一台虚拟机，基于docker搭建大数据HDP集群

前言

好多人问我，这种基于大数据平台的xxxx的毕业设计要怎么做。这个可以参考之前写得关于我大数据毕业设计的文章。这篇文章是将对之前的毕设进行优化。

个人觉得可以分为两个部分。第一个部分就是基础的平台搭建。例如Hadoop集群、Kafka集群。

第二个部分就是上层应用的建设，例如基于大数据平台的数据分析，以及大屏展示之类的可视化应用。前者提供了基础平台能力，让整个设计加入大数据元素；后者提供了上层应用能力，主要是让别人明白你利用大数据平台做了什么。

前些日子闲得无聊，在一台虚拟机上基于docker容器，使用Ambari搭建了一个HDP版本的Hadoop大数据集群。所以就结合这篇文章，对第一部分进行阐述，提供一个新的思路。

思路

在集群搭建的过程中，遇到了形形色色的问题。在问题里去思考、去查阅资料。这是一个蛮有意思的事情。

在上一篇文章也写了，我的大数据毕业设计的Hadoop平台搭建部分，是基于三台虚拟机实现的。当时使用的Apache版本的Hadoop。

Apache版本的缺点是没有一个统一的管控平台。

1. 前期的安装需要在每个节点手动分发安装包、执行启动命令。
2. 后期的节点维护、服务启停都需要去后台执行命令。

加上三台虚拟机，每次启动费个老劲。所以我就寻思用Ambari来搭建一个HDP版本的、一个虚拟机就能搞定的、基于docker容器的Hadoop集群。

整体架构

整个架构设计和技术选型，都是根据个人需求选择，可以参考。

1. 技术选型

宿主机和docker的操作系统选择的是centos7。我尝试了centos8，不太行。主要

1. docker：容器，代替虚拟机节点搭建集群
2. docker-compose：编排容器。对所有容器进行管理、启动
3. Ambari：2.7.3版本。可视化安装、监控、管理所有集群。
4. HDP：3.1版本。其中包括Hadoop、HDFS、Yarn、Spark、Kafka、Zookeeper等服务。
5. MySQL：ambari元数据库。后面应用也会用到。

除此之外，还需要shell编写一些脚本。

2. 架构设计

平台一览

这就是Ambari的首页仪表盘的部分，里面可以看到HDFS的存储，内存使用量指标。

Hadoop集群

Hadoop集群一共用了四个节点。NameNode，一个备用的NameNode，两个DataNode。

点击右侧的NameNode UI可以看到Hadoop集群的UI界面。

集群节点

这里的Hosts指的就是所有集群节点的个数，也是docker节点的个数。这里因为内存有限，所以一个docker启动了好几个服务。

例如这个kafka1节点，即安装了Kafka，又安装了Zookeeper。

环境准备

我在实践docker搭建集群的时候，90%的时间都花费在了环境准备上。同样，遇到的90%的问题也都在这个步骤上。

1. 虚拟机准备

我自己的架构是一台虚拟机，然后其他节点都是用docker代替的。docker你可以理解为轻量虚拟机。

我选择docker的理由：

1. 觉得挺有意思，想挑战一下自己的软肋。
2. *一个虚拟机可能需要占用20G存储，一个docker只占用几百MB**。
3. 只需要启动一台虚拟机即可。docker作为应用服务运行在这台虚拟机上。

其实，这里我是建议使用3 ~ 4台虚拟机的。因为docker本身对于很多人来说是有一定难度的，再加上需要将docker构建成节点，是需要花费很多时间的。

2. docker容器准备

如果说是头铁非要用docker，那么可以看看这一步。我在这一步构建节点docker镜像的时候，反复构建了很多次。

dockerfile

我们要自己编写dockerfile几月centtos7来构建docker容器的系统镜像。而且，docker容器代替了虚拟机，那么docker容器里的环境就要和虚拟机一样。所以dockerfile需要满足以下条件。

1. 开放22端口，启动sshd服务
2. 配置jdk、scala
3. 生成密钥，配置ssh免密登录
4. python2.7（centos7自带）
5. yum安装一些软件，例如chrony等
6. 配置hosts

在编写dockerfile阶段，查阅了很多资料，反复构建，尝试了很多次才成功。

docker-compose

docker-compose是docker容器的编排工具，需要编写一个yaml配置文件，通过start/stop来启动/停止所有的容器。

这个centos_hdp就是我自己构建的镜像，ports来开放容器的端口，volumes来挂载宿主机的目录。

3. 下载安装包

我在2016年毕业设计中，所搭建的大数据平台的各个组件都是独立下载安装的。Hadoop的安装包需要去Hadoop官网下载，Kafka安装包需要去Kafka官网下载。想安装哪个版本就安装哪个版本。

基于Ambari安装，所有组件都包含在HDP安装包里，不过这个安装包挺大的，10G。

ambari-2.7.3.0-centos7.tar.gz
HDP-3.1.0.0-centos7-rpm.tar.gz
HDP-UTILS-1.1.0.22-centos7.tar.gz
HDP-GPL-3.1.0.0-centos7-gpl.tar.gz

上面就是所需安装包的列表，下载到之后，放到本地搭建的http服务器中，在ambari安装中时使用。

结语

本篇文章主要讲了大数据集群搭建的架构设计和实现思路部分，后面文章会探讨上层应用的构建。我现在自己也在学前端，想自己实现一些web应用。关于大数据集群搭建、后台实现以及前端技术，可以私我加群互相交流。

基于docker使用Ambari搭建Hadoop是有难度的，谨慎尝试。