Docker搭建大数据集群 Hadoop Spark HBase Hive Zookeeper Scala

Docker搭建大数据集群

给出一个完全分布式hadoop+spark集群搭建完整文档，从环境准备（包括机器名，ip映射步骤，ssh免密，Java等）开始，包括zookeeper,hadoop,hive,spark，eclipse/idea安装全过程，3-4节点，集群部署自己确定，比如集群涉及的多种角色namenode，secondary namenode, datanode,resourcemanager等的节点分配，并用表格形式给出。给出可访问的ip,用户名密码。（阿里云直接给公网ip，校园网需给公网和校园网ip）。

（1）本机系统设置

电脑设置虚拟缓存（设置为自动管理）

虚拟机设置内存和CPU

内存设置为8G（或以上）

CPU稍微设置高一点（三个虚拟化能开就开）

虚拟机系统配置阿里源

wget -O /etc/yum.repos.d/CentOS-Base.repo https://mirrors.aliyun.com/repo/Centos-7.repo

虚拟机更新包

yum update

（2）安装Docker

移除以前docker相关包

sudo yum remove docker \
                  docker-client \
                  docker-client-latest \
                  docker-common \
                  docker-latest \
                  docker-latest-logrotate \
                  docker-logrotate \
                  docker-engine

添加yum源

sudo yum install -y yum-utils
 
sudo yum-config-manager \
--add-repo \
http://mirrors.aliyun.com/docker-ce/linux/centos/docker-ce.repo

安装docker

sudo yum install -y docker-ce docker-ce-cli containerd.io

启动Docker

systemctl enable docker --now

配置docker下载镜像

sudo mkdir -p /etc/docker
 
sudo tee /etc/docker/daemon.json <<-'EOF'
{
  "registry-mirrors": ["https://82m9ar63.mirror.aliyuncs.com"],
  "exec-opts": ["native.cgroupdriver=systemd"],
  "log-driver": "json-file",
  "log-opts": {
    "max-size": "100m"
  },
  "storage-driver": "overlay2"
}
EOF
 
sudo systemctl daemon-reload
 
sudo systemctl restart docker

（3）安装Hadoop

拉取hadoop镜像

docker pull registry.cn-shenzhen.aliyuncs.com/jonil/hadoop:base

（4）运行容器

指定docker内部网络

docker network create --driver=bridge --subnet=172.19.0.0/16  hadoop

创建时最好指定容器端口号映射。10000端口为hiveserver端口，后面本地客户端要通过beeline连接hive使用，有其他组件要安装的话可以提前把端口都映射出来，毕竟后面容器运行后再添加端口还是有点麻烦的。

建立Master容器

docker run -it --network hadoop -h Master --name Master -p 9870:9870 -p 8088:8088 -p 10000:10000 registry.cn-shenzhen.aliyuncs.com/jonil/hadoop:base bash

提示：CTRL + D 退出容器

docker exec -it [容器名] bash

建立Slave1容器

docker run -it --network hadoop -h Slave1 --name Slave1 registry.cn-shenzhen.aliyuncs.com/jonil/hadoop:base bash

建立Slave2容器

docker run -it --network hadoop -h Slave2 --name Slave2 registry.cn-shenzhen.aliyuncs.com/jonil/hadoop:base bash

三台机器修改hosts

vim /etc/hosts
 
//修改为以下格式
172.19.0.2	Master
172.19.0.3	Slave1
172.19.0.4	Slave2

提示：每个容器的ip都需要通过命令ifconfig查看，或者在创建的时候通过‘ --ip ’指定ip地址

docker查看运行中的容器

docker ps

确保三个容器都在运行，不然后续的步骤无法进行，最好每个容器开一个终端

进入Master容器

docker exec -it Master /bin/bash

格式化hdfs

hadoop namenode -format

启动hadoop所有服务

tart-all.sh

提示：虽然容器里面已经把 hadoop 路径配置在系统变量里面，但由于docker和linux的特殊性，每次进入需要运行以下命令才能生效使用。

source /etc/profile

小黄象页面

文件网站

查看分布式文件分布状态

hdfs dfsadmin -report

运行结果

Live datanodes (3):
 
Name: 172.19.0.2:9866 (Master)
Hostname: Master
Decommission Status : Normal
Configured Capacity: 19001245696 (17.70 GB)
DFS Used: 4096 (4 KB)
Non DFS Used: 7302295552 (6.80 GB)
DFS Remaining: 11698946048 (10.90 GB)
DFS Used%: 0.00%
DFS Remaining%: 61.57%
Configured Cache Capacity: 0 (0 B)
Cache Used: 0 (0 B)
Cache Remaining: 0 (0 B)
Cache Used%: 100.00%
Cache Remaining%: 0.00%
Xceivers: 1
Last contact: Sun Nov 07 02:27:39 GMT 2021
Last Block Report: Sun Nov 07 02:26:03 GMT 2021
Num of Blocks: 0
//其余节点省略

运行实例测试hadoop集群运行状况

分布式实例

//创建目录
hdfs dfs -mkdir -p /user/hadoop
//创建目录
hdfs dfs -mkdir /input
//放置文件
hdfs dfs -put /usr/local/hadoop/etc/hadoop/*.xml /input
//运行mapreduce实例
hadoop jar /usr/local/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.2.1.jar grep /input /output 'dfs[a-z.]+'
//查看结果
hdfs dfs -cat /output/*

运行结果

2021-11-07 02:45:31,924 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false
1	dfsadmin
1	dfs.replication
1	dfs.namenode.name.dir
1	dfs.namenode.data.dir

（5）安装Hive

下载Hive-3.1.2

https://dlcdn.apache.org/hive/hive-3.1.2/

将文件复制到虚拟机后上传到容器内

docker cp apache-hive-3.1.2-bin.tar.gz Master:/usr/local

进入Master容器，解压文件

tar -zvxf apache-hive-3.1.2-bin.tar.gz

修改配置文件

cd /usr/local/apache-hive-3.1.2-bin/conf
cp hive-default.xml.template hive-site.xml
vim hive-site.xml

追加文件内容，保存后退出

<property>
    <name>system:java.io.tmpdir</name>
    <value>/tmp/hive/java</value>
</property>
<property>
    <name>system:user.name</name>
    <value>${user.name}</value>
</property>

配置hive相关环境变量

vim /etc/profile
export HIVE_HOME="/usr/local/apache-hive-3.1.2-bin"
export PATH=$PATH:$HIVE_HOME/bin

最后刷新配置文件

source /etc/profile

（6）配置MySQL作为元数据库

拉取MySQL镜像

docker pull mysql:8.0.22

建立mysql容器（注意：这里的ip对应mysql_hive的ip）

docker run --name mysql_hive -p 4306:3306 --net hadoop --ip 172.19.0.5 -v /root/mysql:/var/lib/mysql -e MYSQL_ROOT_PASSWORD=abc123456 -d mysql:8.0.22

进入该容器

docker exec -it mysql_hive bash

进入mysql，密码是abc123456，可以在创建的时候通过“ -e MYSQL_ROOT_PASSWORD= ”更改

mysql -uroot -p

创建hive数据库

create database hive;

修改远程连接权限

ALTER USER 'root'@'%' IDENTIFIED WITH mysql_native_password BY 'abc123456';

返回Master容器

docker exec -it Master bash

修改关联数据库的配置

vim /usr/local/apache-hive-3.1.2-bin/conf/hive-site.xml

提示：hive配置文件里面使用 & 作为分隔，高版本mysql需要SSL验证，在这里设置关闭

• 设置数据库驱动
• 设置数据库地址
• 设置数据库用户
• 设置数据库密码

<property>
  <name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://172.19.0.5:3306/hive?createDatabaseIfNotExist=true&amp;useSSL=false</value>
  <description>JDBC connect string for a JDBC metastore</description>
</property>
<property>
  <name>javax.jdo.option.ConnectionDriverName</name>
  <value>com.mysql.jdbc.Driver</value>
</property>
<property>
  <name>javax.jdo.option.ConnectionUserName</name>
  <value>root</value>
</property>
<property>
  <name>javax.jdo.option.ConnectionPassword</name>
  <value>abc123456</value>
</property>
<property>
  <name>hive.metastore.schema.verification</name>
  <value>false</value>
</property>

下载MySQL驱动

https://downloads.mysql.com/archives/c-j/

把下载的驱动解压，然后复制myslq驱动到hive的lib文件夹下

docker cp mysql-connector-java-8.0.22.jar Master:usr/local/apache-hive-3.1.2-bin/lib

确认jar包在对应的目录下

对hive的lib文件夹下部分文件做修改，防止初始化数据库的时候报错

slf4j这个包hadoop及hive两边只能有一个，这里删掉hive这边

cd /usr/local/apache-hive-3.1.2-bin/lib
rm log4j-slf4j-impl-2.10.0.jar 

guava这个包hadoop及hive两边只删掉版本低的那个，把版本高的复制过去，这里删掉hive，复制hadoop的过去

cd /usr/local/hadoop/share/hadoop/common/lib
cp guava-27.0-jre.jar /usr/local/apache-hive-3.1.2-bin/lib
rm /usr/local/apache-hive-3.1.2-bin/lib/guava-19.0.jar

初始化元数据库

cd /usr/local/apache-hive-3.1.2-bin/bin
./schematool -dbType mysql -initSchema

验证hive是否正确搭建

创建测试数据文件

cd /usr/local
vim test.txt
//输入以下内容
1,jack
2,ben
3,sam

进入hive交互界面

hive

创建表格

create table test(
    > id int,name string
    > )
    > row format delimited
    > fields terminated by ',';

载入数据

load data local inpath '/usr/local/test.txt' into table test;

选择数据

select * from test;

（7）安装ZooKeeper

下载ZooKeeper

https://archive.apache.org/dist/zookeeper/zookeeper-3.7.0/

在容器外复制到容器内

docker cp apache-zookeeper-3.7.0-bin.tar.gz Master:/usr

解压zookeeper压缩包

tar -zxvf apache-zookeeper-3.7.0-bin.tar.gz

改名

mv apache-zookeeper-3.7.0-bin/ zookeeper

创建两个工作目录，并对两个工作目录进行权限开放

cd /usr/zookeeper
mkdir zkdata
mkdir zkdatalog
chmod 777 zkdata
chmod 777 zkdatalog

修改配置文件

cd /usr/zookeeper/conf
mv zoo_sample.cfg zoo.cfg
vim zoo.cfg
//修改或追加以下内容
dataDir=/usr/zookeeper/zkdata
dataLogDir=/usr/zookeeper/zkdatalog
server.1=Master:2888:3888
server.2=Slave1:2888:3888
server.3=Slave2:2888:3888

进入zkdata文件夹，创建文件myid

cd zkdata
vim myid
1

Slave1的myid为2

Slave2的myid为3

---

修改环境变量

#zookeeper
export ZOOKEEPER_HOME=/usr/zookeeper
export PATH=$PATH:$ZOOKEEPER_HOME/bin

刷新环境变量

source /etc/profile

其他两个容器也执行以上操作

启动zookeeper集群

zkServer.sh start

查看zookeeper集群状态

zkServer.sh status

关闭zookeeper集群

zkServer.sh stop

---

---

至此zookeeper安装完成

（8）安装HBase

下载HBase

http://archive.apache.org/dist/hbase/2.2.6/

复制HBase镜像到Master容器

docker cp hbase-2.2.6-bin.tar.gz Master:/usr/local

配置HBase环境变量

docker exec -ti Master bash
vim /etc/profile
追加以下内容
#hbase
export HBASE_HOME=/usr/local/hbase
export PATH=$HBASE_HOME/bin:$PATH

刷新源文件

source /etc/profile

复制/usr/local/hadoop/etc/hadoop下的core-site.xml和hdfs-site.xml到/usr/local/hbase/conf文件夹下

cd /usr/local/hadoop/etc/hadoop
cp core-site.xml /usr/local/hbase/conf/
cp hdfs-site.xml /usr/local/hbase/conf/
cd /usr/local/hbase/conf
vim hbase-site.xml

配置hbase-site.xml

提示：hbase.zookeeper.property.dataDir这里配置自己的文件地址，不要直接复制这里的

<property>
    <name>hbase.rootdir</name>
    <value>hdfs://Master:9000/hbase</value>
</property>
<property>
    <name>hbase.cluster.distributed</name>
    <value>true</value> 
</property>
<property>
    <name>hbase.zookeeper.quorum</name>
    <value>Master,Slave1,Slave2</value>
</property> 
<property>
    <name>hbase.zookeeper.property.dataDir</name>
    <value>/usr/zookeeper/zkdata</value>
</property> 
<property>
    <name>hbase.unsafe.stream.capability.enforce</name>
    <value>false</value>
</property>
<property>
        <name>hbase.master</name>
        <value>hdfs://Master:6000</value>
</property>

设置hbase的JAVA_HOME和zookeeper

cd /usr/local/hbase/conf
vim hbase-env.sh
//修改或追加以下内容
//如果你用自己安装的zookeeper，这里设置为false(反之为true)，但是启动之前要先启动zookeeper集群
export HBASE_MANAGES_ZK=false
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64

---

移除冲突jar包，防止报错

cd /usr/local/hbase/lib/client-facing-thirdparty/
//可以直接rm删除，也可以mv改名，我这里选择改名
mv slf4j-log4j12-1.7.25.jar slf4j-log4j12-1.7.25.jar.bak

其他容器进行相同操作（省略）

调试一下hbase看看能不能运行

start-all.sh
start-hbase.sh
hbase shell

尝试创建个test表

hbase(main):001:0> create 'test','id'
Created table test
Took 3.9776 seconds                                                             
=> Hbase::Table - test

（9）安装Scala

下载scala

https://www.scala-lang.org/download/2.12.12.html

复制到docker容器内

docker cp scala-2.12.12.tgz Master:/usr/local/

解压scala压缩包

tar -zxvf scala-2.12.12.tgz

配置环境变量

vim /etc/profile
//追加以下内容
#scala
export SCALA_HOME=/usr/local/scala-2.12.12
export PATH=$SCALA_HOME/bin:$PATH

刷新环境变量

source /etc/profile

查看Scala版本

scala -version
 
Scala code runner version 2.12.12 -- Copyright 2002-2020, LAMP/EPFL and Lightbend, Inc.

（10）安装Spark

下载Spark

http://archive.apache.org/dist/spark/spark-3.0.1/

复制Spark压缩包到容器

docker cp spark-3.0.1-bin-hadoop3.2.tgz Master:/usr/local

进入容器，解压spark压缩包

tar -zxvf spark-3.0.1-bin-hadoop3.2.tgz

文件夹改名

mv spark-3.0.1-bin-hadoop3.2 spark-3.0.1

mv spark-3.0.1-bin-hadoop3.2 spark-3.0.1

cd /usr/local/spark-3.0.1/conf
cp spark-env.sh.template spark-env.sh
vim spark-env.sh
//修改或追加以下内容
#spark
export SPARK_MASTER_HOST=Master
export SPARK_MEM=1G
export SPARK_MASTER_PORT=7077
export SPARK_WORKER_MEMORY=1G
#java
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64
export SCALA_HOME=/usr/local/scala-2.12.12
#hadoop
export HADOOP_HOME=/usr/local/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

修改slaves文件

cp slaves.template slaves
vim slaves
//修改如下
Slave1
Slave2

配置Spark环境变量

vim /etc/profile
//追加以下内容
#spark
export SPARK_HOME=/usr/local/spark-3.0.1
export PATH=$SPARK_HOME/bin:$PATH

刷新源文件

source /etc/profile

其他节点也如上配置spark

最后在Master节点启动Spark

start-all.sh

---

运行简单操作

val textFile = sc.textFile("file:///usr/local/spark-3.0.1/README.md")
//scala操作
//获取RDD文件textFile的第一行内容
textFile.first()
//获取RDD文件textFile所有项的计数
textFile.count()
//抽取含有“Spark”的行，返回一个新的RDD
val lineWithSpark = textFile.filter(line => line.contains("Spark"))
//统计新的RDD的行数
lineWithSpark.count()
//找出文本中每行的最多单词数
textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)
//退出spark-shell
:quit

关闭所有程序

stop-all.sh

到此本次大数据集群搭建完毕

（13）附录

软件清单：

• Windows 11

• VMware Workstation 16

• CentOS 7

• Docker-20.10.10

• Hadoop-3.2.1

• Hive-3.1.2

• MySQL-8.0.22

• HBase-2.2.6

• Scala-2.12.12

• Spark-3.0.1