Hadoop Yarn on Docker

搭建Hadoop Yarn on Docker

一、概览

Docker基于Linux Container技术整合了一堆易用的接口用于构建非常轻量级的虚拟机。Docker Container Executor（DCE）使得Yarn NodeManager服务可以将其container进程运行在Docker容器中。用户可以自定义运行Yarn container的Docker镜像。这些container提供了自定义的、与外部NodeManger隔离的运行环境，还可以指定安装与NodeManager不同版本的软件包，如Perl、Python、Java等，甚至可以运行与NodeManager不同的Linux发行版本。为了实现这些，Yarn container必须指定运行作业所需要的环境和依赖库，NodeManager之间不会共享这些信息。

二、集群配置

Docker Container Executor只能在非kerberos（安全）模式的Yarn和HDFS中运行，一旦DCE检测到运行在安全模式下，服务会立刻退出。

DCE需要NodeManager节点上运行着docker服务和docker client用于启动docker container。为了避免超时，作业依赖的docker镜像必须在NodeManager启动前预先下载好，运行以下命令下载Hadoop docker镜像：

1. sudo docker pull sequenceiq/hadoop-docker:2.4.1

同时在yarn-site.xml中增加配置：

1. <property>
2. <name>yarn.nodemanager.docker-container-executor.exec-name</name>
3. <value>/usr/bin/docker</value>
4. <description>
5. Name or path to the Docker client. This is a required parameter. If this is empty,
6. user must pass an image name as part of the job invocation(see below).
7. </description>
8. </property>
9. <property>
10. <name>yarn.nodemanager.container-executor.class</name>
11. <value>org.apache.hadoop.yarn.server.nodemanager.DockerContainerExecutor</value>
12. <description>
13. This is the container executor setting that ensures that all
14. jobs are started with the DockerContainerExecutor.
15. </description>
16. </property>

需要集群管理员注意目前DCE不提供用户命名空间隔离，这意味着在Yarn container中以root用户运行的程序会获得NodeManager的root权限，换句话说，DCE目前没有提供比Yarn默认的Container Executor更好的安全保证。

三、连接安全docker repository技巧

默认情况下，docker从docker官方公共repository下载镜像。docker镜像的url格式为username/image_name，比如说sequenceiq/hadoop-docker:2.4.1是公共镜像仓库中的一个镜像，其中包括java和hadoop软件。

如果用户希望使用私人仓库，需要提供repository url替换username部分，因此镜像url变成private_repo_url/image_name，比如说私人仓库地址是localhost:8080，那镜像URL就是 localhost:8080/hadoop-docker。

登录公共docker repository，执行：

1. docker login [OPTIONS] [SERVER]
2. Register or log in to a Docker registry server, if no server is specified
3. "https://index.docker.io/v1/" is the default.
4. -e, --email=""       Email
5. -p, --password=""    Password
6. -u, --username=""    Username

登录私人repository

1. docker login <private_repo_url>

以上这些需要作为NodeManager启动的一部分，建议作为一个crontab任务来避免登录session超时。用户可以在同一台NodeManager上同时登录多个docker repository，但是这会导致集群中所有用户都可以访问所有的repository，目前DCE不支持为每个job指定docker login

四、作业配置

目前用户无法在job配置中指定docker配置，用户可以提供Mapper、Reducer和ApplicationMaster环境去覆盖docker镜像中的环境，分别使用以下三个JVM参数：

• mapreduce.map.env: You can override the mapper’s image by passing yarn.nodemanager.docker-container-executor.image-name=your_image_name to this JVM property.

• mapreduce.reduce.env: You can override the reducer’s image by passing yarn.nodemanager.docker-container-executor.image-name=your_image_name to this JVM property.

• yarn.app.mapreduce.am.env: You can override the ApplicationMaster’s image by passing yarn.nodemanager.docker-container-executor.image-name=your_image_name to this JVM property.

五、docker镜像要求

Yarn container使用的docker镜像有以下要求：

Docker镜像系统的发行版和版本可以和Nodemanager不同，然而，如果你在使用MapReduce计算框架，那么你的镜像需要配置可以运行hadoop，必须安装java以及定义以下环境变量JAVA_HOME, HADOOP_COMMON_PATH, HADOOP_HDFS_HOME, HADOOP_MAPRED_HOME, HADOOP_YARN_HOME, and HADOOP_CONF_DIR。

六、示例实战

示例说明如何使用DockerContainerExecutor运行作业

Step1：确保yarn-site.xml已经配置完成

Step2：选择一个docker镜像，在这个例子中，我们使用公共仓库中的sequenceiq/hadoop-docker:2.4.1镜像，其中预装了JDK、Hadoop以及上述的环境变量。

Step3：运行

1. hadoop jar $HADOOP_PREFIX/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.0.jar \
2. teragen \
3. -Dmapreduce.map.env="yarn.nodemanager.docker-container-executor.image-name=sequenceiq/hadoop-docker:2.4.1" \
4. -Dyarn.app.mapreduce.am.env="yarn.nodemanager.docker-container-executor.image-name=sequenceiq/hadoop-docker:2.4.1" \
5. 1000 \
6. teragen_out_dir

执行成功后，可以在yarn的日志中验证docker启动的containers