### 欢迎访问我的GitHub
> 这里分类和汇总了欣宸的全部原创(含配套源码)：[https://github.com/zq2599/blog_demos](https://github.com/zq2599/blog_demos)

- 搭建spark和hdfs的集群环境会消耗一些时间和精力，处于学习和开发阶段的同学关注的是spark应用的开发，他们希望整个环境能快速搭建好，从而尽快投入编码和调试，今天咱们就借助docker，极速搭建和体验spark和hdfs的集群环境；

### 实战环境信息
- 以下是本次实战涉及的版本号：
1. 操作系统：CentOS7
2. hadoop：2.8
3. spark：2.3
4. docker：17.03.2-ce
5. docker-compose：1.23.2

### 极速搭建spark集群(含hdfs集群)
- 在CentOS7机器上建一个文件夹(例如**test**)，进入此文件夹；
- 在新建的文件夹内执行如下命令，即可搭建好spark和hdfs集群：

```shell
wget https://raw.githubusercontent.com/zq2599/blog_demos/master/sparkdockercomposefiles/docker-compose.yml \
&& wget https://raw.githubusercontent.com/zq2599/blog_demos/master/sparkdockercomposefiles/hadoop.env \
&& docker-compose up -d
```
**没错，执行上面的命令就够了，只要静候命令执行完成，整个spark和hdfs集群环境就搭建好了；**

### 查看环境
- 接下来检查一下整个环境是否正常，假设当前CentOS电脑的IP地址是**192.168.1.101**

- 用浏览器查看hdfs，如下图，可见有三个DataNode，地址是：http://192.168.1.101:50070
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190210005221784.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5,size_16,color_FFFFFF,t_70)

- 用浏览器查看spark，如下图，可见只有一个worker，地址是：http://192.168.1.101:8080
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190210005443820.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5,size_16,color_FFFFFF,t_70)

- 注意：spark的worker数量，以及worker内存的分配，都可以通过修改docker-compose.yml文件来调整；

### 准备实战数据
- 登录CentOS7电脑，在刚才执行命令的目录下，发现多了几个文件夹，如下所示，注意**input_files**和**jars**这两个，稍后会用到：

```shell
[root@hedy 009]# ls -al
总用量 8
drwxr-xr-x.  6 root root  105 2月  10 00:47 .
drwxr-xr-x. 10 root root   94 2月  10 00:47 ..
drwxr-xr-x.  4 root root   34 2月  10 00:47 conf
drwxr-xr-x.  2 root root    6 2月  10 00:47 data
-rw-r--r--.  1 root root 3046 2月  10 00:47 docker-compose.yml
-rw-r--r--.  1 root root 1189 2月  10 00:47 hadoop.env
drwxr-xr-x.  2 root root    6 2月  10 00:47 input_files
drwxr-xr-x.  2 root root    6 2月  10 00:47 jars
```

- 稍后的实战是经典的WordCount，也就是将指定文本中的单词出现次数统计出来，因此要先准备一个文本文件，我这里在网上找了个英文版的《乱世佳人》，文件名为**GoneWiththeWind.txt**，读者您请自行准备一个英文的txt文件，放入**input_files**文件夹中；

- 执行以下命令，即可在hdfs上创建**/input**文件夹，再将GoneWiththeWind.txt上传到此文件夹中：

```shell
docker exec namenode hdfs dfs -mkdir /input \
&& docker exec namenode hdfs dfs -put /input_files/GoneWiththeWind.txt /input
```

- 您可能会有疑问：txt文件在宿主机上，hdfs是docker容器，怎么能上传上去呢？您看过docker-compose.yml就会发现，宿主机的input_files目录已经挂载到namenode容器上了，所以上面的命令其实就是将容器内的文件上传到hdfs上去；

- 用浏览器查看hdfs，如下图，可见txt文件已经上传到hdfs上：
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190210011125121.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5,size_16,color_FFFFFF,t_70)

### spark_shell实战WordCount
- 在CentOS电脑的命令行输入以下命令，即可创建一个spark_shell：

```shell
docker exec -it master spark-shell --executor-memory 512M --total-executor-cores 2
```

- 如下所示，已经进入了spark_shell的对话模式：

```shell
[root@hedy ~]# docker exec -it master spark-shell --executor-memory 512M --total-executor-cores 2
2019-02-09 17:13:44 WARN  NativeCodeLoader:62 - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
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://localhost:4040
Spark context available as 'sc' (master = spark://master:7077, app id = app-20190209171354-0000).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.3.0
      /_/
         
Using Scala version 2.11.8 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_131)
Type in expressions to have them evaluated.
Type :help for more information.

scala>
```

- 继续输入以下命令，也就是scala版的WordCount：

```shell
sc.textFile("hdfs://namenode:8020/input/GoneWiththeWind.txt").flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _).sortBy(_._2,false).take(10).foreach(println)
```

- 稍后控制台就会输出整个txt中出现次数最多的十个单词，以及对应的出现次数，如下：

```shell
scala> sc.textFile("hdfs://namenode:8020/input/GoneWiththeWind.txt").flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_ + _).sortBy(_._2,false).take(10).foreach(println)
(the,18264)                                                                     
(and,14150)
(to,10020)
(of,8615)
(a,7571)
(her,7086)
(she,6217)
(was,5912)
(in,5751)
(had,4502)

scala>
```

- 用浏览器查看spark，如下图，可见任务正在执行中(因为shell还没有退出)，地址是：http://192.168.1.101:8080

![在这里插入图片描述](https://img-blog.csdnimg.cn/20190210012035211.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5,size_16,color_FFFFFF,t_70)
- 输入Ctrl+c，退出shell，释放资源；

- 至此，spark_shell的实战就完成了，如果您是位java开发者，请接着往下看，咱们一起来实战java版spark应用的提交运行；

### java实战WordCount
- 关于接下来的java版的WordCount，本文直接将jar下载下来用，而这个jar对应的源码以及开发过程，请参考文章[《第一个spark应用开发详解(java版)》](https://blog.csdn.net/boling_cavalry/article/details/86776746)

- 在docker-compose.yml文件所在目录下，有个**jars**目录，进入此目录执行以下命令，就会将实战用到的jar文件下载到**jars**目录：
```shell
wget https://raw.githubusercontent.com/zq2599/blog_demos/master/sparkdockercomposefiles/sparkwordcount-1.0-SNAPSHOT.jar
```

- 执行以下命令，即可向spark提交java应用执行：

```shell
docker exec -it master spark-submit \
--class com.bolingcavalry.sparkwordcount.WordCount \
--executor-memory 512m \
--total-executor-cores 2 \
/root/jars/sparkwordcount-1.0-SNAPSHOT.jar \
namenode \
8020 \
GoneWiththeWind.txt
```

- 任务执行过程中，控制台会输出大量信息，其中有类似以下的内容，就是统计结果：

```shell
2019-02-09 17:30:32 INFO  WordCount:90 - top 10 word :
the	18264
and	14150
to	10020
of	8615
a	7571
her	7086
she	6217
was	5912
in	5751
had	4502
```

- 用浏览器查看hdfs，如下图，可见**/output**目录下创建了一个子文件夹20190209173023，这个文件夹下有两个文件，其中名为part-00000的就是本次实战输出的结果：
![在这里插入图片描述](https://img-blog.csdnimg.cn/20190210013533801.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2JvbGluZ19jYXZhbHJ5,size_16,color_FFFFFF,t_70)

- 在hdfs的网页上看见/output目录下的子文件夹名称为20190209173023，因此执行以下命令，即可在控制台看到part-00000文件的内容：
```shell
docker exec namenode hdfs dfs -cat /output/20190209173023/part-00000
```

- 看到的part-00000的内容如下：
```shell
[root@hedy jars]# docker exec namenode hdfs dfs -cat /output/20190209173023/part-00000
(18264,the)
(14150,and)
(10020,to)
(8615,of)
(7571,a)
(7086,her)
(6217,she)
(5912,was)
(5751,in)
(4502,had)
```

- 以上就是极速搭建spark集群的实战，虽然操作简单，但是整个环境存在以下几处瑕疵：
1. 只有一个worker，并行执行能力较差；
2. hdfs容器的磁盘空间是在docker的安装路径下分配的，遇到大文件时容器将系统空间占满；
3. spark master的4040端口没有开放，无法观察应用运行的情况；
4. worker的8080端口都没有开放， 无法观察worker的运行情况，也不能查看业务运行日志；

- 针对上述问题，我对docker-compose.yml做了改进，您可以执行以下命令快速搭建整个集群环境，要注意的是下面的命令会启动6个worker，比较消耗内存，如果您的电脑内存低于10G，很可能启动容器失败，此时建议您打开docker-compose.yml文件，对worker的配置做适当删减：

```shell
wget https://raw.githubusercontent.com/zq2599/blog_demos/master/files/sparkcluster/docker-compose.yml \
&& wget https://raw.githubusercontent.com/zq2599/blog_demos/master/sparkdockercomposefiles/hadoop.env \
&& docker-compose up -d
```

- 如果您想了解更多优化的细节，例如磁盘如何调整，master和worker开放的web端口如何访问，请参考[《docker下的spark集群，调整参数榨干硬件》](https://blog.csdn.net/boling_cavalry/article/details/87438666)；

- 至此，docker下的spark集群的搭建和体验我们都快速完成了，希望此文能助您快速搭建环境，聚焦业务开发；

### 欢迎关注ITpub：程序员欣宸
> [学习路上，你不孤单，欣宸原创一路相伴...](http://blog.itpub.net/70017844/)

ITPub博客

docker下，极速搭建spark集群(含hdfs集群)

最新文章