基于Docker快速搭建多节点Hadoop集群


【编者的话】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。

项目已经更新!!!

请查看基于Docker搭建Hadoop集群之升级版

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。

项目                               镜像大小         问题
sequenceiq/hadoop-docker:latest   1.491GB    镜像太大,只支持单个节点
sequenceiq/hadoop-docker:2.7.0    1.76 GB   
sequenceiq/hadoop-docker:2.60     1.624GB   

sequenceiq/ambari:latest          1.782GB    镜像太大,使用太慢,使用复杂
sequenceiq/ambari:2.0.0           4.804GB   
sequenceiq/ambari:latest:1.70     4.761GB   

alvinhenrick/hadoop-mutinode      4.331GB    镜像太大,构建太慢,增加节点麻烦,有bug

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:


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:

镜像名称                     构建时间     镜像层数     镜像大小
alvinhenrick/serf           258.213s    21         239.4MB
alvinhenrick/hadoop-base    2236.055s   58         4.328GB
alvinhenrick/hadoop-dn      51.959s     74         4.331GB
alvinhenrick/hadoop-nn-dn   49.548s     84         4.331GB

镜像名称                     构建时间     镜像层数    镜像大小
kiwenlau/serf-dnsmasq       509.46s     8         206.6 MB
kiwenlau/hadoop-base        400.29s     7         775.4 MB
kiwenlau/hadoop-master      5.41s       9         775.4 MB
kiwenlau/hadoop-slave       2.41s       8         775.4 MB

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。

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,不是因为它最新)
  • 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:hadoop-2.3.0

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
- hadoop-2.5.2
- hadoop-2.6.0
- hadoop-2.7.0

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:
REPOSITORY                                TAG      IMAGE ID        CREATED         VIRTUAL SIZE
index.alauda.cn/kiwenlau/hadoop-slave     0.1.0    d63869855c03    17 hours ago    777.4 MB
index.alauda.cn/kiwenlau/hadoop-master    0.1.0    7c9d32ede450    17 hours ago    777.4 MB
index.alauda.cn/kiwenlau/hadoop-base      0.1.0    5571bd5de58e    17 hours ago    777.4 MB
index.alauda.cn/kiwenlau/serf-dnsmasq     0.1.0    09ed89c24ee8    17 hours ago    206.7 MB
ubuntu                                    15.04    bd94ae587483    3 weeks ago     131.3 MB

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
IMAGE           CREATED             CREATED BY                                      SIZE
2039b9b81146    44 hours ago        /bin/sh -c #(nop) ADD multi:a93c971a49514e787   158.5 MB
cdb620312f30    44 hours ago        /bin/sh -c apt-get install -y openjdk-7-jdk     324.6 MB
da7d10c790c1    44 hours ago        /bin/sh -c apt-get install -y openssh-server    87.58 MB
c65cb568defc    44 hours ago        /bin/sh -c curl -Lso serf.zip https://dl.bint   14.46 MB
3e22b3d72e33    44 hours ago        /bin/sh -c apt-get update && apt-get install    60.89 MB
b68f8c8d2140    3 weeks ago         /bin/sh -c #(nop) ADD file:d90f7467c470bfa9a3   131.3 MB

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。

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:
REPOSITORY                                TAG      IMAGE ID        CREATED         VIRTUAL SIZE
index.alauda.cn/kiwenlau/hadoop-slave     0.1.0    d63869855c03    17 hours ago    777.4 MB
index.alauda.cn/kiwenlau/hadoop-master    0.1.0    7c9d32ede450    17 hours ago    777.4 MB
index.alauda.cn/kiwenlau/hadoop-base      0.1.0    5571bd5de58e    17 hours ago    777.4 MB
index.alauda.cn/kiwenlau/serf-dnsmasq     0.1.0    09ed89c24ee8    17 hours ago    206.7 MB


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:
REPOSITORY                               TAG      IMAGE ID        CREATED         VIRTUAL SIZE
index.alauda.cn/kiwenlau/hadoop-slave    0.1.0    d63869855c03    17 hours ago    777.4 MB
kiwenlau/hadoop-slave                    0.1.0    d63869855c03    17 hours ago    777.4 MB
index.alauda.cn/kiwenlau/hadoop-master   0.1.0    7c9d32ede450    17 hours ago    777.4 MB
kiwenlau/hadoop-master                   0.1.0    7c9d32ede450    17 hours ago    777.4 MB
kiwenlau/hadoop-base                     0.1.0    5571bd5de58e    17 hours ago    777.4 MB
index.alauda.cn/kiwenlau/hadoop-base     0.1.0    5571bd5de58e    17 hours ago    777.4 MB
kiwenlau/serf-dnsmasq                    0.1.0    09ed89c24ee8    17 hours ago    206.7 MB
index.alauda.cn/kiwenlau/serf-dnsmasq    0.1.0    09ed89c24ee8    17 hours ago    206.7 MB

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....

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,但是请最好下载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start-container.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,最好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....


==================================
作者介绍
刘凯(KiwenLau):毕业于中国科学技术大学,目前在日本国立信息学研究所攻读云计算方向的博士学位,近期专注于Docker技术的研究。个人站点:GitHub, 博客

27 个评论

最后一步,运行wordcount的时候,是因为IP错了吗?
错误信息:
Call From master.kiwenlau.com/172.17.0.1 to master.kiwenlau.com:9000 failed on connection exception: java.net.ConnectException: Connection refused; For more details see: http://wiki.apache.org/hadoop/ConnectionRefused
启动容器后要等待一段时间,因为serf和dnsmasq还没有完全启动。应该是域名解析出错吧...
如果仍然出错,请告诉我你的系统版本,内核版本以及Docker版本...如果发现bug,欢迎到GitHub提交修改,谢谢:)
系统是ubuntu12.04.5LTS,内核版本3.13.0-32-generic,docker版本1.6.2。基本跟你的一样,
进到三个容器里看jps,master有NodeManager,ResourceManager,NameNode,SecondaryNameNode,DataNode;
Slave1有NodeManager,DataNode;
Slave2有NodeManager,DataNode。
有可能是out of memory错误
在运行wordcount的时候,新建一个ssh连接查看本机,若是内存不够可以看到提示。
我在运行wordcount的时候遇到过相同的错误提示...结果是out of memory。。
非常赞,
谢谢!
你提交到github的Dockerfile和实际镜像差别太大了吧,有意义么 呵呵
什么意思?呵呵
不同时间使用Dockerfile构建镜像时,镜像大小与原镜像会有差别,因为Dockerfile中要执行"apt-get update"等随时间变化的命令!
马克之!
屌!!
很棒,一次运行成功,而且我也终于在几个网站中找到作者回复最多的了,问一个问题,运行hadoop,如果从容器外的环境访问怎么处理?目前的是把这个集群放一个centos上的docker中,我想从centos,甚至另一台windows的python上怎么访问?
谢谢!
请问,你所指的“访问”是什么意思?在centos上,使用"docker exec"命令可以进入容器内部。至于夸机器的访问,我也不清楚如何实现,毕竟,容器与windows不在同一个局域网。
谢谢,我现在的环境是windows、centos在一个局域网,然后又在centos中用docker跑了这个hadoop集群,想用windows做为这个集群的开发客户端,在windows上装了eclipse、python这样的开发工具。
启动容器的时候报错了 ,已经在git上提交issue
https://github.com/kiwenlau/hadoop-cluster-docker/issues/2
启动master容器时,做一下端口映射,这样就可以在windows上的eclipse中访问centos上的hadoop集群了...

至于映射哪个端口,怎样映射可以自行搜索....
安装启动容器都很顺利,就是跑hadoop超慢,hadoop fs -ls 都要花上几分钟,docker(1.9 nightly版)跑在高配笔记本上的Virtualbox VM,性能应不差。刚开始看Hadoop,哪里可能出错了?
写的很好很详细,设计的也很好,十分有用!!
你好,我想问一下,怎么实现master和slave不同容器的免密码登陆的,我只看到可以免密码登陆自身,谢谢!
你好,启动容器时报错 Container master is not running
CONTAINER ID IMAGE COMMAND CREATED STAT US PORTS NAMES
e1cdc39acc5f kiwenlau/hadoop-slave:0.1.0 "/bin/sh -c ''/root/s" 27 seconds ago Crea ted slave2
215361afef23 kiwenlau/hadoop-slave:0.1.0 "/bin/sh -c ''/root/s" 36 seconds ago Crea ted slave1
8525f2257d81 kiwenlau/hadoop-master:0.1.0 "/bin/sh -c ''/root/s" 44 seconds ago Crea ted master
0f806ebd37b4 hypriot/rpi-busybox-httpd "/bin/busybox httpd -" 13 minutes ago Exit ed (137) 7 minutes ago 0.0.0.0:32768->80/tcp gigantic_williams
能帮忙解决一下吗
博主的这个可以在多台主机上搭建吗,该怎么配置呢???
同问。怎么将master和slave放在不同的机器上
看了你的start-container.sh,是不是用你的镜像在别的机器上创建slave容器就能达到多台机器部署的目的
你好,pull镜像的时候报错提示资源已经不存在了。。。
感谢楼主分享!顺带吐槽下楼上有些人语气!

要回复文章请先登录注册