本文是在Kubernets上搭建Spark集群的操作指南，同時提供了Spark測試任務(wù)及相關(guān)的測試數(shù)據(jù)，通過閱讀本文，你可以實踐從制作Spark鏡像、搭建Spark容器集群，到在集群上運行測試任務(wù)的完整流程。

Yarn曾經(jīng)是Hadoop默認的資源編排管理平臺。但最近情況有所變化，特別是對于Hadoop中的Spark，由于其與S3等其他存儲平臺集成得很好，而與Hadoop生態(tài)中其他組件反而沒有太緊密的關(guān)聯(lián)，因此Kubernetes正迅速替代Yarn，成為基于對象存儲的Spark系統(tǒng)的默認編排管理平臺。在這篇文章中，我們將深入研究如何在Kubernetes集群上構(gòu)建和部署Spark容器。由于Spark的運行依賴于數(shù)據(jù)，我們將配置Spark集群通過S3 API進行存儲操作。 

構(gòu)建Spark容器

在Kubernetes上部署應(yīng)用的第一步，是創(chuàng)建容器。雖然有些項目會提供官方的容器鏡像，但截止到寫此文時，Apache Spark并沒有提供官方鏡像。因此我們將自己創(chuàng)建Spark容器，讓我們從Dockerfile開始。

FROM java:openjdk-8-jdk  
  
ENV hadoop_ver 2.8.2  
ENV spark_ver 2.4.4  
  
RUN mkdir -p /opt && \  
cd /opt && \  
curl http://archive.apache.org/dist/hadoop/common/hadoop-${hadoop_ver}/hadoop-${hadoop_ver}.tar.gz | \  
    tar -zx && \  
ln -s hadoop-${hadoop_ver} hadoop && \  
echo Hadoop ${hadoop_ver} installed in /opt  
  
RUN mkdir -p /opt && \  
cd /opt && \  
curl http://archive.apache.org/dist/spark/spark-${spark_ver}/spark-${spark_ver}-bin-without-hadoop.tgz | \  
    tar -zx && \  
ln -s spark-${spark_ver}-bin-without-hadoop spark && \  
echo Spark ${spark_ver} installed in /opt  
  
ENV SPARK_HOME=/opt/spark  
ENV PATH=$PATH:$SPARK_HOME/bin  
ENV HADOOP_HOME=/opt/hadoop  
ENV PATH=$PATH:$HADOOP_HOME/bin  
ENV LD_LIBRARY_PATH=$HADOOP_HOME/lib/native  
  
RUN curl http://central.maven.org/maven2/org/apache/hadoop/hadoop-aws/2.8.2/hadoop-aws-2.8.2.jar -o /opt/spark/jars/hadoop-aws-2.8.2.jar  
RUN curl http://central.maven.org/maven2/org/apache/httpcomponents/httpclient/4.5.3/httpclient-4.5.3.jar -o /opt/spark/jars/httpclient-4.5.3.jar  
RUN curl http://central.maven.org/maven2/joda-time/joda-time/2.9.9/joda-time-2.9.9.jar -o /opt/spark/jars/joda-time-2.9.9.jar  
RUN curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk-core/1.11.712/aws-java-sdk-core-1.11.712.jar -o /opt/spark/jars/aws-java-sdk-core-1.11.712.jar  
RUN curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk/1.11.712/aws-java-sdk-1.11.712.jar -o /opt/spark/jars/aws-java-sdk-1.11.712.jar  
RUN curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk-kms/1.11.712/aws-java-sdk-kms-1.11.712.jar -o /opt/spark/jars/aws-java-sdk-kms-1.11.712.jar  
RUN curl http://central.maven.org/maven2/com/amazonaws/aws-java-sdk-s3/1.11.712/aws-java-sdk-s3-1.11.712.jar -o /opt/spark/jars/aws-java-sdk-s3-1.11.712.jar  
  
ADD start-common.sh start-worker start-master /  
ADD core-site.xml /opt/spark/conf/core-site.xml  
ADD spark-defaults.conf /opt/spark/conf/spark-defaults.conf  
ENV PATH $PATH:/opt/spark/bin  

在這個Dockerfile中，我們首先從官方地址下載Apache Spark和Hadoop，然后從Maven獲取關(guān)聯(lián)的jar包。當(dāng)所有關(guān)聯(lián)的文件都已經(jīng)下載并解壓到一個特定的目錄后，我們將這些重要的配置文件添加到鏡像中。

在這個過程中，你可以很方便的添加自己環(huán)境特有的配置。

原本我們可以跳過以上步驟，直接使用一個預(yù)先構(gòu)建好的鏡像，但是通過解讀這些步驟可以讓我們的讀者看到Spark容器內(nèi)部的內(nèi)容，高級用戶可以據(jù)此修改來滿足他們特殊的需求。

以上示例中使用到的Dockerfile和其他關(guān)聯(lián)的配置文件，可以從這個GitHub倉庫中獲取。如果要使用這個倉庫中的內(nèi)容，請先使用以下命令將其克隆到本地：

git clone git@github.com:devshlabs/spark-kubernetes.git 

現(xiàn)在，你可以根據(jù)需要在你的環(huán)境中進行任何更改，然后構(gòu)建鏡像，并上傳到你使用的容器注冊表中。在本文的示例中，我使用Dockerhub作為容器注冊表，命令如下：

cd spark-kubernetes/spark-container  
docker build . -t mydockerrepo/spark:2.4.4  
docker push mydockerrepo/spark:2.4.4 

記得將其中的mydockerrepo替換為你實際的注冊表名字。

在Kubernetes上部署Spark

至此，Spark容器鏡像已經(jīng)構(gòu)建好，并可以拉取使用了。讓我們使用此鏡像來部署Spark Master和Worker。第一步是創(chuàng)建Spark Master。我們將使用Kubernetes ReplicationController創(chuàng)建Spark Master。在本文的示例中，我僅用單實例創(chuàng)建Spark Master。而在有HA需求的生產(chǎn)環(huán)境中，你可能需要將副本數(shù)設(shè)置為3或者以上。

kind: ReplicationController  
apiVersion: v1  
metadata:  
name: spark-master-controller  
spec:  
replicas: 1  
selector:  
component: spark-master  
template:  
metadata:  
  labels:  
    component: spark-master  
spec:  
  hostname: spark-master-hostname  
  subdomain: spark-master-headless  
  containers:  
    - name: spark-master  
      image: mydockerrepo/spark:2.4.4  
      imagePullPolicy: Always  
      command: ["/start-master"]  
      ports:  
        - containerPort: 7077  
        - containerPort: 8080  
      resources:  
        requests:  
          cpu: 100m  

為了使Spark Worker節(jié)點可以發(fā)現(xiàn)Spark Master節(jié)點，我們還需要創(chuàng)建headless服務(wù)。當(dāng)你從GitHub倉庫完成克隆，并進入spark-kubernetes目錄后，就可以啟動Spark Master服務(wù)了，命令如下：

kubectl create -f spark-master-controller.yaml  
kubectl create -f spark-master-service.yaml  

現(xiàn)在，確保Master節(jié)點和所有的服務(wù)都正常運行，然后就可以開始部署Worker節(jié)點了。Spark Worker的副本數(shù)設(shè)置為2，你可以根據(jù)需要修改。Worker啟動命令如下：kubectl create -f spark-worker-controller.yaml最后，通過以下命令確認是否所有服務(wù)都正常運行：kubectl get all執(zhí)行以上命令，你應(yīng)該可以看到類似下面的內(nèi)容：

NAME                               READY     STATUS    RESTARTS   AGE  
po/spark-master-controller-5rgz2   1/1       Running   0          9m  
po/spark-worker-controller-0pts6   1/1       Running   0          9m  
po/spark-worker-controller-cq6ng   1/1       Running   0          9m  
  
NAME                         DESIRED   CURRENT   READY     AGE  
rc/spark-master-controller   1         1         1         9m  
rc/spark-worker-controller   2         2         2         9m  
  
NAME               CLUSTER-IP      EXTERNAL-IP   PORT(S)             AGE  
svc/spark-master   10.108.94.160           7077/TCP,8080/TCP   9m  

向Spark集群提交Job

現(xiàn)在讓我們提交一個Job，看看是否執(zhí)行正常。不過在此之前，你需要一個有效的AWS S3賬戶，以及存有樣本數(shù)據(jù)的桶存在。我使用了Kaggle下載樣本數(shù)據(jù)，樣本數(shù)據(jù)可以從https://www.kaggle.com/datasna ... s.csv獲取，獲取以后需要上傳到S3的桶里。假定桶名是s3-data-bucket，那么樣本數(shù)據(jù)文件則位于s3-data-bucket/data.csv。數(shù)據(jù)準備好以后，將其加載到一個Spark master pod中執(zhí)行。以Pod名為spark-master-controller-5rgz2為例，命令如下：kubectl exec -it spark-master-controller-v2hjb /bin/bash如果你登錄進入了Spark系統(tǒng)，可以運行Spark Shell：

export SPARK_DIST_CLASSPATH=$(hadoop classpath)  
spark-shell  
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://192.168.132.147:4040  
Spark context available as 'sc' (master = spark://spark-master:7077, app id = app-20170405152342-0000).  
Spark session available as 'spark'.  
Welcome to  
  ____              __  
 / __/__  ___ _____/ /__  
_\ \/ _ \/ _ `/ __/  '_/  
/___/ .__/\_,_/_/ /_/\_\   version 2.4.4  
  /_/  
  
Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_221)  
Type in expressions to have them evaluated.  
Type :help for more information.  
  
scala>  

現(xiàn)在讓我們告訴Spark Master，S3存儲的詳細信息，在上文所示的Scale提示符中輸入以下配置：

sc.hadoopConfiguration.set("fs.s3a.endpoint", "https://s3.amazonaws.com")  
sc.hadoopConfiguration.set("fs.s3a.access.key", "s3-access-key")  
sc.hadoopConfiguration.set("fs.s3a.secret.key", "s3-secret-key")  

現(xiàn)在，只需將以下內(nèi)容粘貼到Scala提示符中，以提交Spark Job(請記得修改S3相關(guān)字段)：

import org.apache.spark._  
import org.apache.spark.rdd.RDD  
import org.apache.spark.util.IntParam  
import org.apache.spark.sql.SQLContext  
import org.apache.spark.graphx._  
import org.apache.spark.graphx.util.GraphGenerators  
import org.apache.spark.mllib.regression.LabeledPoint  
import org.apache.spark.mllib.linalg.Vectors  
import org.apache.spark.mllib.tree.DecisionTree  
import org.apache.spark.mllib.tree.model.DecisionTreeModel  
import org.apache.spark.mllib.util.MLUtils  
  
val conf = new SparkConf().setAppName("YouTube")  
val sqlContext = new SQLContext(sc)  
  
import sqlContext.implicits._  
import sqlContext._  
  
val youtubeDF = spark.read.format("csv").option("sep", ",").option("inferSchema", "true").option("header", "true").load("s3a://s3-data-bucket/data.csv")  
  
youtubeDF.registerTempTable("popular")  
  
val fltCountsql = sqlContext.sql("select s.title,s.views from popular s")  
fltCountsql.show()  

最后，你可以使用kubectl patch command命令更新Spark部署。比如，你可以在負載較高時添加更多工作節(jié)點，然后在負載下降后刪除這些工作節(jié)點。