搭建Spark集群？没想到你是这样的k8s

在本文的例子中，你将使用 Kubernetes 和 Docker 建立一个功能型Apache Spark集群。

你将使用Spark standalone模式 安装一个 Spark master服务和一组Spark workers。

对于已熟悉这部份内容的读者，能够直接跳到 tl;dr 章节。

源代码

Docker 镜像主要基于 https://github.com/mattf/dock...。 源码托管在 https://github.com/kubernetes...

步骤零：准备工做

本示例假定你已经具有如下条件：

● 有已安装并运行的 kubernetes集群。
● 已在某个path路径中安装了kubectl 命令行工具。
● 已运行了一个spark-master的k8s service，可使用‘spark-master’域名在kube DNS实例中自动发现该服务。

更多详细内容可在源码的Dockerfile中查看。

第一步：建立命名空间

$ kubectl create -f examples/spark/namespace-spark-cluster.yaml

如今列出全部命名空间：

$ kubectl get namespaces
NAME          LABELS             STATUS
default       <none>             Active
spark-cluster name=spark-cluster Active

对于kubectl 客户端使用的命名空间，咱们定义一个环境并使用它：

$ kubectl config set-context spark --namespace=spark-cluster --cluster=${CLUSTER_NAME} --user=${USER_NAME}
$ kubectl config use-context spark

你能够在Kubernetes配置文件~/.kube/config中查看集群名称以及用户名称。

第二步：启动你的master服务

Master service 是 Spark集群的master服务。
使用 examples/spark/spark-master-controller.yaml 文件来建立一个replication controller 运行Spark Master服务。

$ kubectl create -f examples/spark/spark-master-controller.yaml
replicationcontroller "spark-master-controller" created

而后，用examples/spark/spark-master-service.yaml 文件来建立一个逻辑上的服务端点，Spark workers可使用该服务来访问Master pod

$ kubectl create -f examples/spark/spark-master-service.yaml
service "spark-master" created

而后你能够为Spark Master WebUI 建立一个服务：

$ kubectl create -f examples/spark/spark-webui.yaml
service "spark-webui" created

查看 Master 是否能运行和可访问

$ kubectl get podsNAME                            READY     STATUS    RESTARTS   AGEspark-master-controller-5u0q5   1/1       Running   0          8m

检查日志以查看master的状态。（使用上一条指令输出的pod名称）

{{{$ kubectl logs spark-master-controller-5u0q5
starting org.apache.spark.deploy.master.Master, logging to /opt/spark
-1.5.1-bin-hadoop2.6/sbin/../logs/spark--org.apache.spark.deploy.master.
- Master-1-spark-
master-controller-g0oao.out
Spark Command: /usr/lib/jvm/java-8-openjdk-amd64/jre/bin/java -cp /
opt/spark-1.5.1-bin-hadoop2.6/sbin/../conf/:/opt/spark-1.5.1-bin-
hadoop2.6/lib/spark-assembly-1.5.1-hadoop2.6.0.jar:/opt/spark-1.5.1
-bin-hadoop2.6/lib/datanucleus-rdbms-3.2.9.jar:/opt/spark-1.5.1-bin
- -hadoop2.6/lib/datanucleus-core-3.2.10.jar:/opt/spark-1.5.1-bin-
- hadoop2.6/lib/datanucleus-api-jdo-3.2.6.jar -Xms1g -Xmx1g org.apache.spark.deploy.master.Master --ip spark-master --port 7077
-  --webui-port 8080
========================================
15/10/27 21:25:05 INFO Master: Registered signal handlers for 
[TERM, HUP, INT]
15/10/27 21:25:05 INFO SecurityManager: Changing view acls to: root
15/10/27 21:25:05 INFO SecurityManager: Changing modify acls to: root
15/10/27 21:25:05 INFO SecurityManager: SecurityManager: authentication 
disabled; ui acls disabled; users with view permissions: Set(root); users with 
modify permissions: Set(root)
15/10/27 21:25:06 INFO Slf4jLogger: Slf4jLogger started
15/10/27 21:25:06 INFO Remoting: Starting remoting
15/10/27 21:25:06 INFO Remoting: Remoting started; listening on addresses :[akka.tcp://sparkMaster@spark-master:7077]
15/10/27 21:25:06 INFO Utils: Successfully started service 'sparkMaster' on port 
7077.
15/10/27 21:25:07 INFO Master: Starting Spark master at spark://spark-master:
7077
15/10/27 21:25:07 INFO Master: Running Spark version 1.5.1
15/10/27 21:25:07 INFO Utils: Successfully started service 'MasterUI' on 
port 8080.
15/10/27 21:25:07 INFO MasterWebUI: Started MasterWebUI at http://
spark-master:8080
15/10/27 21:25:07 INFO Utils: Successfully started service on port 6066.
15/10/27 21:25:07 INFO StandaloneRestServer: Started REST server for
 submitting applications on port 6066
15/10/27 21:25:07 INFO Master: I have been elected leader! New state: ALIVE}}}

确认master正常运行后，你可使用k8s集群代理访问Spark WebUI：

kubectl proxy --port=8001

此时能够经过http://localhost:8001/api/v1/...访问UI

第三步：启动 Spark workers

Spark workers 在 Spark 集群中扮演十分重要的角色。他们为程序提供执行资源和数据缓存功能。

Spark workers 须要 Master service处于运行状态。

使用examples/spark/spark-worker-controller.yaml 文件建立一个replication controller来管理 worker pods 。

$ kubectl create -f examples/spark/spark-worker-controller.yaml
replicationcontroller "spark-worker-controller" created

查看 workers 是否正常运行

若是你启动Spark WebUI，当worker就绪后应该出如今UI 中。（这可能须要一些时间来拉取镜像并启动pods。）你也能够用如下方式查询状态：

$ kubectl get pods
NAME                            READY     STATUS    RESTARTS   AGE
spark-master-controller-5u0q5   1/1       Running   0          25m
spark-worker-controller-e8otp   1/1       Running   0          6m
spark-worker-controller-fiivl   1/1       Running   0          6m
spark-worker-controller-ytc7o   1/1       Running   0          6m
$ kubectl logs spark-master-controller-5u0q5
[...]
15/10/26 18:20:14 INFO Master: Registering worker 10.244.1.13:53567 
with 2 cores, 6.3 GB RAM
15/10/26 18:20:14 INFO Master: Registering worker 10.244.2.7:46195
 with 2 cores, 6.3 GB RAM
15/10/26 18:20:14 INFO Master: Registering worker 10.244.3.8:39926 
with 2 cores, 6.3 GB RAM

假如上一节中kubectl proxy仍在运行，你应该也能在UI中看到workers。注：UI 将含有到 worker Web UI的超连接。 这些连接是不能正常工做的（连接将尝试链接到集群IP，而Kubernetes不会自动代理的集群IP）。

第四步：在 Spark 集群中启动 Zeppelin UI来加载工做任务

Zeppelin UI pod能够用来在Spark集群加载jobs，加载操做既能够经过web端的笔记本完成，也能够经过传统的Spark命令行方式完成。更多细节见 Zeppelin和 Spark architecture架构。

$ kubectl create -f examples/spark/zeppelin-controller.yaml
replicationcontroller "zeppelin-controller" created

Zeppelin 须要 Master service处于运行状态。

查看 Zeppelin 是否正常运行

$ kubectl get pods -l component=zeppelin
NAME                        READY     STATUS    RESTARTS   AGE
zeppelin-controller-ja09s   1/1       Running   0          53s

第五步：操做集群

如今你有两个选择：能够经过图形界面访问Spark 集群，也能够保持使用CLI。

快速使用pyspark

使用 kubectl exec链接到Zeppelin 驱动并运行pipeline。

使用 kubectl exec链接到Zeppelin 驱动并运行pipeline。

$ kubectl exec zeppelin-controller-ja09s -it pyspark
Python 2.7.9 (default, Mar  1 2015, 12:57:24)
[GCC 4.9.2] on linux2
Type "help", "copyright", "credits" or "license" for more
 information.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 1.5.1
      /_/
Using Python version 2.7.9 (default, Mar  1 2015 12:57:24)
SparkContext available as sc, HiveContext available as sqlContext.
>>> sc.textFile("gs://dataflow-samples/shakespeare/*").map
(lambda s: len(s.split())).sum()
939193

恭喜你，你把全部莎士比亚戏剧中的单词个数统计出来了。

使用图形界面，亮瞎你的眼！

使用以前建立的Zeppelin pod，设置WebUI的转发端口：

$ kubectl port-forward zeppelin-controller-ja09s 8080:8080

这条指令将访问localhost 8080端口的请求转发到容器中的8080端口。而后你能够经过https://localhost:8080/ 访问Zeppelin。

建立一个“New Notebook”。在其中输入：

%pyspark
print sc.textFile("gs://dataflow-samples/shakespeare/*").map
(lambda s: len(s.split())).sum()

结论

如今你已为Spark master，Spark workers 和 Spark driver建立了service和replication controller。你能够用这个例子来进行下一步，并开始使用刚才建立的Apache Spark集群，更多信息见Spark 文档。

tl;dr

kubectl create -f examples/spark

设置后：

kubectl get pods # Make sure everything is running
kubectl proxy --port=8001 # Start an application proxy, if you want
 to see the Spark Master WebUI
kubectl get pods -lcomponent=zeppelin # Get the driver pod to interact
 with.

此时Master UI 能够经过http://localhost:8001/api/v1/...访问。

你能够经过kubectl exec使用传统的spark-shell / spark-subsubmit / pyspark 命令行与Spark 集群进行交互，或者若是你想与Zeppelin交互：

kubectl port-forward zeppelin-controller-abc123 8080:8080 &
kubectl port-forward zeppelin-controller-abc123 8080:8080 &

而后访问http://localhost:8080/

使用Spark 的已知问题

● 该方案提供了一个仅限于集群网络的Spark 配置，这意味着Spark master 只能经过集群service访问。若是你须要在 zeppelin pod 中使用除了Zeppelin 或spark-submit 以外的外部客户端来提交 jobs ，你须要为客户端提供一种访问examples/spark/spark-master-service.yaml 的方式。参见service以了解更多信息。

使用 Zeppelin 的已知问题

● Zeppelin pod 很大，所以拉取镜像可能会消耗一段时间，拉取速度取决于你的网络条件。Zeppelin pod 的尺寸是咱们正要解决的问题，详见问题# 17231。
● 第一次运行Zeppelin 时， pipeline可能会花费不少时间（约一分钟）。彷佛须要至关多的时间来加载。
● 在GKE环境中， kubectl port-forward 不可能长时间保持稳定状态。若是你发现Zeppelin变成断开状态，port-forward极可能出现故障，并须要重启。详见# 12179。

本文由时速云翻译，如若转载，需注明转载自“时速云”
原文连接：
https://github.com/kubernetes...