基于Kubernetes的Spark部署完全指南

基于Kubernetes的Spark部署完全指南

作者：木木TM 2020-03-06 16:00:04

云计算

Spark 本文是在Kubernets上搭建Spark集群的操作指南，同时提供了Spark测试任务及相关的测试数据，通过阅读本文，你可以实践从制作Spark镜像、搭建Spark容器集群，到在集群上运行测试任务的完整流程。

10年积累的成都网站建设、成都网站制作经验，可以快速应对客户对网站的新想法和需求。提供各种问题对应的解决方案。让选择我们的客户得到更好、更有力的网络服务。我虽然不认识你，你也不认识我。但先网站设计后付款的网站建设流程，更有深泽免费网站建设让你可以放心的选择与我们合作。

【编者的话】本文是在Kubernets上搭建Spark集群的操作指南，同时提供了Spark测试任务及相关的测试数据，通过阅读本文，你可以实践从制作Spark镜像、搭建Spark容器集群，到在集群上运行测试任务的完整流程。

Yarn曾经是Hadoop默认的资源编排管理平台。但最近情况有所变化，特别是对于Hadoop中的Spark，由于其与S3等其他存储平台集成得很好，而与Hadoop生态中其他组件反而没有太紧密的关联，因此Kubernetes正迅速替代Yarn，成为基于对象存储的Spark系统的默认编排管理平台。在这篇文章中，我们将深入研究如何在Kubernetes集群上构建和部署Spark容器。由于Spark的运行依赖于数据，我们将配置Spark集群通过S3 API进行存储操作。

构建Spark容器

在Kubernetes上部署应用的第一步，是创建容器。虽然有些项目会提供官方的容器镜像，但截止到写此文时，Apache Spark并没有提供官方镜像。因此我们将自己创建Spark容器，让我们从Dockerfile开始。

  
 
 
    
   
  
  
  1. FROM java:openjdk-8-jdk
    2. 
   
  
  
  2. 
   
  
  
  3. ENV hadoop_ver 2.8.2
    4. 
   
  
  
  4. ENV spark_ver 2.4.4
    5. 
   
  
  
  5. 
   
  
  
  6. RUN mkdir -p /opt && \
    7. 
   
  
  
  7. cd /opt && \
    8. 
   
  
  
  8. curl http://archive.apache.org/dist/hadoop/common/hadoop-${hadoop_ver}/hadoop-${hadoop_ver}.tar.gz | \
    9. 
   
  
  
  9.     tar -zx && \
    10. 
   
  
  
  10. ln -s hadoop-${hadoop_ver} hadoop && \
    11. 
   
  
  
  11. echo Hadoop ${hadoop_ver} installed in /opt
    12. 
   
  
  
  12. 
   
  
  
  13. RUN mkdir -p /opt && \
    14. 
   
  
  
  14. cd /opt && \
    15. 
   
  
  
  15. curl http://archive.apache.org/dist/spark/spark-${spark_ver}/spark-${spark_ver}-bin-without-hadoop.tgz | \
    16. 
   
  
  
  16.     tar -zx && \
    17. 
   
  
  
  17. ln -s spark-${spark_ver}-bin-without-hadoop spark && \
    18. 
   
  
  
  18. echo Spark ${spark_ver} installed in /opt
    19. 
   
  
  
  19. 
   
  
  
  20. ENV SPARK_HOME=/opt/spark
    21. 
   
  
  
  21. ENV PATH=$PATH:$SPARK_HOME/bin
    22. 
   
  
  
  22. ENV HADOOP_HOME=/opt/hadoop
    23. 
   
  
  
  23. ENV PATH=$PATH:$HADOOP_HOME/bin
    24. 
   
  
  
  24. ENV LD_LIBRARY_PATH=$HADOOP_HOME/lib/native
    25. 
   
  
  
  25. 
   
  
  
  26. RUN curl http://central.maven.org/maven2/org/apache/hadoop/hadoop-aws/2.8.2/hadoop-aws-2.8.2.jar -o /opt/spark/jars/hadoop-aws-2.8.2.jar
    27. 
   
  
  
  27. RUN curl http://central.maven.org/maven2/org/apache/httpcomponents/httpclient/4.5.3/httpclient-4.5.3.jar -o /opt/spark/jars/httpclient-4.5.3.jar
    28. 
   
  
  
  28. RUN curl http://central.maven.org/maven2/joda-time/joda-time/2.9.9/joda-time-2.9.9.jar -o /opt/spark/jars/joda-time-2.9.9.jar
    29. 
   
  
  
  29. RUN curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk-core/1.11.712/aws-java-sdk-core-1.11.712.jar -o /opt/spark/jars/aws-java-sdk-core-1.11.712.jar
    30. 
   
  
  
  30. RUN curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk/1.11.712/aws-java-sdk-1.11.712.jar -o /opt/spark/jars/aws-java-sdk-1.11.712.jar
    31. 
   
  
  
  31. RUN curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk-kms/1.11.712/aws-java-sdk-kms-1.11.712.jar -o /opt/spark/jars/aws-java-sdk-kms-1.11.712.jar
    32. 
   
  
  
  32. RUN curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk-s3/1.11.712/aws-java-sdk-s3-1.11.712.jar -o /opt/spark/jars/aws-java-sdk-s3-1.11.712.jar
    33. 
   
  
  
  33. 
   
  
  
  34. ADD start-common.sh start-worker start-master /
    35. 
   
  
  
  35. ADD core-site.xml /opt/spark/conf/core-site.xml
    36. 
   
  
  
  36. ADD spark-defaults.conf /opt/spark/conf/spark-defaults.conf
    37. 
   
  
  
  37. ENV PATH $PATH:/opt/spark/bin
    38.

在这个Dockerfile中，我们首先从官方地址下载Apache Spark和Hadoop，然后从Maven获取关联的jar包。当所有关联的文件都已经下载并解压到一个特定的目录后，我们将这些重要的配置文件添加到镜像中。

在这个过程中，你可以很方便的添加自己环境特有的配置。

原本我们可以跳过以上步骤，直接使用一个预先构建好的镜像，但是通过解读这些步骤可以让我们的读者看到Spark容器内部的内容，高级用户可以据此修改来满足他们特殊的需求。

以上示例中使用到的Dockerfile和其他关联的配置文件，可以从这个GitHub仓库中获取。如果要使用这个仓库中的内容，请先使用以下命令将其克隆到本地：

  
 
 
    
   
  
  
  1. git clone git@github.com:devshlabs/spark-kubernetes.git
    2.

现在，你可以根据需要在你的环境中进行任何更改，然后构建镜像，并上传到你使用的容器注册表中。在本文的示例中，我使用Dockerhub作为容器注册表，命令如下：

  
 
 
    
   
  
  
  1. cd spark-kubernetes/spark-container
    2. 
   
  
  
  2. docker build . -t mydockerrepo/spark:2.4.4
    3. 
   
  
  
  3. docker push mydockerrepo/spark:2.4.4
    4.

记得将其中的mydockerrepo替换为你实际的注册表名字。

在Kubernetes上部署Spark

至此，Spark容器镜像已经构建好，并可以拉取使用了。让我们使用此镜像来部署Spark Master和Worker。第一步是创建Spark Master。我们将使用Kubernetes ReplicationController创建Spark Master。在本文的示例中，我仅用单实例创建Spark Master。而在有HA需求的生产环境中，你可能需要将副本数设置为3或者以上。

  
 
 
    
   
  
  
  1. kind: ReplicationController
    2. 
   
  
  
  2. apiVersion: v1
    3. 
   
  
  
  3. metadata:
    4. 
   
  
  
  4. name: spark-master-controller
    5. 
   
  
  
  5. spec:
    6. 
   
  
  
  6. replicas: 1
    7. 
   
  
  
  7. selector:
    8. 
   
  
  
  8. component: spark-master
    9. 
   
  
  
  9. template:
    10. 
   
  
  
  10. metadata:
    11. 
   
  
  
  11.   labels:
    12. 
   
  
  
  12.     component: spark-master
    13. 
   
  
  
  13. spec:
    14. 
   
  
  
  14.   hostname: spark-master-hostname
    15. 
   
  
  
  15.   subdomain: spark-master-headless
    16. 
   
  
  
  16.   containers:
    17. 
   
  
  
  17.     - name: spark-master
    18. 
   
  
  
  18.       image: mydockerrepo/spark:2.4.4
    19. 
   
  
  
  19.       imagePullPolicy: Always
    20. 
   
  
  
  20.       command: ["/start-master"]
    21. 
   
  
  
  21.       ports:
    22. 
   
  
  
  22.         - containerPort: 7077
    23. 
   
  
  
  23.         - containerPort: 8080
    24. 
   
  
  
  24.       resources:
    25. 
   
  
  
  25.         requests:
    26. 
   
  
  
  26.           cpu: 100m
    27.

为了使Spark Worker节点可以发现Spark Master节点，我们还需要创建headless服务。

当你从GitHub仓库完成克隆，并进入spark-kubernetes目录后，就可以启动Spark Master服务了，命令如下：

  
 
 
    
   
  
  
  1. kubectl create -f spark-master-controller.yaml
    2. 
   
  
  
  2. kubectl create -f spark-master-service.yaml
    3.

现在，确保Master节点和所有的服务都正常运行，然后就可以开始部署Worker节点了。Spark Worker的副本数设置为2，你可以根据需要修改。Worker启动命令如下：

  
 
 
    
   
  
  
  1. kubectl create -f spark-worker-controller.yaml
    2.

最后，通过以下命令确认是否所有服务都正常运行：

  
 
 
    
   
  
  
  1. kubectl get all
    2.

执行以上命令，你应该可以看到类似下面的内容：

  
 
 
    
   
  
  
  1. NAME                               READY     STATUS    RESTARTS   AGE
    2. 
   
  
  
  2. po/spark-master-controller-5rgz2   1/1       Running   0          9m
    3. 
   
  
  
  3. po/spark-worker-controller-0pts6   1/1       Running   0          9m
    4. 
   
  
  
  4. po/spark-worker-controller-cq6ng   1/1       Running   0          9m
    5. 
   
  
  
  5. 
   
  
  
  6. NAME                         DESIRED   CURRENT   READY     AGE
    7. 
   
  
  
  7. rc/spark-master-controller   1         1         1         9m
    8. 
   
  
  
  8. rc/spark-worker-controller   2         2         2         9m
    9. 
   
  
  
  9. 
   
  
  
  10. NAME               CLUSTER-IP      EXTERNAL-IP   PORT(S)             AGE
    11. 
   
  
  
  11. svc/spark-master   10.108.94.160           7077/TCP,8080/TCP   9m
    12.

向Spark集群提交Job

现在让我们提交一个Job，看看是否执行正常。不过在此之前，你需要一个有效的AWS S3账户，以及存有样本数据的桶存在。我使用了Kaggle下载样本数据，样本数据可以从s.csv获取，获取以后需要上传到S3的桶里。假定桶名是s3-data-bucket，那么样本数据文件则位于s3-data-bucket/data.csv。

数据准备好以后，将其加载到一个Spark master pod中执行。以Pod名为spark-master-controller-5rgz2为例，命令如下：

  
 
 
    
   
  
  
  1. kubectl exec -it spark-master-controller-v2hjb /bin/bash
    2.

如果你登录进入了Spark系统，可以运行Spark Shell：

  
 
 
    
   
  
  
  1. export SPARK_DIST_CLASSPATH=$(hadoop classpath)
    2. 
   
  
  
  2. spark-shell
    3. 
   
  
  
  3. Setting default log level to "WARN".
    4. 
   
  
  
  4. To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
    5. 
   
  
  
  5. Spark context Web UI available at http://192.168.132.147:4040
    6. 
   
  
  
  6. Spark context available as 'sc' (master = spark://spark-master:7077, app id = app-20170405152342-0000).
    7. 
   
  
  
  7. Spark session available as 'spark'.
    8. 
   
  
  
  8. Welcome to
    9. 
   
  
  
  9.   ____              __
    10. 
   
  
  
  10.  / __/__  ___ _____/ /__
    11. 
   
  
  
  11. _\ \/ _ \/ _ `/ __/  '_/
    12. 
   
  
  
  12. /___/ .__/\_,_/_/ /_/\_\   version 2.4.4
    13. 
   
  
  
  13.   /_/
    14. 
   
  
  
  14. 
   
  
  
  15. Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_221)
    16. 
   
  
  
  16. Type in expressions to have them evaluated.
    17. 
   
  
  
  17. Type :help for more information.
    18. 
   
  
  
  18. 
   
  
  
  19. scala>
    20.

现在让我们告诉Spark Master，S3存储的详细信息，在上文所示的Scale提示符中输入以下配置：

  
 
 
    
   
  
  
  1. sc.hadoopConfiguration.set("fs.s3a.endpoint", "https://s3.amazonaws.com")
    2. 
   
  
  
  2. sc.hadoopConfiguration.set("fs.s3a.access.key", "s3-access-key")
    3. 
   
  
  
  3. sc.hadoopConfiguration.set("fs.s3a.secret.key", "s3-secret-key")
    4.

现在，只需将以下内容粘贴到Scala提示符中，以提交Spark Job(请记得修改S3相关字段)：

  
 
 
    
   
  
  
  1. import org.apache.spark._
    2. 
   
  
  
  2. import org.apache.spark.rdd.RDD
    3. 
   
  
  
  3. import org.apache.spark.util.IntParam
    4. 
   
  
  
  4. import org.apache.spark.sql.SQLContext
    5. 
   
  
  
  5. import org.apache.spark.graphx._
    6. 
   
  
  
  6. import org.apache.spark.graphx.util.GraphGenerators
    7. 
   
  
  
  7. import org.apache.spark.mllib.regression.LabeledPoint
    8. 
   
  
  
  8. import org.apache.spark.mllib.linalg.Vectors
    9. 
   
  
  
  9. import org.apache.spark.mllib.tree.DecisionTree
    10. 
   
  
  
  10. import org.apache.spark.mllib.tree.model.DecisionTreeModel
    11. 
   
  
  
  11. import org.apache.spark.mllib.util.MLUtils
    12. 
   
  
  
  12. 
   
  
  
  13. val conf = new SparkConf().setAppName("YouTube")
    14. 
   
  
  
  14. val sqlContext = new SQLContext(sc)
    15. 
   
  
  
  15. 
   
  
  
  16. import sqlContext.implicits._
    17. 
   
  
  
  17. import sqlContext._
    18. 
   
  
  
  18. 
   
  
  
  19. val youtubeDF = spark.read.format("csv").option("sep", ",").option("inferSchema", "true").option("header", "true").load("s3a://s3-data-bucket/data.csv")
    20. 
   
  
  
  20. 
   
  
  
  21. youtubeDF.registerTempTable("popular")
    22. 
   
  
  
  22. 
   
  
  
  23. val fltCountsql = sqlContext.sql("select s.title,s.views from popular s")
    24. 
   
  
  
  24. fltCountsql.show()
    25.

最后，你可以使用kubectl patch command命令更新Spark部署。比如，你可以在负载较高时添加更多工作节点，然后在负载下降后删除这些工作节点。

分享文章：基于Kubernetes的Spark部署完全指南
网址分享：http://www.36103.cn/qtweb/news17/3217.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联

猜你还喜欢下面的内容

静态网站知识

行业网站建设

企业邮箱　　 　教育网站设计方案　　 　小程序开发　　 　企业网站设计　　 　平昌保洁　　 　移动服务器托管　　 　网站空间　　 　钢筋机械设备　　 　成都网站推广　　 　大足网站建设　　 　UI设计　　 　成都微信开发　　 　企业手机网站建设　　 　做网站　　 　蓬安网站建设　　 　边坡柔性防护网　　 　高端网站设计　　 　成都封阳台　　 　成都免费网站建设公司　　 　西信服务器托管