如何基于Docker快速搭建多节点Hadoop集群

作者：刘凯 2015-05-27 10:29:41

云计算

Hadoop 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。

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。

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：

• GitHub：Hadoop (YARN) Multinode Cluster with Docker
• 博客：Hadoop (YARN) Multinode Cluster with Docker

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。

#p#

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***)
• 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：

http://pan.baidu.com/s/1sjFRaFz

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: http://pan.baidu.com/s/1sjFRaFz
• hadoop-2.5.2: http://pan.baidu.com/s/1jGw24aa
• hadoop-2.6.0:http://pan.baidu.com/s/1eQgvF2M
• hadoop-2.7.0: http://pan.baidu.com/s/1c0HD0Nu

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。

#p#

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：

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：

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….

#p#

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***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resize-cluster.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，***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….