Jupyter Notebook Python, Scala, R, Spark, Mesos

时间 2019-11-05

标签 jupyter notebook python scala spark mesos 栏目 Python 繁體版

原文原文链接

在Docker中运行Jupyter/Spark/Mesos服务。html

来源［英］：https://github.com/jupyter/docker-stacks/tree/master/all-spark-notebooknode

Spark on Docker，基于Jupyter Notebook Python, Scala, R, Spark, Mesos技术栈，提供一个远程操做的模型和任务编写Web界面，采用Python界著名的Ipython Notebook格式，很是简洁、友好。python

集成的软件

Jupyter Notebook 4.2.x
Conda Python 3.x 和 Python 2.7.x 环境
Conda R 3.2.x 环境
Scala 2.10.x
pyspark, pandas, matplotlib, scipy, seaborn, scikit-learn 预先安装在Python环境
ggplot2, rcurl 原装在 R 环境
Spark 1.6.0，运行在local模式，或者链接到 Spark workers的集群
Mesos client 0.22 binary that can communicate with a Mesos master
非私有用户名 jovyan (uid=1000, 可配置, 参见相应的选项) 在组 users (gid=100) ，拥有控制权在目录 /home/jovyan 和 /opt/conda
tini 做为容器入口点， start-notebook.sh 做为启动命令
脚本 start-singleuser.sh 做为可选命令，运行Notebook server的single-user实例 , 是 JupyterHub 要求的
Options for HTTPS, password auth, and passwordless sudo

使用方法

使用下面的命令启动一个容器，Web服务在端口 8888，为配置受权（仅限私网内使用，不要配置在互联网和其余公共网上）。git

docker run -d -p 8888:8888 jupyter/all-spark-notebook

通常状况下，须要访问宿主机中的数据资源，使用-v host-path:docker-path方式映射。github

启动后在浏览器输入: http://127.0.0.1:8888便可访问。sql

启动Spark：Local Mode

使用Spark在小型的本地数据环境下的配置。docker

在Python Notebook：

运行一个容器，像上面那样。
打开一个Python 2 或 3 notebook。
建立 SparkContext在 local 模式。

例如，在notebook的第一个cell中，以下:shell

import pyspark
sc = pyspark.SparkContext('local[*]')

# do something to prove it works
rdd = sc.parallelize(range(1000))
rdd.takeSample(False, 5)

在 R Notebook：

运行一个容器，像上面那样。
打开一个 R notebook。
初始化 sparkR，在local模式。
初始化 sparkRSQL。

例如，在 R notebook的第一个cell中，以下:apache

library(SparkR)

sc <- sparkR.init("local[*]")
sqlContext <- sparkRSQL.init(sc)

# do something to prove it works
data(iris)
df <- createDataFrame(sqlContext, iris)
head(filter(df, df$Petal_Width > 0.2))

在Apache Toree (Scala) Notebook：

运行一个容器，像上面那样。
打开一个 Apache Toree (Scala) notebook。
使用预先配置的SparkContext，引用变量 sc。

例如:浏览器

val rdd = sc.parallelize(0 to 999)
rdd.takeSample(false, 5)

链接到Mesos上的 Spark 集群

这里的配置容许你的计算集群和数据一块儿伸缩。

部署 Spark 到 Mesos。
配置每个工做节点 the --no-switch_user flag 或者建立jovyan用户在每个 slave节点上。
运行Docker容器，带参数 --net=host 在全部的Spark Workers都能访问的网络位置(查看 Spark networking requirement.)
- 注意: When using --net=host, you must also use the flags --pid=host -e TINI_SUBREAPER=true. See https://github.com/jupyter/docker-stacks/issues/64 for details.
Follow the language specific instructions below.

In a Python Notebook

打开 Python 2 或 3 notebook.
建立 SparkConf 实例，指向 Mesos master node (or Zookeeper instance) 和 Spark 二进制包的位置。
建立 SparkContext 采用上面的配置变量。

示例, Python 3 notebook的第一个Cell像下面这样：

import os
# make sure pyspark tells workers to use python3 not 2 if both are installed
os.environ['PYSPARK_PYTHON'] = '/usr/bin/python3'

import pyspark
conf = pyspark.SparkConf()

# point to mesos master or zookeeper entry (e.g., zk://10.10.10.10:2181/mesos)
conf.setMaster("mesos://10.10.10.10:5050")
# point to spark binary package in HDFS or on local filesystem on all slave
# nodes (e.g., file:///opt/spark/spark-1.6.0-bin-hadoop2.6.tgz)
conf.set("spark.executor.uri", "hdfs://10.10.10.10/spark/spark-1.6.0-bin-hadoop2.6.tgz")
# set other options as desired
conf.set("spark.executor.memory", "8g")
conf.set("spark.core.connection.ack.wait.timeout", "1200")

# create the context
sc = pyspark.SparkContext(conf=conf)

# do something to prove it works
rdd = sc.parallelize(range(100000000))
rdd.sumApprox(3)

若是使用在notebook和workers中使用Python 2, 修改环境变量PYSPARK_PYTHON 指向Python 2.x 解释器二进制包的位置。若是不设置, 缺省值为 python。

固然, 全部的能够被隐藏在 IPython kernel startup script, 可是 "explicit is better than implicit." :)

在 R Notebook

如上的方法运行一个容器实例。
打开一个 R notebook。
初始化 sparkR ，指向Mesos master node (or Zookeeper instance) ， Spark 二进制包位置。
初始化 sparkRSQL.

示例, 在 R notebook的第一个Cell:

library(SparkR)

# point to mesos master or zookeeper entry (e.g., zk://10.10.10.10:2181/mesos)\
# as the first argument
# point to spark binary package in HDFS or on local filesystem on all slave
# nodes (e.g., file:///opt/spark/spark-1.6.0-bin-hadoop2.6.tgz) in sparkEnvir
# set other options in sparkEnvir
sc <- sparkR.init("mesos://10.10.10.10:5050", sparkEnvir=list(
    spark.executor.uri="hdfs://10.10.10.10/spark/spark-1.6.0-bin-hadoop2.6.tgz",
    spark.executor.memory="8g"
    )
)
sqlContext <- sparkRSQL.init(sc)

# do something to prove it works
data(iris)
df <- createDataFrame(sqlContext, iris)
head(filter(df, df$Petal_Width > 0.2))

在Apache Toree (Scala) Notebook

打开一个终端，经过 New -> Terminal 在notebook 界面上。
添加关于集群的信息到 SPARK_OPTS 环境变量，当运行容器时.
打开一个Apache Toree (Scala) notebook。
使用预先配置的SparkContext，在变量名 sc中。

Apache Toree 内核自动建立了SparkContext，在启动时按照命令行参数和环境变量建立。您能够传递关于你的 Mesos cluster的信息，当启动容器时经过 SPARK_OPTS 环境变量来实现。

例如, 传递的信息：Mesos master, Spark binary location in HDFS, and an executor options, 像下面这样启动容器:

docker run -d -p 8888:8888 -e SPARK_OPTS '--master=mesos://10.10.10.10:5050 \ --spark.executor.uri=hdfs://10.10.10.10/spark/spark-1.6.0-bin-hadoop2.6.tgz \ --spark.executor.memory=8g' jupyter/all-spark-notebook

注意，这跟上面在Python notebook的信息时同样的。一旦内核获得集群的信息, 你能够在Apache Toree notebook测试集群，像下面这样:

// should print the value of --master in the kernel spec
println(sc.master)

// do something to prove it works
val rdd = sc.parallelize(0 to 99999999)
rdd.sum()

Standalone Mode链接到Spark Cluster

经过Standalone Mode链接到 Spark Cluster要求的设置以下:

确认docker image (检查 Dockerfile) 和Spark Cluster被部署、运行的是Spark的同一个版本。
Deploy Spark on Standalone Mode.
运行Docker container 带参数 --net=host 在Spark workers都能访问到的网络位置. (查看 Spark networking requirement.)
- 注意: 当使用 --net=host, 必须同时使用 --pid=host -e TINI_SUBREAPER=true. 查看详情： https://github.com/jupyter/docker-stacks/issues/64 。
特殊语言的指令与上面Mesos里提到的彻底同样, 只是这里的master url 变成相似于这样： spark://10.10.10.10:7077

Notebook 选项

你能够传入 Jupyter command line options ，经过 start-notebook.sh command，在容器启动时设置参数。例如，设置notebook server 基础URL，想下面这样:

docker run -d -p 8888:8888 jupyter/all-spark-notebook start-notebook.sh --NotebookApp.base_url=/some/path

你能够绕开 start-notebook.sh脚本，直接在命令中指定。若是这样, 下面提到的NB_UID 和 GRANT_SUDO 特征将不能工做。具体细节查看Docker Options一节。

Docker Options

你能够定制Docker容器和Notebook Server的执行，经过制定下面的参数：

-e PASSWORD="YOURPASS" - 配置 Jupyter Notebook 要求 password，在非信任的网络上能够组合 USE_HTTPS 使用加密的链接。
-e USE_HTTPS=yes - 配置 Jupyter Notebook接受加密链接。若是 pem 文件（包含 SSL certificate 和 key）未被提供(参见下面), 容器将建立一个self-signed certificate。
-e NB_UID=1000 - 指定jovyan user的uid。对于装载宿主机卷标并制定文件属有权是有用。为了该选项发挥做用, 必须运行容器时带上 --user root. ( 脚本start-notebook.sh 将在调整user id后运行 su jovyan。)
-e GRANT_SUDO=yes - 给予jovyan 用户账号无密码执行 sudo 的权限。在安装操做系统软件包是有用。为了该选项发挥做用, 运行容器时必须使用--user root。(脚本start-notebook.sh 将在添加jovyan 到 sudoers 后运行su jovyan 。) 你应该只在信任该用户或者容器运行在隔离的宿主环境下时才打开这个sudo选项。
-v /some/host/folder/for/work:/home/jovyan/work - 宿主机加载缺省工做目录到宿主机，从而当容器终止或重建时可以保存工做的结果在宿主机中。
-v /some/host/folder/for/server.pem:/home/jovyan/.local/share/jupyter/notebook.pem - 加载SSL certificate plus key为 USE_HTTPS所用。当有一个域的证书而且Notebook Server运行在下面时有用。
-p 4040:4040 - 打开端口用于Spark的运行状态监视，参见 Spark Monitoring and Instrumentation UI. 注意，每个新的spark context建立时赋予一个增量的端口号 (ie. 4040, 4041, 4042, etc.), 而且可能须要打开多个端口。docker run -d -p 8888:8888 -p 4040:4040 -p 4041:4041 jupyter/all-spark-notebook

SSL 证书

在这个Docker镜像中notebook server的配置须要一个 notebook.pem 文件，该文件包含base64编码的SSL key和SSL 证书。该文件还包含其余的证书 (e.g., intermediate 和 root certificates)。

若是你的 key 和 certificate(s) 做为独立的文件, 你须要将它们合并成一个 PEM 文件。做为可选的方式, 你能够建立本身的配置和 Docker镜像，可使用分开的 key 和 certificate 文件。

更多的使用SSL的信息, 参见下面:

例子 docker-stacks/examples 能够获得信息，关于在公共域使用本文的技术栈时如何使用加密证书 Let's Encrypt 。
文件 jupyter_notebook_config.py 包含了本Docker镜像如何建立self-signed certificate的信息。
文档 Jupyter Notebook documentation 包含了一些最佳实践，包括如何运行一个公共 notebook server，大部份内容已经包含在了本镜像中。

Conda 环境设置

缺省的Python 3.x Conda 运行环境安装在 /opt/conda目录下。第二个Python 2.x Conda 环境安装在 /opt/conda/envs/python2目录下。你能够切换到 python2 环境，在shell里面键入命令（这是通用的conda环境切换方法，使用conda create能够建立更多的环境）:

source activate python2

你能够回到缺省的环境，在shell里键入下面的命令:

source deactivate

命令 jupyter, ipython, python, pip, easy_install, 和 conda (以及其它) 在两个环境下都是可用的。一般，你能够安装软件到两个环境中，不管哪个环境是激活的，像下面这样（注意：conda install使用了-n参数指定环境的名称）:

# install a package into the python2 environment
pip2 install some-package
conda install -n python2 some-package

# install a package into the default (python 3.x) environment
pip3 install some-package
conda install -n python3 some-package

JupyterHub

JupyterHub 要求每个用户有一个Jupyter Notebook server的single-user实例。为了使用 JupyterHub 和 DockerSpawner,在本技术栈中，你须要指定容器镜像名称和覆盖缺省的容器run命令，在 jupyterhub_config.py 文件中指定:

# Spawn user containers from this image
c.DockerSpawner.container_image = 'jupyter/all-spark-notebook'

# Have the Spawner override the Docker run command
c.DockerSpawner.extra_create_kwargs.update({
    'command': '/usr/local/bin/start-singleuser.sh'
})