基于Docker搭建Spark集群

介绍

在Mac OS下使用Docker搭建Spark集群，进行学习。

准备工作

• 安装Docker
• 安装Docker Compose(Mac 下安装Docker是会自动安装)

Spark集群介绍

• Spark集群是一种资源分配调度器，执行任务的Spark进程作为客户端向集群申请资源(计算节点)，集群分配资源后，这个Spark进程会分解计算工作，把他们放到申请的计算节点中运行。

• 提交给Spark运行的工作叫Application，对应的主程序叫做Driver Program，主程序通过Spark Context来协调集群中的不同任务，具体过程参照下图：

  
  cluster-overview.png

• Cluster Manager目前有三种类型：

  • Standalone：Spark自带的简单的集群管理器
  • Apache Mesos：一个通用的集群管理器，可以运行Hadoop MapReduce和其它服务应用
  • Hadoop YARN：Hadoop 2提供的管理器

Docker化(基于Standalon模式)

本例中，将需要用的镜像分为以下三部分：

• 基础镜像(base)
• 主节点镜像(master)
• 从节点镜像(worker)

基础镜像的Dockerfile

基于linux，安装spark及其他对应的依赖包，参考镜像spark-base。

FROM alpine:3.10

LABEL maintainer="binwang"

ENV SPARK_VERSION=2.4.5
ENV HADOOP_VERSION=2.7

#download spark from apache.org is too slow，
#so we need download it locally, and copy it to image
#but copy package will increase image size, so we download it from mirror web
#COPY spark-${SPARK_VERSION}-bin-hadoop${HADOOP_VERSION}.tgz /

RUN apk add --no-cache curl bash openjdk8-jre python3 py-pip nss libc6-compat \
      && ln -s /lib64/ld-linux-x86-64.so.2 /lib/ld-linux-x86-64.so.2 \
      && wget http://mirror.bit.edu.cn/apache/spark/spark-${SPARK_VERSION}/spark-${SPARK_VERSION}-bin-hadoop${HADOOP_VERSION}.tgz \
      && tar -xvzf spark-${SPARK_VERSION}-bin-hadoop${HADOOP_VERSION}.tgz \
      && mv spark-${SPARK_VERSION}-bin-hadoop${HADOOP_VERSION} spark \
      && rm spark-${SPARK_VERSION}-bin-hadoop${HADOOP_VERSION}.tgz \
      && cd /

ENV SPARK_HOME /spark
ENV PATH /spark/bin:$PATH
ENV PATH /spark/sbin:$PATH
# Fix the value of PYTHONHASHSEED
# Note: this is needed when you use Python 3.3 or greater
ENV PYTHONHASHSEED 1

master的Dockerfile

FROM cas001/spark-base:2.4.5-hadoop2.7
LABEL maintainer="binwang"
COPY master.sh /

ENV SPARK_MASTER_PORT 7077
ENV SPARK_MASTER_WEBUI_PORT 8080
ENV SPARK_MASTER_LOG /spark/logs

EXPOSE 8080 7077 6066
CMD ["/bin/bash","/master.sh"]

worker的Dockerfile

FROM cas001/spark-base:2.4.5-hadoop2.7
LABEL maintainer="binwang"
COPY worker.sh /
  
ENV SPARK_WORKER_WEBUI_PORT 8081
ENV SPARK_WORKER_LOG /spark/logs
ENV SPARK_MASTER "spark://spark-master:7077"
  
EXPOSE 8081
  
CMD ["/bin/bash","/worker.sh"]

docker-compose内容

version: '3'
services:
  spark-master:
    image: cas001/spark-master:2.4.5-hadoop2.7
    container_name: cas001-spark-master
    ports:
      - "7077:7077"   # SPARK_MASTER_PORT
      - "8080:8080"   # SPARK_MASTER_WEBUI_PORT

  spark-worker:
    image: cas001/spark-worker:2.4.5-hadoop2.7
    ports:
      - "8081"

集群测试

启动Container

• 运行命令docker-compose up -d启动Container，对应是一个spark-masker和一个spark-worker
• 运行命令docker-compose up --scale spark-worker=2可以设置spark-worker的数量
• 登录http://localhost:8080查看，结果如下：
• spark-master-webUI.png

提交作业

• 查看运行中的容器 docker ps
• 进入spark-master容器 docker exec -it spark-master /bin/bash
• 提交作业 ./spark/bin/spark-submit --master spark://spark-master:7077 --class org.apache.spark.examples.SparkPi /spark/examples/jars/spark-examples_2.11-2.4.5.jar 1000

注意事项

• 根据spark版本需要，可以自行修改base镜像中的spark版本进行构建或者选择对应版本的参考镜像
• 国内Apache资源镜像参考：地址1，地址2

源代码

• 项目代码：地址
• 参考代码：地址