hiveserver2或sparksql和HApoxy远程服务的高可用和负载均衡

pache Spark 现在是大数据中非常流行的处理引擎，简单的API、内存计算、很好的性能、一站式的解决方案、良好的生态，Spark是大数据中最火的明星AngelaBaby。在Spark内部的多个组件中，SQL组件也是很多公司用的最多的一个内部组件。由于Spark SQL并不适用于大并发的场景，所以在实际的生产过程中发现，由于SparkSQL并不能限制用户数，经常会有过多的用户以及过多的任务，导致Spark SQL 的Thrift Server服务非常不稳定。

 

这个问题在生产过程中非常实际，我们一般建议使用开源软件 HAProxy来解决，下面主要叙述一下具体的解决步骤；顺带一句HAproxy不仅可以解决Spark SQL的连接数，也可以用来用于部署Spark的HA。

 

安装

yum -y install gcc automake autoconf libtool make

 

至HAProxy的官网网站http://www.haproxy.org/下载最新版本的安装包haproxy-1.7.5.tar.gz。

 

[root@zdh223 ~]#tar zxvf haproxy-1.7.5.tar.gz

 

[root@zdh223 ~]#cd haproxy-1.7.5

 

[root@zdh223 ~]#make TARGET=zdh221

 

[root@zdh223 ~]#make install

 

安装结束。

 

在任意目录下执行 haproxy –vv 如果能正确显示haproxy的版本号，即表示安装正确。

 

配置

 

在haproxy-1.7.5目录下创建文件sparksql.cfg，文件名可以任意。内容如下：

global  
        daemon  
        nbproc 1  
        pidfile /opt/haproxy-1.4.24/haproxy.pid  
        ulimit-n 65535  
  
defaults  
        mode tcp                        #mode { tcp|http|health }，tcp 表示4层，http表示7层，health仅作为健康检查使用  
        retries 2                       #尝试2次失败则从集群摘除  
        option redispatch               #如果失效则强制转换其他服务器  
        option abortonclose             #连接数过大自动关闭  
        maxconn 1024                    #最大连接数  
        timeout connect 1d              #连接超时时间，重要，hive查询数据能返回结果的保证  
        timeout client 1d               #同上  
       timeout server 1d               #同上  
        timeout check 2000              #健康检查时间  
        log 127.0.0.1 local0 err    #[err warning info debug]  
  
listen  admin_stats                     #定义管理界面  
        bind 0.0.0.0:8040               #管理界面访问IP和端口  
        mode http                       #管理界面所使用的协议  
        maxconn 10                  #最大连接数  
        stats refresh 30s               #30秒自动刷新  
        stats uri /                     #访问url  
        stats realm Hive\ Haproxy       #验证窗口提示  
        stats auth dc:dc         #401验证用户名密码  
  
listen hive             #hive后端定义  
        bind 0.0.0.0:10000              #ha作为proxy所绑定的IP和端口  
        mode tcp                        #以4层方式代理，重要  
        balance leastconn               #调度算法 'leastconn' 最少连接数分配，或者 'roundrobin'，轮询分配  
        maxconn 1024                    #最大连接数  
        server hive_1 dc-dev004.dx.momo.com:10002 check inter 180000 rise 1 fall 2  
        server hive_2 dc-dev005.dx.momo.com:10002 check inter 180000 rise 1 fall 2  
        #释义：server 主机代名(你自己能看懂就行)，IP:端口 每180000毫秒检查一次。也就是三分钟。  
        #hive每有10000端口的请求就会创建一个log，设置短了，/tmp下面会有无数个log文件，删不完。 

#释义：server 主机代名，IP:端口 每180000毫秒检查一次。也就是三分钟。

蓝色部分配置需要重点关注，视实际情况配置。

启停

 

· 启动

依次启动sparksql后，启动haproxy。

 

haproxy -f sparksql.cfg

 

· 停止

使用ps -ef|grep haproxy检查出进程后kill。

 

验证

 

· 功能验证

在多台客户端的spark目录下执行：

 

bin/beeline-u jdbc:hive2://zdh221:18001 -n mr

 

均可以正常连接，并进行操作。

 

查看haproxy的web页面，http://10.43.156.221:1090/口令：admin/123456 (上文配置)，可以看到各服务器均有负载。

 

查看每个sparksql的后台日志，可以看到均有业务日志。

 

· 最大连接数验证

更改上文配置文件中的listen SparkSql下的maxconn 1024为2，并重启haproxy。

 

当在2台客户端的spark目录下使用beeline，均可以连接并操作，当使用第3台客户端的beeline连接时候，会显示连接等待，无法连接。