docker - 在 Docker Swarm 上部署 Spark 和 HDFS 不会启用数据本地化

问题描述

我正在尝试使用 Docker Swarm 作为堆栈部署在小型集群上设置 Spark + HDFS 部署。我让它通常可以工作，但我遇到了一个问题，它阻止了 Spark 利用数据局部性。

为了启用数据局部性，我在每台服务器上创建了一个“工作节点”容器，其中包含 Spark 工作程序和 HDFS 数据节点。这里的想法是，它们应该在堆栈的覆盖网络上具有相同的 IP 地址，因为它们在同一个容器中运行。但是，他们没有。看起来容器在覆盖网络上获得了一个 VIP，而在堆栈使用的 compose 文件中定义的服务获得了另一个 VIP。

事实证明，HDFS 数据节点进程绑定到容器 VIP，Spark 工作进程绑定到服务的 VIP（据我所知）。因此，Spark 并不知道 Spark worker 和 HDFS datanode 实际上在同一台机器上，并且只调度具有ANY局部性的任务。

我确定我错过了一些东西，但我（当然）不知道是什么。

我用于定义每个工作节点服务的 Docker 堆栈组合文件条目如下所示：

version: '3.4'
services:

    ...

    worker-node2:
        image: master:5000/spark-hdfs-node:latest
        hostname: "worker-node2"
        networks:
            - cluster_network
        environment:
            - SPARK_PUBLIC_DNS=10.1.1.1
            - SPARK_LOG_DIR=/data/spark/logs
        depends_on:
            - hdfs-namenode
        volumes:
            - type: bind
              source: /mnt/data/hdfs
              target: /data/hdfs
            - type: bind
              source: /mnt/data/spark
              target: /data/spark
        deploy:
            mode: replicated
            replicas: 1
            placement:
                constraints:
                    - node.hostname == slave1
            resources:
               limits:
                   memory: 56g

    ...

networks:
    cluster_network:
        attachable: true
        ipam:
            driver: default
            config:
                - subnet: 10.20.30.0/24

HadoopHDFS-site.xml配置如下所示：

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>/data/hdfs/datanode</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>/data/hdfs/namenode</value>
    </property>
    <property>
        <name>dfs.replication</name>
        <value>2</value>
        <description>The default replication factor of files on HDFS</description>
    </property>
    <property>
        <name>dfs.webhdfs.enabled</name>
        <value>true</value>
    </property>
    <property> 
        <name>dfs.block.size</name>
        <value>64m</value>
        <description>The default block size in bytes of data saved to HDFS</description>
    </property>
    <property>
        <name>dfs.namenode.datanode.registration.ip-hostname-check</name>
        <value>false</value>
    </property>
    <property>
        <name>dfs.client.use.datanode.hostname</name>
        <value>true</value>
    </property>
    <property>
        <name>dfs.datanode.use.datanode.hostname</name>
        <value>true</value>
    </property>

    <property>
        <name>dfs.namenode.rpc-bind-host</name>
        <value>0.0.0.0</value>
        <description>
            controls what IP address the NameNode binds to. 
            0.0.0.0 means all available.
        </description>
    </property>
    <property>
        <name>dfs.namenode.servicerpc-bind-host</name>
        <value>0.0.0.0</value>
        <description>
            controls what IP address the NameNode binds to. 
            0.0.0.0 means all available.
        </description>
    </property>
    <property>
        <name>dfs.namenode.http-bind-host</name>
        <value>0.0.0.0</value>
        <description>
            controls what IP address the NameNode binds to. 
            0.0.0.0 means all available.
        </description>
    </property>
    <property>
        <name>dfs.namenode.https-bind-host</name>
        <value>0.0.0.0</value>
        <description>
            controls what IP address the NameNode binds to. 
            0.0.0.0 means all available.
        </description>
    </property>

</configuration>

我的完整设置可以在 GitHub 上查看。

有谁知道我做错了什么，阻止同一个 Docker 容器中的 Spark 工作程序和 HDFS 数据节点进程绑定到同一个 IP 地址？

标签： dockerapache-sparkhadoophdfsdocker-swarm

docker - 在 Docker Swarm 上部署 Spark 和 HDFS 不会启用数据本地化

问题描述

解决方案

推荐阅读