Hadoop運行在Kubernetes平臺實踐

Hadoop與Kubernetes就好像江湖裏的兩大絕世高手，一個是成名已久的長者，至今仍然名聲遠揚，一個則是初出茅廬的青澀少年，骨骼驚奇，不走尋常路，一出手便驚詫了整個武林。Hadoop與Kubernetes之間有很深的淵源，因爲都出自IT豪門——Google，只不過，後者是親兒子，正因爲有大佬背書，所以Kubernetes一出山，江湖各路門派便都蜂擁而至，擁護稱王。
不知道是因爲Hadoop是乾兒子的緣故還是因爲“廉頗老矣”，總之，Hadoop朋友圈的後輩們如Spark、Storm等早都有了在Kubernetes上部署運行的各種資料和案例，但Hadoop卻一直遊離於Kubernetes體系之外，本文我們給出Hadoop在Kubernetes上的實踐案例，以彌補這種缺憾。
Hadoop容器化的資料不少，但Hadoop部署在Kubernetes上的資料幾乎沒有，這主要是以下幾個原因導致的：
第一， Hadoop集羣重度依賴DNS機制，一些組件還使用了反向域名解析，以確定集羣中的節點身份，這對Hadoop在Kubernetes上的建模和運行帶來極大挑戰，需要深入瞭解Hadoop集羣工作原理並且精通Kubernetes，才能很好解決這一難題。
第二， Hadoop新的Map-Reduce計算框架Yarn的模型出現的比較晚，它的集羣機制要比HDFS複雜，資料也相對較少，增加了Hadoop整體建模與遷移Kubernetes平臺的難度。
第三， Hadoop與Kubernetes分別屬於兩個不同的領域，一個是傳統的大數據領域，一個是新興的容器與微服務架構領域，這兩個領域之間交集本來很小，加之Hadoop最近幾年已經失去焦點(這點從百度搜索關鍵詞就能發現)，所以，沒有多少人關注和研究Hadoop在Kubernetes的部署問題，也是情理之中的事情。
Hadoop 2.0其實是由兩套完整的集羣所組成，一個是基本的HDFS文件集羣，一個是YARN資源調度集羣，如下圖所示：
因此在Kubernetes建模之前，我們需要分別對這兩種集羣的工作機制和運行原理做出深入的分析，下圖是HDFS集羣的架構圖：

Hadoop 運行在 Kubernetes平臺實踐
我們看到，HDFS集羣是由NameNode(Master節點)和Datanode(數據節點)等兩類節點所組成，其中，客戶端程序(Client)以及DataNode節點會訪問NameNode，因此，NameNode節點需要建模爲Kubernetes Service以提供服務，以下是對應的Service定義文件：
apiVersion: v1
kind: Service
metadata:
name: k8s-hadoop-master
spec:
type: NodePort
selector:
app: k8s-hadoop-master
ports:

• name: rpc
  port: 9000
  targetPort: 9000
• name: http
  port: 50070
  targetPort: 50070
  nodePort: 32007
  其中，NameNode節點暴露2個服務端口：
  9000端口用於內部IPC通信，主要用於獲取文件的元數據
  50070端口用於HTTP服務，爲Hadoop 的Web管理使用
  爲了減少Hadoop鏡像的數量，我們構建了一個鏡像，並且通過容器的環境變量HADOOP_NODE_TYPE來區分不同的節點類型，從而啓動不同的Hadoop組件，下面是鏡像裏的啓動腳本startnode.sh的內容：
  #!/usr/bin/env bash
  sed -i "s/@HDFS_MASTER_SERVICE@/$HDFS_MASTER_SERVICE/g" $HADOOP_HOME/etc/hadoop/core-site.xml
  sed -i "s/@HDOOP_YARN_MASTER@/$HDOOP_YARN_MASTER/g" $HADOOP_HOME/etc/hadoop/yarn-site.xml
  yarn-master
  HADOOP_NODE="${HADOOP_NODE_TYPE}"
  if [ $HADOOP_NODE = "datanode" ]; then
  echo "Start DataNode ..."
  hdfs datanode -regular

else
if [ $HADOOP_NODE = "namenode" ]; then
echo "Start NameNode ..."
hdfs namenode
else
if [ $HADOOP_NODE = "resourceman" ]; then
echo "Start Yarn Resource Manager ..."
yarn resourcemanager
else

if [ $HADOOP_NODE = "yarnnode" ]; then
echo "Start Yarn Resource Node ..."
yarn nodemanager
else
echo "not recoginized nodetype "
fi
fi
fi

fi
我們注意到，啓動命令裏把Hadoop配置文件(core-site.xml與yarn-site.xml)中的HDFS Master節點地址用環境變量中的參數HDFS_MASTER_SERVICE來替換，YARN Master節點地址則用HDOOP_YARN_MASTER來替換。下圖是Hadoop HDFS 2節點集羣的完整建模示意圖：

Hadoop 運行在 Kubernetes平臺實踐
圖中的圓圈表示Pod，可以看到，Datanode並沒有建模Kubernetes Service，而是建模爲獨立的Pod，這是因爲Datanode並不直接被客戶端所訪問，因此無需建模Service。當Datanode運行在Pod容器裏的時候，我們需要修改配置文件中的以下參數，取消DataNode節點所在主機的主機名(DNS)與對應IP地址的檢查機制：
dfs.namenode.datanode.registration.ip-hostname-check=false
如果上述參數沒有修改，就會出現DataNode集羣“分裂”的假象，因爲Pod的主機名無法對應Pod的IP地址，因此界面會顯示2個節點，這兩個節點都狀態都爲異常狀態。
下面是HDFS Master節點Service對應的Pod定義：
apiVersion: v1
kind: Pod
metadata:
name: k8s-hadoop-master
labels:
app: k8s-hadoop-master
spec:
containers:

• name: k8s-hadoop-master
  image: kubeguide/hadoop
  imagePullPolicy: IfNotPresent
  ports:
• containerPort: 9000
• containerPort: 50070
  env:
• name: HADOOP_NODE_TYPE
  value: namenode
• name: HDFS_MASTER_SERVICE
  valueFrom:
  configMapKeyRef:
  name: ku8-hadoop-conf
  key: HDFS_MASTER_SERVICE
• name: HDOOP_YARN_MASTER
  valueFrom:
  configMapKeyRef:
  name: ku8-hadoop-conf
  key: HDOOP_YARN_MASTER
  restartPolicy: Always
  下面是HDFS的Datanode的節點定義(hadoop-datanode-1)：
  apiVersion: v1
  kind: Pod
  metadata:
  name: hadoop-datanode-1
  labels:
  app: hadoop-datanode-1
  spec:
  containers:
• name: hadoop-datanode-1
  image: kubeguide/hadoop
  imagePullPolicy: IfNotPresent
  ports:
• containerPort: 9000
• containerPort: 50070
  env:
• name: HADOOP_NODE_TYPE
  value: datanode
• name: HDFS_MASTER_SERVICE
  valueFrom:
  configMapKeyRef:
  name: ku8-hadoop-conf
  key: HDFS_MASTER_SERVICE
• name: HDOOP_YARN_MASTER
  valueFrom:
  configMapKeyRef:
  name: ku8-hadoop-conf
  key: HDOOP_YARN_MASTER
  restartPolicy: Always
  實際上，Datanode可以用DaemonSet方式在每個Kubernerntes節點上部署一個，在這裏爲了清晰起見，就沒有用這個方式 定義。接下來，我們來看看Yarn框架如何建模，下圖是Yarn框架的集羣架構圖：
  
  Hadoop 運行在 Kubernetes平臺實踐
  我們看到，Yarn集羣中存在兩種角色的節點：ResourceManager以及NodeManger，前者屬於Yarn集羣的頭腦(Master)，後者是工作承載節點(Work Node)，這個架構雖然與HDFS很相似，但因爲一個重要細節的差別，無法沿用HDFS的建模方式，這個細節就是Yarn集羣中的ResourceManager要對NodeManger節點進行嚴格驗證，即NodeManger節點的節點所在主機的主機名(DNS)與對應IP地址嚴格匹配，簡單來說，就是要符合如下規則：
  NodeManger建立TCP連接時所用的IP地址，必須是該節點主機名對應的IP地址，即主機DNS名稱解析後返回節點的IP地址。
  所以我們採用了Kubernetes裏較爲特殊的一種Service——Headless Service來解決這個問題，即爲每個NodeManger節點建模一個Headless Service與對應的Pod，下面是一個ResourceManager與兩個NodeManger節點所組成的Yarn集羣的建模示意圖：
  
  Hadoop 運行在 Kubernetes平臺實踐
  Headless Service的特殊之處在於這種Service沒有分配Cluster IP，在Kuberntes DNS裏Ping這種Service的名稱時，會返回後面對應的Pod的IP地址，如果後面有多個Pod實例，則會隨機輪詢返回其中一個的Pod地址，我們用Headless Service建模NodeManger的時候，還有一個細節需要注意，即Pod的名字(容器的主機名)必須與對應的Headless Service的名字一樣，這樣一來，當運行在容器裏的NodeManger進程向ResourceManager發起TCP連接的過程中會用到容器的主機名，而這個主機名恰好是NodeManger Service的服務名，而這個服務名解析出來的IP地址又剛好是容器的IP地址，這樣一來，就巧妙的解決了Yarn集羣的DNS限制問題。
  下面以yarn-node-1爲例，給出對應的Service與Pod的YAM文件，首先是yarn-node-1對應的Headless Service的YAM定義：
  apiVersion: v1
  kind: Service
  metadata:
  name: yarn-node-1
  spec:
  clusterIP: None
  selector:
  app: yarn-node-1
  ports:
• port: 8040
  注意到定義中“clusterIP:None”這句話，表明這是一個Headless Service，沒有自己的Cluster IP地址，下面給出YAM文件定義：
  apiVersion: v1
  kind: Pod
  metadata:
  name: yarn-node-1
  labels:
  app: yarn-node-1
  spec:
  containers:
• name: yarn-node-1
  image: kubeguide/hadoop
  imagePullPolicy: IfNotPresent
  ports:
• containerPort: 8040
• containerPort: 8041
• containerPort: 8042
  env:
• name: HADOOP_NODE_TYPE
  value: yarnnode
• name: HDFS_MASTER_SERVICE
  valueFrom:
  configMapKeyRef:
  name: ku8-hadoop-conf
  key: HDFS_MASTER_SERVICE
• name: HDOOP_YARN_MASTER
  valueFrom:
  configMapKeyRef:
  name: ku8-hadoop-conf
  key: HDOOP_YARN_MASTER
  restartPolicy: Always
  ResourceManager的YAML定義沒有什麼特殊的地方，其中Service定義如下：
  apiVersion: v1
  kind: Service
  metadata:
  name: ku8-yarn-master
  spec:
  type: NodePort
  selector:
  app: yarn-master
  ports:
• name: "8030"
  port: 8030
• name: "8031"
  port: 8031
• name: "8032"
  port: 8032
• name: http
  port: 8088
  targetPort: 8088
  nodePort: 32088
  對應的Pod定義如下：
  apiVersion: v1
  kind: Pod
  metadata:
  name: yarn-master
  labels:
  app: yarn-master
  spec:
  containers:
• name: yarn-master
  image: kubeguide/hadoop
  imagePullPolicy: IfNotPresent
  ports:
• containerPort: 9000
• containerPort: 50070
  env:
• name: HADOOP_NODE_TYPE
  value: resourceman
• name: HDFS_MASTER_SERVICE
  valueFrom:
  configMapKeyRef:
  name: ku8-hadoop-conf
  key: HDFS_MASTER_SERVICE
• name: HDOOP_YARN_MASTER
  valueFrom:
  configMapKeyRef:
  name: ku8-hadoop-conf
  key: HDOOP_YARN_MASTER
  restartPolicy: Always
  目前這個方案，還遺留了一個問題有待解決：HDFS NameNode節點重啓後的文件系統格式化問題，這個問題可以通過啓動腳本來解決，即判斷HDFS文件系統是否已經格式化過，如果沒有，就啓動時候執行格式化命令，否則跳過格式化命令。
  安裝完畢後，我們可以通過瀏覽器訪問Hadoop的HDFS管理界面，點擊主頁上的Overview頁籤會顯示我們熟悉的HDFS界面：
  
  Hadoop 運行在 Kubernetes平臺實踐
  切換到Datanodes頁籤，可以看到每個Datanodes的的信息以及當前狀態：
  
  Hadoop 運行在 Kubernetes平臺實踐
  接下來，我們可以登錄到NameNode所在的Pod裏並執行HDSF命令進行功能性驗證，下面的命令執行結果是建立一個HDFS目錄，並且上傳一個文件到此目錄中：
  root@hadoop-master:/usr/local/hadoop/bin# hadoop fs -ls /
  root@hadoop-master:/usr/local/hadoop/bin# hadoop fs -mkdir /leader-us
  root@hadoop-master:/usr/local/hadoop/bin# hadoop fs -ls /
  Found 1 items
  drwxr-xr-x - root supergroup 0 2017-02-17 07:32 /leader-us
  root@hadoop-master:/usr/local/hadoop/bin# hadoop fs -put hdfs.cmd /leader-us
  然後，我們可以在HDFS管理界面中瀏覽HDFS文件系統，驗證剛纔的操作結果：
  
  Hadoop 運行在 Kubernetes平臺實踐
  接下來，我們再登錄到hadoop-master對應的Pod上，啓動一個Map-Reduce測試作業——wordcount，作業啓動後，我們可以在Yarn的管理界面中看到作業的執行信息，如下圖所示：
  
  Hadoop 運行在 Kubernetes平臺實踐
  當作業執行完成後，可以通過界面看到詳細的統計信息，比如wordcount的執行結果如下圖所示：
  
  Hadoop 運行在 Kubernetes平臺實踐
  最後，我們進行了裸機版Hadoop集羣與Kubernetes之上的Hadoop集羣的性能對比測試，測試環境爲十臺服務器組成的集羣，具體參數如下：
  硬件：
  CPU：2E5-2640v3-8Core
  內存：1616G DDR4
  網卡：210GE多模光口
  硬盤：123T SATA
  軟件：
  BigCloud Enterprise Linux 7(GNU/Linux 3.10.0-514.el7.x86_64 x86_64)
  Hadoop2.7.2
  Kubernetes 1.7.4+ Calico V3.0.1
  我們執行了以下這些標準測試項：
  TestDFSIO：分佈式系統讀寫測試
  NNBench：NameNode測試
  MRBench：MapReduce測試
  WordCount：單詞頻率統計任務測試
  TeraSort：TeraSort任務測試
  綜合測試下來，Hadoop跑在Kuberntes集羣上時，性能有所下降，以TestDFSIO的測試爲例，下面是Hadoop集羣文件讀取的性能測試對比：
  
  Hadoop 運行在 Kubernetes平臺實踐
  我們看到，Kubernetes集羣上的文件讀性能與物理機相比，下降了差不多30%左右，並且任務執行時間也增加不少，再來對比文件寫入的性能，測試結果如下下圖所示：
  
  Hadoop 運行在 Kubernetes平臺實踐
  我們看到，寫文件性能的差距並不大，這裏的主要原因是在測試過程中，HDFS寫磁盤的速度遠遠低於讀磁盤的速度，因此無法拉開差距。
  之所以部署在Kuberntes上的Hadoop集羣的性能會有所下降，主要一個原因是容器虛擬網絡所帶來的性能損耗，如果用Host Only模型，則兩者之間的差距會進一步縮小，下圖是TestDFSIO測試中Hadoop集羣文件讀取的性能測試對比：
  
  Hadoop 運行在 Kubernetes平臺實踐
  因此我們建議在生產環境中採用Host Only的網絡模型，以提升Hadoop的集羣性能。
  攻下Hadoop在Kubernetes上的部署，並且在生產中加以驗證，我們可以很自豪的說，現在沒有什麼能夠難倒應用向Kubernetes的遷移的步伐，採用統一的PaaS構建企業的應用集羣和大數據集羣，實現資源的共享和服務的統一管理將會大大的提升企業的業務部署速度和管理的效率。