Docker-Compose搭建Spark集群的实现方法

目录一、前言二、docker-compose.yml三、启动集群四、结合hdfs使用

一、前言

在前文中，我们使用Docker-Compose完成了hdfs集群的构建。本文将继续使用Docker-Compose，实现Spark集群的搭建。

二、docker-compose.yml

对于Spark集群，我们采用一个mater节点和两个worker节点进行构建。其中，所有的work节点均分配1一个core和 1GB的内存。

Docker镜像选择了bitnami/spark的开源镜像，选择的spark版本为2.4.3，docker-compose配置如下：

master:
image: bitnami/spark:2.4.3
container_name: master
user: root
environment:
– SPARK_MODE=master
– SPARK_RPC_AUTHENTICATION_ENABLED=no
– SPARK_RPC_ENCRYPTION_ENABLED=no
– SPARK_LOCAL_STORAGE_ENCRYPTION_ENABLED=no
– SPARK_SSL_ENABLED=no
ports:
– 8080:8080
– 7077:7077
volumes:
– ./python:/python

worker1:
image: bitnami/spark:2.4.3
container_name: worker1
user: root
environment:
– SPARK_MODE=worker
– SPARK_MASTER_URL=spark://master:7077
– SPARK_WORKER_MEMORY=1G
– SPARK_WORKER_CORES=1
– SPARK_RPC_AUTHENTICATION_ENABLED=no
– SPARK_RPC_ENCRYPTION_ENABLED=no
– SPARK_LOCAL_STORAGE_ENCRYPTION_ENABLED=no
– SPARK_SSL_ENABLED=no
worker2:
image: bitnami/spark:2.4.3
container_name: worker2
user: root
environment:
– SPARK_MODE=worker
– SPARK_MASTER_URL=spark://master:7077
– SPARK_WORKER_MEMORY=1G
– SPARK_WORKER_CORES=1
– SPARK_RPC_AUTHENTICATION_ENABLED=no
– SPARK_RPC_ENCRYPTION_ENABLED=no
– SPARK_LOCAL_STORAGE_ENCRYPTION_ENABLED=no
– SPARK_SSL_ENABLED=no

在master节点中，也映射了一个/python目录，用于存放pyspark代码，方便运行。

对于master节点，暴露出7077端口和8080端口分别用于连接spark以及浏览器查看spark UI，在spark UI中，集群状态如下图（启动后）：

如果有需要，可以自行添加worker节点，其中可以修改SPARK_WORKER_MEMORY与SPARK_WORKER_CORES对节点分配的资源进行修改。

对于该镜像而言，默认exec进去是无用户的，会导致一些安装命令权限的不足，无法安装。例如需要运行pyspark，可能需要安装numpy、pandas等库，就无法使用pip完成安装。而通过user: root就能设置默认用户为root用户，避免上述问题。

三、启动集群

同上文一样，在docker-compose.yml的目录下执行docker-compose up -d命令，就能一键构建集群（但是如果需要用到numpy等库，还是需要自己到各节点内进行安装）。

进入master节点执行spark-shell，成功进入：

四、结合hdfs使用

将上文的Hadoop的docker-compose.yml与本次的结合，得到新的docker-compose.yml：

version: “1.0”
services:
namenode:
image: bde2020/hadoop-namenode:2.0.0-hadoop3.2.1-java8
container_name: namenode
ports:
– 9870:9870
– 9000:9000
volumes:
– ./hadoop/dfs/name:/hadoop/dfs/name
– ./input:/input
environment:
– CLUSTER_NAME=test
env_file:
– ./hadoop.env

datanode:
image: bde2020/hadoop-datanode:2.0.0-hadoop3.2.1-java8
container_name: datanode
depends_on:
– namenode
volumes:
– ./hadoop/dfs/data:/hadoop/dfs/data
environment:
SERVICE_PRECONDITION: “namenode:9870”
env_file:
– ./hadoop.env

resourcemanager:
image: bde2020/hadoop-resourcemanager:2.0.0-hadoop3.2.1-java8
container_name: resourcemanager
environment:
SERVICE_PRECONDITION: “namenode:9000 namenode:9870 datanode:9864”
env_file:
– ./hadoop.env

nodemanager1:
image: bde2020/hadoop-nodemanager:2.0.0-hadoop3.2.1-java8
container_name: nodemanager
environment:
SERVICE_PRECONDITION: “namenode:9000 namenode:9870 datanode:9864 resourcemanager:8088”
env_file:
– ./hadoop.env

historyserver:
image: bde2020/hadoop-historyserver:2.0.0-hadoop3.2.1-java8
container_name: historyserver
environment:
SERVICE_PRECONDITION: “namenode:9000 namenode:9870 datanode:9864 resourcemanager:8088”
volumes:
– ./hadoop/yarn/timeline:/hadoop/yarn/timeline
env_file:
– ./hadoop.env

master:
image: bitnami/spark:2.4.3-debian-9-r81
container_name: master
user: root
environment:
– SPARK_MODE=master
– SPARK_RPC_AUTHENTICATION_ENABLED=no
– SPARK_RPC_ENCRYPTION_ENABLED=no
– SPARK_LOCAL_STORAGE_ENCRYPTION_ENABLED=no
– SPARK_SSL_ENABLED=no
ports:
– 8080:8080
– 7077:7077
volumes:
– ./python:/python

worker1:
image: bitnami/spark:2.4.3-debian-9-r81
container_name: worker1
user: root
environment:
– SPARK_MODE=worker
– SPARK_MASTER_URL=spark://master:7077
– SPARK_WORKER_MEMORY=1G
– SPARK_WORKER_CORES=1
– SPARK_RPC_AUTHENTICATION_ENABLED=no
– SPARK_RPC_ENCRYPTION_ENABLED=no
– SPARK_LOCAL_STORAGE_ENCRYPTION_ENABLED=no
– SPARK_SSL_ENABLED=no
worker2:
image: bitnami/spark:2.4.3-debian-9-r81
container_name: worker2
user: root
environment:
– SPARK_MODE=worker
– SPARK_MASTER_URL=spark://master:7077
– SPARK_WORKER_MEMORY=1G
– SPARK_WORKER_CORES=1
– SPARK_RPC_AUTHENTICATION_ENABLED=no
– SPARK_RPC_ENCRYPTION_ENABLED=no
– SPARK_LOCAL_STORAGE_ENCRYPTION_ENABLED=no
– SPARK_SSL_ENABLED=no

运行集群(还需要一个hadoop.env文件见上文)长这样：

通过Docker容器的映射功能，将本地文件与spark集群的master节点的/python进行了文件映射，编写的pyspark通过映射可与容器中进行同步，并通过docker exec指令，完成代码执行：

运行了一个回归程序，集群功能正常：