转载

DIP开放计算平台介绍

随着平台业务的发展,依赖于Portal(Web)构建的服务架构已逐渐不能满足现有的一些复杂需求(如:使用Hive SQL无法完成计算逻辑),而且对于一些具备编程能力的程序员或数据分析师而言,能够自主控制任务的诉求越来越多,这就要求我们必须把平台的计算能力开放出去,主要涉及以下三个问题:

(1)用户可以通过前端机(Gateway)访问Hadoop线下集群(Offline Cluster)、Hadoop线上集群(Online Cluster),并在两者之间做切换;

(2)HDFS权限控制:用户仅仅可以访问或操作自己有权限的目录或文件;

(3)Yarn资源隔离:用户的任务仅仅能提交给特定的队列,且队列的资源配额、同时运行的任务数等需要受到严格控制;

以下逐一介绍我们是如何解决上述三个问题的。

1.前端机(Gateway)、线下集群(Hadoop Offline Cluster)、线上集群(Hadoop Online Cluster)

集群就是Hadoop集群,先介绍下三者的概念,

线下集群:测试环境中的Hadoop集群,规模很小,用于用户开发测试使用;

线上集群:生产环境中的Hadoop集群,用于用户部署正式应用;

前端机:集群入口,用户登录之后可以操作HDFS、提交MapReduce或Spark任务,可以简单理解为一个Hadoop Client;

其中,线下集群与线上集群的数据需要定时同步(考虑到线下集群存储资源有限,目前的策略是仅选取少量数据同步)。

前端机目前仅有一个实例,用户操作(HDFS、MapReduce、Spark)时需要支持可以在线下集群与线上集群之间作切换。

(1)HDFS

Hadoop集群(线下、线上)构建于版本hadoop-2.5.0-cdh5.3.2之上,前端机安装同版本的Hadoop Client,Hadoop Client连接的集群是依靠配置文件指定的,配置文件存储目录为“/etc/hadoop/conf”,默认指向Hadoop线下集群。

DIP开放计算平台介绍

可以看出,访问HDFS需要通过“hadoop fs”,而hadoop命令选项“--config”支持指定配置文件目录,从而实现多个Hadoop HDFS集群之间的切换。我们的操作步骤如下:

a.建立Hadoop线上集群配置文件目录:mkdir -p /etc/hadoop-online/conf;

b.拷贝Hadoop线上集群配置文件至目录“/etc/hadoop-online/conf”;

c.建立Hadoop线下集群配置文件目录软链接,强化线下、线上属性:ln -s /etc/hadoop /etc/hadoop-offline;

访问Hadoop线下HDFS示例如下:

DIP开放计算平台介绍

访问Hadoop线上HDFS示例如下:

DIP开放计算平台介绍

总结:通过hadoop命令的选项“--config”可以指定不同的Hadoop集群配置文件,从而实现多个Hadoop集群之间的切换。

(2)MapReduce

用户提交MapReduce任务时,也可以通过指定配置文件目录的方式实现Hadoop线下集群与线上集群的切换,配置文件目录的建立方式与(1)同,不再赘述。

MapReduce任务的提交通常有以下两种方式,我们分别介绍。

a.使用hadoop jar的方式提交MapReduce任务;

提交MapReduce任务至Hadoop线下集群示例:

hadoop jar wordcount.jar --D mapreduce.job.name=wordcount_example_yurun -D mapreduce.job.queuename=hive -D mapreduce.job.reduces=3

hadoop --config /etc/hadoop-offline/conf jar wordcount.jar --D mapreduce.job.name=wordcount_example_yurun -D mapreduce.job.queuename=hive -D mapreduce.job.reduces=3

提交MapReduce任务至Hadoop线上集群示例:

hadoop --config /etc/hadoop-online/conf jar wordcount.jar --D mapreduce.job.name=wordcount_example_yurun -D mapreduce.job.queuename=hive -D mapreduce.job.reduces=3

b.使用java命令行的方式提交MapReduce任务;

提交MapReduce任务至Hadoop线下集群示例:

java -cp ./wordcount.jar: /etc/hadoop-offline/conf :/usr/lib/hadoop/lib/*:/usr/lib/hadoop/.//*:/usr/lib/hadoop-hdfs/./:/usr/lib/hadoop-hdfs/lib/*:/usr/lib/hadoop-hdfs/.//*:/usr/lib/hadoop-yarn/lib/*:/usr/lib/hadoop-yarn/.//*:/usr/lib/hadoop-mapreduce/lib/*:/usr/lib/hadoop-mapreduce/.//* com.weibo.dip.mr.WordCountExampleMain --D mapreduce.job.name=wordcount_example_yurun -D mapreduce.job.queuename=hive -D mapreduce.job.reduces=3

提交MapReduce任务至Hadoop线上集群示例:

java -cp ./wordcount.jar: /etc/hadoop-online/conf :/usr/lib/hadoop/lib/*:/usr/lib/hadoop/.//*:/usr/lib/hadoop-hdfs/./:/usr/lib/hadoop-hdfs/lib/*:/usr/lib/hadoop-hdfs/.//*:/usr/lib/hadoop-yarn/lib/*:/usr/lib/hadoop-yarn/.//*:/usr/lib/hadoop-mapreduce/lib/*:/usr/lib/hadoop-mapreduce/.//* com.weibo.dip.mr.WordCountExampleMain --D mapreduce.job.name=wordcount_example_yurun -D mapreduce.job.queuename=hive -D mapreduce.job.reduces=3

注意:提交MapReduce任务时需要将相关代码及依赖编译打包为一个Jar(Java,Hadoop相关依赖除外),为了避免可能出现的异常情况,不要在Jar中包含Hadoop相关的任何配置文件。

(3)Spark

Hadoop集群目前支持的Spark版本有两个:spark-1.2.0-cdh5.3.2、spark-1.5.1,均需要支持Hadoop集群线上环境与线下环境的切换。

Spark任务(这里仅讨论离线任务或批处理任务)的提交是通过“spark-submit”进行的,提交过程涉及到两个重要的环境变量:HADOOP_CONF_DIR、SPARK_CONF_DIR,分别用于指定Hadoop配置文件目录和Spark配置文件目录,实际上我们也是通过变更这两个环境变量的值实现Hadoop(Spark)集群之间的切换的。

因为spark-1.2.0-cdh5.3.2与spark-1.5.1之间的安装部署方式不同,两者集群之间的切换操作也略有不同。

spark-1.2.0-cdh5.3.2操作步骤如下:

注:spark-1.2.0-cdh5.3.2默认安装时的配置文件目录(SPARK_CONF_DIR)为“/etc/spark/conf”。

a.建立Spark线上环境配置文件目录:mkdir -p /etc/spark-online/conf;

b.拷贝Spark线上环境配置文件至目录:/etc/spark-online/conf;

c.建立/usr/bin/spark-submit软链接:ln -s /usr/bin/spark-submit /usr/bin/spark-1.2.0-offline-submit;

d.拷贝/usr/bin/spark-submit:cp /usr/bin/spark-submit /usr/bin/spark-1.2.0-online-submit;

e.修改/usr/bin/spark-1.2.0-online-submit,如下:

. /usr/lib/bigtop-utils/bigtop-detect-javahome

export HADOOP_CONF_DIR=/etc/hadoop-online/conf

 

export SPARK_CONF_DIR=/etc/spark-online/conf

exec /usr/lib/spark/bin/spark-submit "$@"

总结:spark-1.2.0-cdh5.3.2安装时已经将其指向Hadoop线下集群,这里仅仅需要为其建立一个软链接“/usr/bin/spark-1.2.0-offline-submit”,强化一下线下属性即可;/usr/bin/spark-1.2.0-online-submit则需要显示设置环境变量:HADOOP_CONF_DIR、SPARK_CONF_DIR,其中HADOOP_CONF_DIR指向Hadoop线上集群配置文件目录,SPARK_CONF_DIR指向Spark线上集群配置文件目录。

spark-1.2.0-cdh5.3.2提交任务至Hadoop线下集群示例:

spark-submit --master yarn-client --num-executors 3  --executor-memory 2g  --driver-memory 1G  --queue spark.app /usr/home/yurun/workspace/pyspark/1.2.0/examples/app/spark_app_min.py

spark-1.2.0-offline-submit --master yarn-client --num-executors 3  --executor-memory 2g  --driver-memory 1G  --queue spark.app /usr/home/yurun/workspace/pyspark/1.2.0/examples/app/spark_app_min.py

spark-1.2.0-cdh5.3.2提交任务至Hadoop线上集群示例:

spark-1.2.0-online-submit --master yarn-client --num-executors 3  --executor-memory 2g  --driver-memory 1G  --queue spark.app /usr/home/yurun/workspace/pyspark/1.2.0/examples/app/spark_app_min.py

spark-1.5.1操作步骤如下:

注:spark-1.5.1默认安装时的配置文件目录(SPARK_CONF_DIR)为“/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/conf”。

a.建立/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-submit的软链接:ln -s /usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-submit /usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-1.5.1-offline-submit;

b.修改/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-submit,如下:

SPARK_HOME=/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2

# disable randomized hash for string in Python 3.3+

export PYTHONHASHSEED=0

exec "$SPARK_HOME"/bin/spark-class org.apache.spark.deploy.SparkSubmit "$@"

c.建立/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-1.5.1-offline-submit的软链接:ln -s /usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-1.5.1-offline-submit /usr/bin/spark-1.5.1-offline-submit;

d.建立Spark线上环境目录:mkdir -p /usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/online-conf/;

e.拷贝Spark线上环境配置文件至目录:/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/online-conf/;

f.拷贝/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-submit:cp /usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-submit /usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-1.5.1-online-submit

g.修改/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-1.5.1-online-submit,如下:

SPARK_HOME=/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2

 

export HADOOP_CONF_DIR=/etc/hadoop-online/conf

 

export SPARK_CONF_DIR=/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/online-conf

# disable randomized hash for string in Python 3.3+

export PYTHONHASHSEED=0

exec "$SPARK_HOME"/bin/spark-class org.apache.spark.deploy.SparkSubmit "$@"

h.建立/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-1.5.1-online-submit的软链接:ln -s /usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-1.5.1-online-submit /usr/bin/spark-1.5.1-online-submit。

spark-1.5.1提交任务至Hadoop线下集群示例:

spark-1.5.1-offline-submit --master yarn-client --num-executors 3  --executor-memory 2g  --driver-memory 1G  --queue spark.app /usr/home/yurun/workspace/pyspark/1.2.0/examples/app/spark_app_min.py

spark-1.5.1提交任务至Hadoop线上集群示例:

spark-1.5.1-online-submit --master yarn-client --num-executors 3  --executor-memory 2g  --driver-memory 1G  --queue hive /usr/home/yurun/workspace/pyspark/1.2.0/examples/app/spark_app_min.py

总结:spark-1.5.1实现集群环境之间的切换是通过设置三个环境变量实现的:SPARK_HOME、HADOOP_CONF_DIR、SPARK_CONF_DIR。

2.HDFS权限控制;

HDFS权限控制类似于Linux文件系统的权限控制,也是通过用户、用户组实现的。

用户需要以团队(组)为单位申请前端机的登录权限,如:

用户组:dip

用户名:yurun、tongwei

权限申请通过之后,需要执行以下三步:

(1)需要由管理员在前端机为其建立用户组,并将上述用户添加至该用户组,如:

sudo -s

groupadd dip;

usermod -a -G dip yurun;

usermod -a -G dip tongwei;

(2)需要由管理员在Hadoop线下集群与线上集群的Namenode、ResourceManager节点添加用户账号,如:

groupadd dip;

useradd yurun -s /sbin/nologin;

useradd tongwei -s /sbin/nologin;

usermod -a -G dip yurun;

usermod -a -G dip tongwei;

(3)需要由管理员在Hadoop(HDFS)线下集群与线上集群中以用户组为单位建立工作目录,如:

su hdfs

hadoop fs -mkdir /user/dip

hadoop fs -chown -R yurun:dip /user/dip

hadoop fs -chmod -R 770 /user/dip

通过上述三步,用户(组)拥有一个独立的工作目录(/user/dip),用户(组)可自行管理目录中的内容。

3.YARN资源隔离;

YARN资源隔离是通过YARN Scheduler Queue实现的,以用户组为单位创建队列,并设置该队列允许提交任务的用户、最大资源使用量、最多同时运行的任务数等。

我们在Hadoop集群资源中开辟队列“thirdparty”用于开放计算,然后以用户组为单位建立相应的子队列,如用户组topweibo、datacubic的子队列分别为thirdparty.topweibo、thirdparty.datacubic,分别为这两个子队列设置最小资源、最大资源、允许同时运行的任务数、允许提交应用的用户(组)、允许管理应用的用户(组)等,如下:

<queue name="thirdparty">

<minResources>2080768 mb, 1166 vcores</minResources>

<maxResources>2080768 mb, 1166 vcores</maxResources>

<minSharePreemptionTimeout>60</minSharePreemptionTimeout>

<weight>10.0</weight>

<schedulingPolicy>fair</schedulingPolicy>

<queue name="topweibo">

<minResources>416153 mb, 233 vcores</minResources>

<maxResources>416153 mb, 233 vcores</maxResources>

<maxRunningApps>50</maxRunningApps>

<aclSubmitApps> topweibo</aclSubmitApps>

<aclAdministerApps>hdfs topweibo</aclAdministerApps>

</queue>

<queue name="datacubic">

<minResources>1248460 mb, 699 vcores</minResources>

<maxResources>1248460 mb, 699 vcores</maxResources>

<maxRunningApps>50</maxRunningApps>

<aclSubmitApps>xinqi datacubic</aclSubmitApps>

<aclAdministerApps>hdfs datacubic</aclAdministerApps>

</queue>

</queue>

经过上述配置之后,用户提交应用(MapReduce、Spark)时均需要指定提交的队列,如:

hadoop --config /etc/hadoop-offline/conf jar wordcount.jar --D mapreduce.job.name=wordcount_example_yurun -D mapreduce.job.queuename =thirdparty.topweibo -D mapreduce.job.reduces=3

java -cp ./wordcount.jar:/etc/hadoop-online/conf:/usr/lib/hadoop/lib/*:/usr/lib/hadoop/.//*:/usr/lib/hadoop-hdfs/./:/usr/lib/hadoop-hdfs/lib/*:/usr/lib/hadoop-hdfs/.//*:/usr/lib/hadoop-yarn/lib/*:/usr/lib/hadoop-yarn/.//*:/usr/lib/hadoop-mapreduce/lib/*:/usr/lib/hadoop-mapreduce/.//* com.weibo.dip.mr.WordCountExampleMain --D mapreduce.job.name=wordcount_example_yurun -D mapreduce.job.queuename =hive -D mapreduce.job.reduces=3

spark-1.5.1-offline-submit --master yarn-client --num-executors 3  --executor-memory 2g  --driver-memory 1G  -- queue thirdparty.topweibo /usr/home/yurun/workspace/pyspark/1.2.0/examples/app/spark_app_min.py

解决这三个问题之后,可以认为已基本满足开放计算的基本条件,目前已经开始投入实际环境中使用,后续会根据业务场景不断完善。 

正文到此结束
Loading...