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。
项目 镜像大小 问题 sequenceiq/hadoop-docker:latest 1.491GB 镜像太大，只支持单个节点 sequenceiq/hadoop-docker:2.7.0 1.76 GB sequenceiq/hadoop-docker:2.60 1.624GB sequenceiq/ambari:latest 1.782GB 镜像太大，使用太慢，使用复杂 sequenceiq/ambari:2.0.0 4.804GB sequenceiq/ambari:latest:1.70 4.761GB alvinhenrick/hadoop-mutinode 4.331GB 镜像太大，构建太慢，增加节点麻烦，有bug
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：
镜像名称 构建时间 镜像层数 镜像大小 alvinhenrick/serf 258.213s 21 239.4MB alvinhenrick/hadoop-base 2236.055s 58 4.328GB alvinhenrick/hadoop-dn 51.959s 74 4.331GB alvinhenrick/hadoop-nn-dn 49.548s 84 4.331GB
镜像名称 构建时间 镜像层数 镜像大小 kiwenlau/serf-dnsmasq 509.46s 8 206.6 MB kiwenlau/hadoop-base 400.29s 7 775.4 MB kiwenlau/hadoop-master 5.41s 9 775.4 MB kiwenlau/hadoop-slave 2.41s 8 775.4 MB
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：
REPOSITORY TAG IMAGE ID CREATED VIRTUAL SIZE index.alauda.cn/kiwenlau/hadoop-slave 0.1.0 d63869855c03 17 hours ago 777.4 MB index.alauda.cn/kiwenlau/hadoop-master 0.1.0 7c9d32ede450 17 hours ago 777.4 MB index.alauda.cn/kiwenlau/hadoop-base 0.1.0 5571bd5de58e 17 hours ago 777.4 MB index.alauda.cn/kiwenlau/serf-dnsmasq 0.1.0 09ed89c24ee8 17 hours ago 206.7 MB ubuntu 15.04 bd94ae587483 3 weeks ago 131.3 MB
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
IMAGE CREATED CREATED BY SIZE 2039b9b81146 44 hours ago /bin/sh -c #(nop) ADD multi:a93c971a49514e787 158.5 MB cdb620312f30 44 hours ago /bin/sh -c apt-get install -y openjdk-7-jdk 324.6 MB da7d10c790c1 44 hours ago /bin/sh -c apt-get install -y openssh-server 87.58 MB c65cb568defc 44 hours ago /bin/sh -c curl -Lso serf.zip https://dl.bint 14.46 MB 3e22b3d72e33 44 hours ago /bin/sh -c apt-get update && apt-get install 60.89 MB b68f8c8d2140 3 weeks ago /bin/sh -c #(nop) ADD file:d90f7467c470bfa9a3 131.3 MB
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sudo docker pull index.alauda.cn/kiwenlau/hadoop-master:0.1.0 sudo docker pull index.alauda.cn/kiwenlau/hadoop-slave:0.1.0 sudo docker pull index.alauda.cn/kiwenlau/hadoop-base:0.1.0 sudo docker pull index.alauda.cn/kiwenlau/serf-dnsmasq:0.1.0
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：
sudo docker pull kiwenlau/hadoop-master:0.1.0 sudo docker pull kiwenlau/hadoop-slave:0.1.0 sudo docker pull kiwenlau/hadoop-base:0.1.0 sudo docker pull kiwenlau/serf-dnsmasq:0.1.0
查看下载的镜像：
sudo docker images
运行结果：
REPOSITORY TAG IMAGE ID CREATED VIRTUAL SIZE index.alauda.cn/kiwenlau/hadoop-slave 0.1.0 d63869855c03 17 hours ago 777.4 MB index.alauda.cn/kiwenlau/hadoop-master 0.1.0 7c9d32ede450 17 hours ago 777.4 MB index.alauda.cn/kiwenlau/hadoop-base 0.1.0 5571bd5de58e 17 hours ago 777.4 MB index.alauda.cn/kiwenlau/serf-dnsmasq 0.1.0 09ed89c24ee8 17 hours ago 206.7 MB
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
sudo docker tag d63869855c03 kiwenlau/hadoop-slave:0.1.0 sudo docker tag 7c9d32ede450 kiwenlau/hadoop-master:0.1.0 sudo docker tag 5571bd5de58e kiwenlau/hadoop-base:0.1.0 sudo docker tag 09ed89c24ee8 kiwenlau/serf-dnsmasq:0.1.0
查看修改tag后镜像：
sudo docker images
运行结果：
REPOSITORY TAG IMAGE ID CREATED VIRTUAL SIZE index.alauda.cn/kiwenlau/hadoop-slave 0.1.0 d63869855c03 17 hours ago 777.4 MB kiwenlau/hadoop-slave 0.1.0 d63869855c03 17 hours ago 777.4 MB index.alauda.cn/kiwenlau/hadoop-master 0.1.0 7c9d32ede450 17 hours ago 777.4 MB kiwenlau/hadoop-master 0.1.0 7c9d32ede450 17 hours ago 777.4 MB kiwenlau/hadoop-base 0.1.0 5571bd5de58e 17 hours ago 777.4 MB index.alauda.cn/kiwenlau/hadoop-base 0.1.0 5571bd5de58e 17 hours ago 777.4 MB kiwenlau/serf-dnsmasq 0.1.0 09ed89c24ee8 17 hours ago 206.7 MB index.alauda.cn/kiwenlau/serf-dnsmasq 0.1.0 09ed89c24ee8 17 hours ago 206.7 MB
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
git clone https://github.com/kiwenlau/hadoop-cluster-docker
为了防止GitHub被XX，我把代码导入到了开源中国的Git仓库：
git clone http://git.oschina.net/kiwenlau/hadoop-cluster-docker
4. 运行容器
cd hadoop-cluster-docker ./start-container.sh
运行结果：
start master container... start slave1 container... start slave2 container... root@master:~#
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：
ls
运行结果：
hdfs run-wordcount.sh serf_log start-hadoop.sh start-ssh-serf.sh
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：
serf members
运行结果：
master.kiwenlau.com 172.17.0.65:7946 alive slave1.kiwenlau.com 172.17.0.66:7946 alive slave2.kiwenlau.com 172.17.0.67:7946 alive
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：
ssh slave2.kiwenlau.com
运行结果：
Warning: Permanently added 'slave2.kiwenlau.com,172.17.0.67' (ECDSA) to the list of known hosts. Welcome to Ubuntu 15.04 (GNU/Linux 3.13.0-53-generic x86_64) * Documentation: https://help.ubuntu.com/ The programs included with the Ubuntu system are free software; the exact distribution terms for each program are described in the individual files in /usr/share/doc/*/copyright. Ubuntu comes with ABSOLUTELY NO WARRANTY, to the extent permitted by applicable law. root@slave2:~#
退出slave2：
exit
运行结果：
logout Connection to slave2.kiwenlau.com closed.
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
./start-hadoop.sh
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
./run-wordcount.sh
运行结果：
input file1.txt: Hello Hadoop input file2.txt: Hello Docker wordcount output: Docker 1 Hadoop 1 Hello 2
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
./resize-cluster.sh 5
- 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
./start-container.sh 5
- 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。
