基于Kubernetes的Spark部署完全指南
【編者的話】本文是在Kubernets上搭建Spark集群的操作指南，同時提供了Spark測試任務及相關的測試數據，通過閱讀本文，你可以實踐從制作Spark鏡像、搭建Spark容器集群，到在集群上運行測試任務的完整流程。
Yarn曾經是Hadoop默認的資源編排管理平臺。但最近情況有所變化，特別是對于Hadoop中的Spark，由于其與S3等其他存儲平臺集成得很好，而與Hadoop生態中其他組件反而沒有太緊密的關聯，因此Kubernetes正迅速替代Yarn，成為基于對象存儲的Spark系統的默認編排管理平臺。在這篇文章中，我們將深入研究如何在Kubernetes集群上構建和部署Spark容器。由于Spark的運行依賴于數據，我們將配置Spark集群通過S3 API進行存儲操作。
構建Spark容器
在Kubernetes上部署應用的第一步，是創建容器。雖然有些項目會提供官方的容器鏡像，但截止到寫此文時，Apache Spark并沒有提供官方鏡像。因此我們將自己創建Spark容器，讓我們從Dockerfile開始。
- FROM java:openjdk-8-jdk
- ENV hadoop_ver 2.8.2
- ENV spark_ver 2.4.4
- RUN mkdir -p /opt && \
- cd /opt && \
- curl http://archive.apache.org/dist/hadoop/common/hadoop-${hadoop_ver}/hadoop-${hadoop_ver}.tar.gz | \
- tar -zx && \
- ln -s hadoop-${hadoop_ver} hadoop && \
- echo Hadoop ${hadoop_ver} installed in /opt
- RUN mkdir -p /opt && \
- cd /opt && \
- curl http://archive.apache.org/dist/spark/spark-${spark_ver}/spark-${spark_ver}-bin-without-hadoop.tgz | \
- tar -zx && \
- ln -s spark-${spark_ver}-bin-without-hadoop spark && \
- echo Spark ${spark_ver} installed in /opt
- ENV SPARK_HOME=/opt/spark
- ENV PATH=$PATH:$SPARK_HOME/bin
- ENV HADOOP_HOME=/opt/hadoop
- ENV PATH=$PATH:$HADOOP_HOME/bin
- ENV LD_LIBRARY_PATH=$HADOOP_HOME/lib/native
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- ADD start-common.sh start-worker start-master /
- ADD core-site.xml /opt/spark/conf/core-site.xml
- ADD spark-defaults.conf /opt/spark/conf/spark-defaults.conf
- ENV PATH $PATH:/opt/spark/bin
在這個Dockerfile中，我們首先從官方地址下載Apache Spark和Hadoop，然后從Maven獲取關聯的jar包。當所有關聯的文件都已經下載并解壓到一個特定的目錄后，我們將這些重要的配置文件添加到鏡像中。
在這個過程中，你可以很方便的添加自己環境特有的配置。
原本我們可以跳過以上步驟，直接使用一個預先構建好的鏡像，但是通過解讀這些步驟可以讓我們的讀者看到Spark容器內部的內容，高級用戶可以據此修改來滿足他們特殊的需求。
以上示例中使用到的Dockerfile和其他關聯的配置文件，可以從這個GitHub倉庫中獲取。如果要使用這個倉庫中的內容，請先使用以下命令將其克隆到本地：
- git clone git@github.com:devshlabs/spark-kubernetes.git
現在，你可以根據需要在你的環境中進行任何更改，然后構建鏡像，并上傳到你使用的容器注冊表中。在本文的示例中，我使用Dockerhub作為容器注冊表，命令如下：
- cd spark-kubernetes/spark-container
- docker build . -t mydockerrepo/spark:2.4.4
- docker push mydockerrepo/spark:2.4.4
記得將其中的mydockerrepo替換為你實際的注冊表名字。
在Kubernetes上部署Spark
至此，Spark容器鏡像已經構建好，并可以拉取使用了。讓我們使用此鏡像來部署Spark Master和Worker。第一步是創建Spark Master。我們將使用Kubernetes ReplicationController創建Spark Master。在本文的示例中，我僅用單實例創建Spark Master。而在有HA需求的生產環境中，你可能需要將副本數設置為3或者以上。
- kind: ReplicationController
- apiVersion: v1
- metadata:
- name: spark-master-controller
- spec:
- replicas: 1
- selector:
- component: spark-master
- template:
- metadata:
- labels:
- component: spark-master
- spec:
- hostname: spark-master-hostname
- subdomain: spark-master-headless
- containers:
- - name: spark-master
- image: mydockerrepo/spark:2.4.4
- imagePullPolicy: Always
- command: ["/start-master"]
- ports:
- - containerPort: 7077
- - containerPort: 8080
- resources:
- requests:
- cpu: 100m
為了使Spark Worker節點可以發現Spark Master節點，我們還需要創建headless服務。
當你從GitHub倉庫完成克隆，并進入spark-kubernetes目錄后，就可以啟動Spark Master服務了，命令如下：
- kubectl create -f spark-master-controller.yaml
- kubectl create -f spark-master-service.yaml
現在，確保Master節點和所有的服務都正常運行，然后就可以開始部署Worker節點了。Spark Worker的副本數設置為2，你可以根據需要修改。Worker啟動命令如下：
- kubectl create -f spark-worker-controller.yaml
最后，通過以下命令確認是否所有服務都正常運行：
- kubectl get all
執行以上命令，你應該可以看到類似下面的內容：
- NAME READY STATUS RESTARTS AGE
- po/spark-master-controller-5rgz2 1/1 Running 0 9m
- po/spark-worker-controller-0pts6 1/1 Running 0 9m
- po/spark-worker-controller-cq6ng 1/1 Running 0 9m
- NAME DESIRED CURRENT READY AGE
- rc/spark-master-controller 1 1 1 9m
- rc/spark-worker-controller 2 2 2 9m
- NAME CLUSTER-IP EXTERNAL-IP PORT(S) AGE
- svc/spark-master 10.108.94.160 <none> 7077/TCP,8080/TCP 9m
向Spark集群提交Job
現在讓我們提交一個Job，看看是否執行正常。不過在此之前，你需要一個有效的AWS S3賬戶，以及存有樣本數據的桶存在。我使用了Kaggle下載樣本數據，樣本數據可以從https://www.kaggle.com/datasna ... s.csv獲取，獲取以后需要上傳到S3的桶里。假定桶名是s3-data-bucket，那么樣本數據文件則位于s3-data-bucket/data.csv。
數據準備好以后，將其加載到一個Spark master pod中執行。以Pod名為spark-master-controller-5rgz2為例，命令如下：
- kubectl exec -it spark-master-controller-v2hjb /bin/bash
如果你登錄進入了Spark系統，可以運行Spark Shell：
- export SPARK_DIST_CLASSPATH=$(hadoop classpath)
- spark-shell
- Setting default log level to "WARN".
- To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
- Spark context Web UI available at http://192.168.132.147:4040
- Spark context available as 'sc' (master = spark://spark-master:7077, app id = app-20170405152342-0000).
- Spark session available as 'spark'.
- Welcome to
- ____ __
- / __/__ ___ _____/ /__
- _\ \/ _ \/ _ `/ __/ '_/
- /___/ .__/\_,_/_/ /_/\_\ version 2.4.4
- /_/
- Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_221)
- Type in expressions to have them evaluated.
- Type :help for more information.
- scala>
現在讓我們告訴Spark Master，S3存儲的詳細信息，在上文所示的Scale提示符中輸入以下配置：
- sc.hadoopConfiguration.set("fs.s3a.endpoint", "https://s3.amazonaws.com")
- sc.hadoopConfiguration.set("fs.s3a.access.key", "s3-access-key")
- sc.hadoopConfiguration.set("fs.s3a.secret.key", "s3-secret-key")
現在，只需將以下內容粘貼到Scala提示符中，以提交Spark Job(請記得修改S3相關字段)：
- import org.apache.spark._
- import org.apache.spark.rdd.RDD
- import org.apache.spark.util.IntParam
- import org.apache.spark.sql.SQLContext
- import org.apache.spark.graphx._
- import org.apache.spark.graphx.util.GraphGenerators
- import org.apache.spark.mllib.regression.LabeledPoint
- import org.apache.spark.mllib.linalg.Vectors
- import org.apache.spark.mllib.tree.DecisionTree
- import org.apache.spark.mllib.tree.model.DecisionTreeModel
- import org.apache.spark.mllib.util.MLUtils
- val conf = new SparkConf().setAppName("YouTube")
- val sqlContext = new SQLContext(sc)
- import sqlContext.implicits._
- import sqlContext._
- val youtubeDF = spark.read.format("csv").option("sep", ",").option("inferSchema", "true").option("header", "true").load("s3a://s3-data-bucket/data.csv")
- youtubeDF.registerTempTable("popular")
- val fltCountsql = sqlContext.sql("select s.title,s.views from popular s")
- fltCountsql.show()
最后，你可以使用kubectl patch command命令更新Spark部署。比如，你可以在負載較高時添加更多工作節點，然后在負載下降后刪除這些工作節點。
