，使用的是固定網絡環境，這可能和docker本身的網絡不固定性相悖，所以使用了一點小技巧修改的網絡，這也是這個方法不能大規模使用的原因，也算是一個弊端吧。我看到有人使用動態的ip注冊，我還沒有理解到哪個地步，在后期的學習中再慢慢完善吧。節點容器主機名和ip規劃如下：
主節點容器主機名hostname：node0，IP：172.17.0.150。
從節點容器主機名hostname：node1，IP：172.17.0.151。
從節點容器主機名hostname：node2，IP：172.17.0.152。
下面就開始一步一步的來設置：
1.查看鏡像，使用ubuntu：14.04做為基礎鏡像，如果沒有就pull一個吧。
- root@docker:/opt# docker images
- REPOSITORY TAG IMAGE ID CREATED VIRTUAL SIZE
- ubuntu 14.04 ca4d7b1b9a51 8 weeks ago 187.9 MB
2.啟動一個容器，安裝vim和ssh。
- root@docker:/opt# docker run -it ubuntu:14.04 /bin/bash
- root@67f272584448:/# apt-get -y install vim openssh-server
3.修改ssh配置文件，允許root登陸。
- root@67f272584448:/# vim /etc/ssh/sshd_config
找到：PermitRootLogin without-password
修改為：PermitRootLogin yes
4.生成ssh公鑰，輸入ssh-keygen，一直回車就行了。著里需要說明的是，三個節點的公鑰都是一樣的，為了簡單起見而利用了小技巧。如果比較了解ssh的話，我說的這些相當于廢話了，后面還會有涉及的。
- root@67f272584448:/# ssh-keygen
此時/root/.ssh文件夾里如下：
- root@67f272584448:/# ls /root/.ssh/
- id_rsa id_rsa.pub
- root@67f272584448:/# cat /root/.ssh/id_rsa.pub >> /root/.ssh/authorized_keys
- root@67f272584448:/# ls /root/.ssh/
- authorized_keys id_rsa id_rsa.pub
5.下面開始關鍵步驟了。
把需要的變量寫入/root/.bashrc，為什么不寫入/etc/profile呢，因為我試了一下，寫入/etc/proflie生成鏡像啟動容器的時候變量不能生效。
看到這里，相信下面的變量都是很熟悉吧：
- export JAVA_HOME=/opt/jdk1.7.0_79
- export CLASSPATH=.:/opt/jdk1.7.0_79/lib/dt.jar:/opt/jdk1.7.0_79/lib/tools.jar
- export HADOOP_HOME=/opt/hadoop-2.6.0
- export SCALA_HOME=/opt/scala-2.10.5
- export SPARK_HOME=/opt/spark-1.2.0-bin-hadoop2.4
- export PATH=$JAVA_HOME/bin:$PATH:$SCALA_HOME/bin:$SPARK_HOME/bin
6.這個是最后一步了，在/root下新建一個run.sh腳本，對容器所做的修改，全部寫入這個腳本了，先把腳本貼出來，再解釋吧。
- 1 #!/bin/bash
- 2
- 3 echo "172.17.0.150 node0" > /etc/hosts
- 4 echo "172.17.0.151 node1" >> /etc/hosts
- 5 echo "172.17.0.152 node2" >> /etc/hosts
- 6
- 7 case $HOSTNAME in
- 8 "node0")
- 9 ifconfig eth0 172.17.0.150
- 10 sed -i 's/root@.*$/root@node0/g' /root/.ssh/authorized_keys
- 11 ;;
- 12 "node1")
- 13 ifconfig eth0 172.17.0.151
- 14 sed -i 's/root@.*$/root@node0/g' /root/.ssh/authorized_keys
- 15 ln -s /opt/hadoop-2.6.0/dfs/node1 /root/data
- 16 ;;
- 17 "node2")
- 18 ifconfig eth0 172.17.0.152
- 19 sed -i 's/root@.*$/root@node0/g' /root/.ssh/authorized_keys
- 20 ln -s /opt/hadoop-2.6.0/dfs/node2 /root/data
- 21 ;;
- 22 *)
- 23 echo "null"
- 24 ;;
- 25 esac
- 26
- 27 /etc/init.d/ssh start -D
- 28
1)3，4，5行，替換hosts。啟動集群的時候，習慣性的喜歡使用主機名，而不是使用ip，所以做了這個修改。另一個原因是，容器在重啟之后hosts和ip是會變化的，所以每次啟動都要修改。
2)7到25行，是利用容器的主機名來做三個修改。
- 第一，修改主機的IP，也就是我們的三個節點都是固定ip的，這個命令需要privileged。
- 第二，設置ssh免登錄，也就authorized_keys中最后一個字段root@......全部修改為root@node0，這樣node0節點就能免登錄到node1，node2，和自己node0。
- 第三，利用連接文件，把hdfs的數據保存到數據卷的相關目錄，也就是保存到了容器之外。利用連接文件時一個技巧，hdfs的配置文件都是/root/data，實際上卻保存到了不同的文件目錄上去。在上面的hadoop的配置文件中做的一個特殊的修改
dfs.datanode.data.dir ，file:/root/data ，這個是hdfs的實際存儲數據的目錄，通過軟連接到數據卷目錄，最終把數據保存在容器之外，這樣當容器刪除時，hdfs里面的數據并沒有消失，新建容器就可以再次使用數據了。
3)27行，這個就是啟動ssh的，關鍵的是-D這個參數，如果不加，啟動容器的時候run -d容器就會停止，不會運行。
4)最后保存退出，再修改一下執行權限，退出容器
- root@67f272584448:~# chmod 744 /root/run.sh
- root@67f272584448:~# exit
7.使用commit提交鏡像吧。
- root@docker:~/docker# docker commit 67 ubuntu:base-spark
- 35341d63645cb5c23f88a6f4ac51d1000dc4431646ac3a948bd9c9f171dcbeeb
- root@docker:~/docker# docker images
- REPOSITORY TAG IMAGE ID CREATED VIRTUAL SIZE
- ubuntu base-spark 35341d63645c 4 minutes ago 261.1 MB
從上面可以看出，鏡像只有260MB，是非常小的。
到此整個基礎鏡像就做好了，其中有可能出錯的地方是，hadoop和spark的配置文件修改的問題，這里是無關docker知識的“準備工作”。
第三步，啟動容器，啟動集群，并測試。
最后這步是最最爽的時候了，一個命令，集群就啟動起來了。
其實下面大部分的篇幅是在講解我的思路，啟動集群本身是很簡單的hadoop，spark知識。
一、啟動容器集群
我寫了一個小腳本docker_start.sh，里面三行是啟動三個容器的命令，先看一眼：
- root@docker:~/docker# cat docker_start.sh
- #!/bin/bash
- docker run -d --name node0 -h node0 -v /opt:/opt --privileged ubuntu:base-spark /root/run.sh
- docker run -d --name node1 -h node1 -v /opt:/opt --privileged ubuntu:base-spark /root/run.sh
- docker run -d --name node2 -h node2 -v /opt:/opt --privileged ubuntu:base-spark /root/run.sh
下面解釋一下這個啟動命令的各個參數：
1)-d這個命令能夠成功執行的原因是run.sh這個腳本的/etc/init.d/ssh start -D這一行的-D這個參數，容器才能成功后臺up。
2)--name node0，這個是node0的容器名。
3)-h node0，這里的node0是容器主機名，也就是hostname。
4)-v /opt:/opt，就是數據卷，四個目錄在這里java，hadoop，scala，spark，并且hdfs的數據存儲目錄在hadoop-2.6.0目錄里，dfs文件夾里有三個目錄，最好手動提前新建name，node1和node2，其實是可以寫入run.sh腳本里面新建的，但是我已經不想回頭去修改run.sh了。
- root@docker:/opt/hadoop-2.6.0/dfs# pwd
- /opt/hadoop-2.6.0/dfs
- root@docker:/opt/hadoop-2.6.0/dfs# ls
- name node1 node2
name文件夾是hadoop的配置文件指定的：
- dfs.namenode.name.dir
- file:/opt/hadoop-2.6.0/dfs/name
node1和node2是run.sh腳本通過連接文件過去的實際hdfs存儲數據的目錄：
- dfs.datanode.data.dir
- file:/root/data
- ln -s /opt/hadoop-2.6.0/dfs/node1 /root/data
- ln -s /opt/hadoop-2.6.0/dfs/node2 /root/data
5)--privileged,這個參數是獲得最高權限，才能夠執行run.sh腳本里面的修改ip的命令。
ifconfig eth0 172.17.0.150
6)/root/run.sh,就是啟動容器的時候，執行一下我們提前寫好的腳本，對容器做一下修改了，雖然這些修改扭曲了docker的一些特性，不過對于我們這個本地的小環境來說，應該還是有點實際使用的價值的。
二、進入node0容器，啟動并測試hdfs
其實，到這里，就已經差不多結束了，下面就是hadoop和spark的知識了
首先，先看一下啟動的三個節點高興一下吧
- root@docker:~/docker# docker ps
- CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
- 7268b191b8fd ubuntu:base-spark "/root/run.sh" About an hour ago Up About an hour node2
- acce5919ed63 ubuntu:base-spark "/root/run.sh" About an hour ago Up About an hour node1
- 6494f90e1ecc ubuntu:base-spark "/root/run.sh" About an hour ago Up About an hour node0
進入node0容器
- root@docker:/# docker exec -it node0 /bin/bash
- root@node0:/#
此時的容器都是已經做過修改的，可以參看以下相關的信息，比如，ifconfig，/etc/hosts，hostname，/root/.ssh/authorized_keys，等。
下面就啟動hadoop的hdfs吧，因為這里只用到hdfs所以就不管yarn了，第一次啟動hdfs先來個格式化，然后，還要輸入若干個yes，這個yes是第一次ssh登陸的時候需要的，我就不貼出來格式化等相關的代碼了。
然后就是啟動hdfs：
- root@node0:/# /opt/hadoop-2.6.0/sbin/start-dfs.sh
輸入jps查看一下node0上的進程
- root@node0:/# jps
- 1310 Jps
- 843 NameNode
- 1025 SecondaryNameNode
下面就可以使用hdfs了，可以向hdfs上傳幾個文件試試，也可以通過webUI瀏覽器看一下hdfs的情況，總而言之，就是hdfs的知識了，我就不廢話了。
三，以standalone方式啟動spark集群。
到這里直接啟動spark進程就可以了：
- root@node0:/# /opt/spark-1.2.0-bin-hadoop2.4/sbin/start-all.sh
再次jps一下看看啟動的情況
- root@node0:/# jps
- 1532 Jps
- 843 NameNode
- 1025 SecondaryNameNode
- 1393 Master
一切正常，就可以開始啟動spark-shell進行測試了，以standalone方式啟動：
- root@node0:/# /opt/spark-1.2.0-bin-hadoop2.4/bin/spark-shell --master spark://node0:7077
root@node0:/# /opt/spark-1.2.0-bin-hadoop2.4/bin/spark-shell --master spark://node0:7077
到這里也基本已經結束了，可以跑一個wordcount的例子，同樣也可以使用webUI查看spark的情況。
