基于Docker快速搭建多节点Hadoop集群
【编者的话】Docker最核心的特性之一,就是能够将任何应用包括Hadoop打包到Docker镜像中。这篇教程介绍了利用Docker在单机上快速搭建多节点Hadoop集群的详细步骤。作者在发现目前的Hadoop on Docker项目所存在的问题之后,开发了接近最小化的Hadoop镜像,并且支持快速搭建任意节点数的Hadoop集群。
直接用机器搭建Hadoop集群是一个相当痛苦的过程,尤其对初学者来说。他们还没开始跑wordcount,可能就被这个问题折腾的体无完肤了。而且也不是每个人都有好几台机器对吧。你可以尝试用多个虚拟机搭建,前提是你有个性能杠杠的机器。
我的目标是将Hadoop集群运行在Docker容器中,使Hadoop开发者能够快速便捷地在本机搭建多节点的Hadoop集群。其实这个想法已经有了不少实现,但是都不是很理想,他们或者镜像太大,或者使用太慢,或者使用了第三方工具使得使用起来过于复杂。下表为一些已知的Hadoop on Docker项目以及其存在的问题。
我的项目参考了alvinhenrick/hadoop-mutinode项目,不过我做了大量的优化和重构。alvinhenrick/hadoop-mutinode项目的GitHub主页以及作者所写的博客地址如下:
下面两个表是alvinhenrick/hadoop-mutinode项目与我的kiwenlau/hadoop-cluster-docker项目的参数对比:
可知,我主要优化了这样几点:
更快更方便地改变Hadoop集群节点数目
另外,alvinhenrick/hadoop-mutinode项目增加节点时需要手动修改Hadoop配置文件然后重新构建hadoop-nn-dn镜像,然后修改容器启动脚本,才能实现增加节点的功能。而我通过shell脚本实现自动话,不到1分钟可以重新构建hadoop-master镜像,然后立即运行!本项目默认启动3个节点的Hadoop集群,支持任意节点数的Hadoop集群。
另外,启动Hadoop,运行wordcount以及重新构建镜像都采用了shell脚本实现自动化。这样使得整个项目的使用以及开发都变得非常方便快捷。
开发测试环境
小伙伴们,硬盘不够,内存不够,尤其是内核版本过低会导致运行失败。
serf-dnsmasq镜像
容器启动时,master节点的IP会传给所有slave节点。serf会在container启动后立即启动。slave节点上的serf agent会马上发现master节点(master IP它们都知道嘛),master节点就马上发现了所有slave节点。然后它们之间通过互相交换信息,所有节点就能知道其他所有节点的存在了。(Everyone will know Everyone)。serf发现新的节点时,就会重新配置dnsmasq,然后重启dnsmasq。所以dnsmasq就能够解析集群的所有节点的域名啦。这个过程随着节点的增加会耗时更久,因此,若配置的Hadoop节点比较多,则在启动容器后需要测试serf是否发现了所有节点,DNS是否能够解析所有节点域名。稍等片刻才能启动Hadoop。这个解决方案是由SequenceIQ公司提出的,该公司专注于将Hadoop运行在Docker中。参考这个 演讲稿。
hadoop-base镜像
另外,编译Hadoop的步骤请参考我的 博客。
如果需要重新开发我的hadoop-base, 需要下载编译过的hadoop-2.3.0安装包,放到hadoop-cluster-docker/hadoop-base/files目录内。我编译的64位hadoop-2.3.0下载地址: hadoop-2.3.0
另外,我还编译了64位的Hadoop 2.5.2、2.6.0,、2.7.0, 其下载地址如下:
- hadoop-2.3.0
- hadoop-2.5.2
- hadoop-2.6.0
- hadoop-2.7.0
hadoop-master镜像
这一步需要配置slaves文件,而slaves文件需要列出所有节点的域名或者IP。因此,Hadoop节点数目不同时,slaves文件自然也不一样。因此,更改Hadoop集群节点数目时,需要修改slaves文件然后重新构建hadoop-master镜像。我编写了一个resize-cluster.sh脚本自动化这一过程。仅需给定节点数目作为脚本参数就可以轻松实现Hadoop集群节点数目的更改。由于hadoop-master镜像仅仅做一些配置工作,也无需下载任何文件,整个过程非常快,1分钟就足够了。
hadoop-slave镜像
镜像大小分析
下表为
易知以下几个结论:
下表为
可知:
因此,我所开发的hadoop镜像以及接近最小,优化空间已经很小了。
下图显示了这个项目的镜像结构:
3~5分钟OK~也可以直接从我的DokcerHub仓库中拉取镜像,这样就可以跳过第2步:
查看下载的镜像:
运行结果:
其中hadoop-base镜像是基于serf-dnsmasq镜像的,hadoop-slave镜像和hadoop-master镜像都是基于hadoop-base镜像。所以其实4个镜像一共也就777.4MB。
2. 修改镜像tag
查看修改tag后镜像:
运行结果:
之所以要修改镜像,是因为我默认是将镜像上传到Dockerhub, 因此Dokerfile以及shell脚本中得镜像名称都是没有alauada前缀的,sorry for this....不过改tag还是很快滴。若直接下载我在DockerHub中的镜像,自然就不需要修改tag...不过Alauda镜像下载速度很快的哈~
3.下载源代码
为了防止GitHub被XX,我把代码导入到了开源中国的Git仓库:
4. 运行容器
运行结果:
一共开启了3个容器,1个master, 2个slave。开启容器后就进入了master容器root用户的根目录(/root)。
查看master的root用户家目录的文件:
运行结果:
start-hadoop.sh是开启hadoop的shell脚本,run-wordcount.sh是运行wordcount的shell脚本,可以测试镜像是否正常工作。
5.测试容器是否正常启动(此时已进入master容器)
查看hadoop集群成员:
运行结果:
若结果缺少节点,可以稍等片刻,再执行“serf members”命令。因为serf agent需要时间发现所有节点。
测试ssh:
运行结果:
退出slave2:
运行结果:
若ssh失败,请稍等片刻再测试,因为dnsmasq的dns服务器启动需要时间。测试成功后,就可以开启Hadoop集群了!其实你也可以不进行测试,开启容器后耐心等待一分钟即可!
6. 开启Hadoop
上一步ssh到slave2之后,请记得回到master啊!运行结果太多,忽略,Hadoop的启动速度取决于机器性能....
7. 运行wordcount
运行结果:
wordcount的执行速度取决于机器性能....
2. 重新构建hadoop-master镜像
3. 启动容器
4. 测试工作
==================================
项目已经更新!!!
请查看 基于Docker搭建Hadoop集群之升级版一. 项目简介
GitHub: kiwanlau/hadoop-cluster-docker直接用机器搭建Hadoop集群是一个相当痛苦的过程,尤其对初学者来说。他们还没开始跑wordcount,可能就被这个问题折腾的体无完肤了。而且也不是每个人都有好几台机器对吧。你可以尝试用多个虚拟机搭建,前提是你有个性能杠杠的机器。
我的目标是将Hadoop集群运行在Docker容器中,使Hadoop开发者能够快速便捷地在本机搭建多节点的Hadoop集群。其实这个想法已经有了不少实现,但是都不是很理想,他们或者镜像太大,或者使用太慢,或者使用了第三方工具使得使用起来过于复杂。下表为一些已知的Hadoop on Docker项目以及其存在的问题。
我的项目参考了alvinhenrick/hadoop-mutinode项目,不过我做了大量的优化和重构。alvinhenrick/hadoop-mutinode项目的GitHub主页以及作者所写的博客地址如下:
下面两个表是alvinhenrick/hadoop-mutinode项目与我的kiwenlau/hadoop-cluster-docker项目的参数对比:
可知,我主要优化了这样几点:
- 更小的镜像大小
- 更快的构造时间
- 更少的镜像层数
更快更方便地改变Hadoop集群节点数目
另外,alvinhenrick/hadoop-mutinode项目增加节点时需要手动修改Hadoop配置文件然后重新构建hadoop-nn-dn镜像,然后修改容器启动脚本,才能实现增加节点的功能。而我通过shell脚本实现自动话,不到1分钟可以重新构建hadoop-master镜像,然后立即运行!本项目默认启动3个节点的Hadoop集群,支持任意节点数的Hadoop集群。
另外,启动Hadoop,运行wordcount以及重新构建镜像都采用了shell脚本实现自动化。这样使得整个项目的使用以及开发都变得非常方便快捷。
开发测试环境
- 操作系统:ubuntu 14.04 和 ubuntu 12.04
- 内核版本: 3.13.0-32-generic
- Docker版本:1.5.0 和1.6.2
小伙伴们,硬盘不够,内存不够,尤其是内核版本过低会导致运行失败。
二. 镜像简介
本项目一共开发了4个镜像:- serf-dnsmasq
- hadoop-base
- hadoop-master
- hadoop-slave
serf-dnsmasq镜像
- 基于ubuntu:15.04 (选它是因为它最小,不是因为它最新)
- 安装serf: serf是一个分布式的机器节点管理工具。它可以动态地发现所有Hadoop集群节点。
- 安装dnsmasq: dnsmasq作为轻量级的DNS服务器。它可以为Hadoop集群提供域名解析服务。
容器启动时,master节点的IP会传给所有slave节点。serf会在container启动后立即启动。slave节点上的serf agent会马上发现master节点(master IP它们都知道嘛),master节点就马上发现了所有slave节点。然后它们之间通过互相交换信息,所有节点就能知道其他所有节点的存在了。(Everyone will know Everyone)。serf发现新的节点时,就会重新配置dnsmasq,然后重启dnsmasq。所以dnsmasq就能够解析集群的所有节点的域名啦。这个过程随着节点的增加会耗时更久,因此,若配置的Hadoop节点比较多,则在启动容器后需要测试serf是否发现了所有节点,DNS是否能够解析所有节点域名。稍等片刻才能启动Hadoop。这个解决方案是由SequenceIQ公司提出的,该公司专注于将Hadoop运行在Docker中。参考这个 演讲稿。
hadoop-base镜像
- 基于serf-dnsmasq镜像
- 安装JDK(OpenJDK)
- 安装openssh-server,配置无密码SSH
- 安装vim:介样就可以愉快地在容器中敲代码了
- 安装Hadoop 2.3.0: 安装编译过的Hadoop(2.5.2, 2.6.0, 2.7.0 都比2.3.0大,所以我懒得升级了)
另外,编译Hadoop的步骤请参考我的 博客。
如果需要重新开发我的hadoop-base, 需要下载编译过的hadoop-2.3.0安装包,放到hadoop-cluster-docker/hadoop-base/files目录内。我编译的64位hadoop-2.3.0下载地址: hadoop-2.3.0
另外,我还编译了64位的Hadoop 2.5.2、2.6.0,、2.7.0, 其下载地址如下:
- hadoop-2.3.0
- hadoop-2.5.2
- hadoop-2.6.0
- hadoop-2.7.0
hadoop-master镜像
- 基于hadoop-base镜像
- 配置hadoop的master节点
- 格式化namenode
这一步需要配置slaves文件,而slaves文件需要列出所有节点的域名或者IP。因此,Hadoop节点数目不同时,slaves文件自然也不一样。因此,更改Hadoop集群节点数目时,需要修改slaves文件然后重新构建hadoop-master镜像。我编写了一个resize-cluster.sh脚本自动化这一过程。仅需给定节点数目作为脚本参数就可以轻松实现Hadoop集群节点数目的更改。由于hadoop-master镜像仅仅做一些配置工作,也无需下载任何文件,整个过程非常快,1分钟就足够了。
hadoop-slave镜像
- 基于hadoop-base镜像
- 配置hadoop的slave节点
镜像大小分析
下表为
sudo docker images
的运行结果:
易知以下几个结论:
- serf-dnsmasq镜像在ubuntu:15.04镜像的基础上增加了75.4MB
- hadoop-base镜像在serf-dnsmasq镜像的基础上增加了570.7MB
- hadoop-master和hadoop-slave镜像在hadoop-base镜像的基础上大小几乎没有增加
下表为
sudo docker history index.alauda.cn/kiwenlau/hadoop-base:0.1.0
的部分运行结果
可知:
- 基础镜像ubuntu:15.04为131.3MB
- 安装OpenJDK需要324.6MB
- 安装Hadoop需要158.5MB
- Ubuntu、OpenJDK与Hadoop均为镜像所必须,三者一共占了614.4MB
因此,我所开发的hadoop镜像以及接近最小,优化空间已经很小了。
下图显示了这个项目的镜像结构:
三. 3节点Hadoop集群搭建步骤
1. 拉取镜像3~5分钟OK~也可以直接从我的DokcerHub仓库中拉取镜像,这样就可以跳过第2步:
查看下载的镜像:
运行结果:
其中hadoop-base镜像是基于serf-dnsmasq镜像的,hadoop-slave镜像和hadoop-master镜像都是基于hadoop-base镜像。所以其实4个镜像一共也就777.4MB。
2. 修改镜像tag
查看修改tag后镜像:
运行结果:
之所以要修改镜像,是因为我默认是将镜像上传到Dockerhub, 因此Dokerfile以及shell脚本中得镜像名称都是没有alauada前缀的,sorry for this....不过改tag还是很快滴。若直接下载我在DockerHub中的镜像,自然就不需要修改tag...不过Alauda镜像下载速度很快的哈~
3.下载源代码
为了防止GitHub被XX,我把代码导入到了开源中国的Git仓库:
4. 运行容器
运行结果:
一共开启了3个容器,1个master, 2个slave。开启容器后就进入了master容器root用户的根目录(/root)。
查看master的root用户家目录的文件:
运行结果:
start-hadoop.sh是开启hadoop的shell脚本,run-wordcount.sh是运行wordcount的shell脚本,可以测试镜像是否正常工作。
5.测试容器是否正常启动(此时已进入master容器)
查看hadoop集群成员:
运行结果:
若结果缺少节点,可以稍等片刻,再执行“serf members”命令。因为serf agent需要时间发现所有节点。
测试ssh:
运行结果:
退出slave2:
运行结果:
若ssh失败,请稍等片刻再测试,因为dnsmasq的dns服务器启动需要时间。测试成功后,就可以开启Hadoop集群了!其实你也可以不进行测试,开启容器后耐心等待一分钟即可!
6. 开启Hadoop
上一步ssh到slave2之后,请记得回到master啊!运行结果太多,忽略,Hadoop的启动速度取决于机器性能....
7. 运行wordcount
运行结果:
wordcount的执行速度取决于机器性能....
四. N节点Hadoop集群搭建步骤
1. 准备工作- 参考第二部分1~3:下载镜像,修改tag,下载源代码
- 注意,你可以不下载serf-dnsmasq,但是请最好下载hadoop-base,因为hadoop-master是基于hadoop-base构建的。
2. 重新构建hadoop-master镜像
- 不要担心,1分钟就能搞定
- 你可以为resize-cluster.sh脚本设不同的正整数作为参数数1, 2, 3, 4, 5, 6...
3. 启动容器
- 你可以为start-container.sh脚本设不同的正整数作为参数数1, 2, 3, 4, 5, 6...
- 这个参数呢,最好还是得和上一步的参数一致:)
- 这个参数如果比上一步的参数大,你多启动的节点,Hadoop不认识它们..
- 这个参数如果比上一步的参数小,Hadoop觉得少启动的节点挂掉了..
4. 测试工作
- 参考第三部分5~7:测试容器,开启Hadoop,运行wordcount
- 请注意,若节点增加,请务必先测试容器,然后再开启Hadoop, 因为serf可能还没有发现所有节点,而dnsmasq的DNS服务器表示还没有配置好服务
- 测试等待时间取决于机器性能....
==================================
微信公众号【黄小斜】大厂程序员,互联网行业新知,终身学习践行者。关注后回复「Java」、「Python」、「C++」、「大数据」、「机器学习」、「算法」、「AI」、「Android」、「前端」、「iOS」、「考研」、「BAT」、「校招」、「笔试」、「面试」、「面经」、「计算机基础」、「LeetCode」 等关键字可以获取对应的免费学习资料。