1.  背景描述和需求

數據分析程式部署在Docker中，有一些分析計算需要使用Spark計算，需要把任務提交到Spark集群計算。

接收程式部署在Docker中，主機不在Hadoop集群上。與Spark集群網路互通。

需求如下

1、在Docker中可程式化向Spark集群提交任務

2、在Docker中可對Spark任務管理，狀態查詢和結束

2.  解決方案

在Docker中搭建一套Spark、Hadoop環境。任務通過spark-submit --master yarn --deploy-mode cluster來提交到Spark on YARN集群執行。

任務監控通過hadoop的restful介面來監控和管理。

2.1.  Yarn client 模式為行不通

任務發佈的docker實例，不在spark集群中，屬於非集群機器。只有spark yarn模式的入口，但是hdfs無法與hadoop集群通信。

為什麼不能hdfs不能通信？

每個docker啟動時，一般不指定ip地址和機器名，不能再集群中預先配置好ip地址和機器名。

並且在hadoop集群中添加了一個動態的docker，但是並不參與任務執行，不利於環境的管理。

在docker中，你的環境配置（python路徑，hadoop路徑等）可能與hadoop集群不一致，所以以client模式運行時，存在找不到配置的錯誤。

以cluster模式運行，只要保證把任務所需的文件上傳到hadoop集群即可正常運行任務，docker不與集群通信業可以正常執行任務。

Client模式為何不行？

Client模式是由RM分配一個AM，然後由executor反向driver註冊，dirver發送task，在回收結果。

但是現在dirver在Docker中，executor找不到dirver的地址，無法註冊，所以導致client模式無法使用。

https://www.cnblogs.com/fbiswt/p/4667956.html

1、客戶端安裝的機器一般是虛擬機，虛擬機的名稱可能是隨便搞的，然而，yarn-client模式提交任務，是預設把本機當成driver的。所以導致其他的機器無法通過host的name直接訪問這台機器。報錯就是Failed to connect to driver at x.x.x.x，retrying.....

　解決辦法：在命令後面加上一個--conf spark.driver.host=$your_ip_address，後面直接填客戶端機器的IP地址就行。還有一個辦法：export SPARK_JAVA_OPTS="-Dspark.driver.host=$your_ip_address"，但是這種方法你在用完yarn-client後就沒有辦法再用yarn-cluster了。千萬不能把這個參數配置到spark-default.conf裡面。

2.2.  Cluster與client模式異同

Cluster模式，driver節點在集群內部，可以最大限度的減少driver和executor直接的網路延時。

這部分內容有詳細介紹。

3.  Spark on Yarn集群環境搭建

3.1.  Spark on Yarn集群搭建

資源管理模式設置為YARN模式，開放Hadoop Web管理頁面。

詳細搭建過程略。網上有詳細文檔。

3.2.  Web管理頁面和rest配置

hadoop目錄etc/Hadoop目錄yarn-site.xml文件

通過yarn.resourcemanager.webapp.address 設置web訪問地址和埠

<!-- Site specific YARN configuration properties -->

 <property>

  <name>yarn.nodemanager.aux-services</name>

  <value>mapreduce_shuffle</value>

</property>

<property>

   <name>yarn.resourcemanager.address</name>

   <value>master:8032</value>

</property>

<property>

  <name>yarn.resourcemanager.scheduler.address</name>

  <value>master:8030</value>

</property>

<property>

 <name>yarn.resourcemanager.resource-tracker.address</name>

 <value>master:8031</value>

</property>

<property>

 <name>yarn.resourcemanager.admin.address</name>

 <value>master:8033</value>

</property>

<property>

 <name>yarn.resourcemanager.webapp.address</name>

 <value>IP address:8088</value>

</property>

4.  Docker環境搭建和設置

4.1.  軟體配套表

4.2.  製作Spark的Docker鏡像

安裝基礎軟體

把java、spark、hadoop、python的軟體放到同一個目錄下，在Dockerfile中使用ADD命令添加軟體到鏡像。

軟體放到了./add 目錄下，通過ADD命令把目錄下的軟體添加到Docker中的/目錄

   ADD ./add /

軟體環境變數設置

這裡以把java、spark、hadoop、anaconda3:4.2.0都放到根目錄下為例：

# Spark ENV

JAVA_HOME="/jdk1.8.0_121"

SPARK_HOME="/spark-2.3.2-bin-hadoop2.7"

HADOOP_HOME="/hadoop-2.7.3"

CLASSPATH="/anaconda3/bin;/jdk1.8.0_121/lib/dt.jar:/jdk1.8.0_121/lib/tools.jar"

PATH="/jdk1.8.0_121/bin:$PATH:/spark-2.3.2-bin-hadoop2.7/bin:/hadoop-2.7.3/bin"

Hadoop配置

Hadoop配置文件直接使用spark集群中的hadoop配置即可。路徑為hadoop_dir/etc/Hadoop,把目錄下的配置都複製過來即可。

提示：

如果Docker中java路徑與Spark中一致，則需要修改為docker中的路徑。不然docker中spark無法運行

如果提交的是任務是python程式，則PYSPARK_PYTHON設置要求與spark集群的配置保持一致。

通過PYSPARK_PYTHON="/anaconda3/bin/python"來設置

在Docker的程式中，執行用戶與spark集群中的執行賬戶可能不一致，則需要通過環境變數HADOOP_USER_NAME來設置。與集群中保持一致，不然會產生許可權問題。

HADOOP_USER_NAME="spark"

Dockerfile示例

FROM your_base_env

ENV LANG="en_US.UTF-8"

 

ADD ./add .

 

# Spark ENV

ENV JAVA_HOME="/jdk1.8.0_121" SPARK_HOME="/spark-2.3.2-bin-hadoop2.7" HADOOP_HOME="/hadoop-2.7.3" CLASSPATH="/jdk1.8.0_121/lib/dt.jar:/jdk1.8.0_121/lib/tools.jar" \

PATH="/jdk1.8.0_121/bin:$PATH:/spark-2.3.2-bin-hadoop2.7/bin:/hadoop-2.7.3/bin" PATH="$PATH:$INSTALL_PATH" PYTHONPATH="$INSTALL_PATH" LANG="en_US.UTF-8" \

HADOOP_CONF_DIR="/hadoop-2.7.3/etc/hadoop/ " PYSPARK_PYTHON="/anaconda3/bin/python" HADOOP_USER_NAME="spark"

4.3.  環境檢查

配置完成後，打包鏡像，啟動一個實例

檢查spark配置

輸入命令：spark-submit，檢查spark是否安裝完成

看到下麵的信息，說明spark設置成功

[root@3920e4505b70 stg]# spark-submit

Usage: spark-submit [options] <app jar | python file | R file> [app arguments]

Usage: spark-submit --kill [submission ID] --master [spark://...]

Usage: spark-submit --status [submission ID] --master [spark://...]

Usage: spark-submit run-example [options] example-class [example args]

 

Options:

  --master MASTER_URL         spark://host:port, mesos://host:port, yarn,

                              k8s://https://host:port, or local (Default: local[*]).

  --deploy-mode DEPLOY_MODE   Whether to launch the driver program locally ("client") or

                              on one of the worker machines inside the cluster ("cluster")

                              (Default: client).

  --class CLASS_NAME          Your application's main class (for Java / Scala apps).

  --name NAME                 A name of your application.

  --jars JARS                 Comma-separated list of jars to include on the driver

                              and executor classpaths.

  --packages                  Comma-separated list of maven coordinates of jars to include

                              on the driver and executor classpaths. Will search the local

                              maven repo, then maven central and any additional remote

                              repositories given by --repositories. The format for the

                              coordinates should be groupId:artifactId:version.

  --exclude-packages          Comma-separated list of groupId:artifactId, to exclude while

                              resolving the dependencies provided in --packages to avoid

                              dependency conflicts.

檢查Hadoop配置

輸入命令：yarn application -list 檢查hadoop集群配置

看到下麵輸出表示正常

[root@3920e4505b70 /]# yarn application -list

Total number of applications (application-types: [] and states: [SUBMITTED, ACCEPTED, RUNNING]):0

                Application-Id      Application-Name        Application-Type          User           Queue                   State             Final-State             Progress                        Tracking-URL

執行任務Demo

環境檢查沒有問題，執行demo代碼來檢查下：

spark-submit --master yarn --deploy-mode cluster /spark-2.3.2-bin-hadoop2.7/examples/src/main/python/pi.py

沒有問題，則會看到任務狀態為ACCEPTED說明集群接受了任務

RUNNING說明spark集群開始執行任務了。

5.  任務監控

任務監控的兩個方法

• Yarn 命令行
• Hadoop HTTP rest介面

由於開發語言為python，調用shell命令沒有rest介面方便，選擇使用rest介面來做任務監控方案。

5.1.  yarn application命令監控和管理

通過命令查看當前運行的任務，查看自己運行的任務是否在列表中

yarn application –list 查看任務列表

yarn application –kill  applicationID  結束指定任務

5.2.  hadoop集群的rest介面來管理

在python中調用shell命令，存在諸多不便。

調用rest介面非常方便。這裡選擇rest介面作為任務狀態管理方式。

介面文檔地:

https://hadoop.apache.org/docs/r2.7.3/hadoop-yarn/hadoop-yarn-site/ResourceManagerRest.html#Cluster_Application_API

5.2.1.  查詢任務列表

GET http://<rm http address:port>/ws/v1/cluster/apps

參數：states=accepted,running,finished

查詢條件過濾accepted,running，檢查提交的任務是否在任務列表中。

5.2.2.  查詢單個任務

如果任務已經接受了，生成了任務id，則可以直接根據任務id來查詢任務狀態

GET http://<rm http address:port>/ws/v1/cluster/apps/ application_1546828007170_0142

查詢剛纔任務執行的結果：

{
    "app":{
        "id":"application_1546828007170_0142",
        "user":"csmsopr",
        "name":"pi.py",
        "queue":"default",
        "state":"FINISHED",
        "finalStatus":"SUCCEEDED",
        "progress":100,
        "trackingUI":"History",
        "trackingUrl":"http://host281566:8088/proxy/application_1546828007170_0142/",
        "diagnostics":"",
        "clusterId":1546828007170,
        "applicationType":"SPARK",
        "applicationTags":"",
        "startedTime":1548234101173,
        "finishedTime":1548234115661,
        "elapsedTime":14488,
        "amContainerLogs":"http://host281567:8042/node/containerlogs/container_1546828007170_0142_01_000001/csmsopr",
        "amHostHttpAddress":"host281567:8042",
        "allocatedMB":-1,
        "allocatedVCores":-1,
        "runningContainers":-1,
        "memorySeconds":51782,
        "vcoreSeconds":32,
        "preemptedResourceMB":0,
        "preemptedResourceVCores":0,
        "numNonAMContainerPreempted":0,
        "numAMContainerPreempted":0
    }
}

5.2.3.  任務狀態管理

任務狀態查詢和結束

PUT http://<rm http address:port>/ws/v1/cluster/apps/ application_1546828007170_0142/state

返回

{

  "state":"KILLED"

}

查詢任務狀態

GET http://<rm http address:port>/ws/v1/cluster/apps/ application_1546828007170_0142/state

返回：

{

  "state":"ACCEPTED"

}

6.  參考資料