Alluxio集群部署到Spark Standalone

Alluxio集群部署

原文链接：http://blog.csdn.net/zy_zhengyang/article/details/52538898

一、配置Alluxio独立集群

1.   下载Alluxio tar文件并解压：

$ wget http://alluxio.org/downloads/files/1.2.0/alluxio-1.2.0-bin.tar.gz

$ tar xvfz alluxio-1.2.0-bin.tar.gz

2.   在alluxio/conf目录下，将alluxio-env.sh.template拷贝到alluxio-env.sh。

1）确保JAVA_HOME指向有效的Java 7安装路径。

2）将ALLUXIO_MASTER_HOSTNAME更新为运行AlluxioMaster的机器的主机名。

3）配置所有worker使用worker上总内存的2/3。

4）将hdfs指定的目录挂载到alluxio

export JAVA_HOME=/atlas/dist/sys/java

exportALLUXIO_MASTER_HOSTNAME=sparktest-m1

export ALLUXIO_WORKER_MEMORY_SIZE=6GB

export ALLUXIO_UNDERFS_ADDRESS=hdfs://sparktest-m1:9000

3.   世系关系(lineage)：在alluxio/conf目录下，将alluxio-site.properties.template拷贝到alluxio-site.properties。

默认情况下，世系关系是不生效的。你可以通过在配置文件中将alluxio.user.lineage.enabled属性设置为true来使其生效。

alluxio.user.lineage.enabled=true

4.   添加所有worker节点的IP地址到alluxio/conf/workers文件。最后，同步worker节点的所有信息。可使用

sparktest-m1

sparktest-s1                                 

sparktest-s2

sparktest-s3

$ ./bin/alluxio copyDir <dirname>

5.   同步所有文件和文件夹到alluxio/conf/workers 文件中指定的主机里。

6.   现在可以启动Alluxio：

$ cdalluxio

$ ./bin/alluxio format

$ ./bin/alluxio-start.sh# use the right parameters here. e.g. allMount

# Notice: the Mount and SudoMountparameters will format the existing RamFS.

7.   证Alluxio是否运行，可以访问http://<alluxio_master_hostname>:19999，或查看alluxio/logs文件夹下的日志。也可以运行一个样例程序

$ ./bin/alluxio runTests

提示:如果使用EC2，确保master节点的安全组设置中允许Alluxio webUI端口上的连接。

二、部署Alluxio到Spark

该指南描述了如何在Alluxio上运行Apache Spark。HDFS作为一个分布式底层存储系统的一个例子。请注意，Alluxio除HDFS之外也支持其它的底层存储系统，计算框架(如Spark)可以通过Alluxio从任意数量的底层存储系统读写数据。

1.   请添加如下代码到spark/conf/spark-env.sh。（该方法已经不提倡使用）

export SPARK_CLASSPATH= /atlas/dist/sys/spark/spark-1.6.1-bin-hadoop2.4/lib/alluxio-core-client-1.2.0-jar-with-dependencies.jar:$SPARK_CLASSPATH

或者请添加如下代码到spark/conf/spark-defaults.conf

spark.driver.extraClassPath      /atlas/dist/sys/spark/spark-1.6.1-bin-hadoop2.4/lib/alluxio-core-client-1.2.0-jar-with-dependencies.jar

spark.executor.extraClassPath    /atlas/dist/sys/spark/spark-1.6.1-bin-hadoop2.4/lib/alluxio-core-client-1.2.0-jar-with-dependencies.jar

2.    ###针对HDFS的额外设置

• 如果Alluxio运行Hadoop 1.x集群之上，创建一个新文件spark/conf/core-site.xml包含以下内容：

<configuration>

  <property>

    <name>fs.alluxio.impl</name>

    <value>alluxio.hadoop.FileSystem</value>

  </property>

</configuration>

• 如果你使用zookeeper让Alluxio运行在容错模式并且Hadoop集群是1.x，添加如下内容到先前创建的spark/conf/core-site.xml:（暂未使用）

<property>

  <name>fs.alluxio-ft.impl</name>

  <value>alluxio.hadoop.FaultTolerantFileSystem</value>

</property>

以及如下内容到spark/conf/spark-env.sh:

export SPARK_JAVA_OPTS="

  -Dalluxio.zookeeper.address=zookeeperHost1:2181,zookeeperHost2:2181

  -Dalluxio.zookeeper.enabled=true

  $SPARK_JAVA_OPTS

"

三、使用Alluxio作为输入输出

这一部分说明如何将Alluxio作为Spark应用的输入输出源。

使用已经存于Alluxio的数据

首先，我们将从Alluxio文件系统中拷贝一些本地数据。将文件LICENSE放到Alluxio（假定你正处在Alluxio工程目录下）:

$ bin/alluxio fs copyFromLocal LICENSE /LICENSE

在spark-shell --master spark://10.100.129.120:7077--total-executor-cores 12 --executor-memory 2G --executor-cores 2中运行如下命令:

>vals=sc.textFile("alluxio://sparktest-m1:19998/LICENSE")

>valdouble=s.map(line=>line+line)

>double.saveAsTextFile("alluxio://sparktest-m1:19998/LICENSE2")

打开浏览器，查看http://10.100.129.120:19999/browse。可以发现多出一个输出文件LICENSE2,每一行是由文件LICENSE的对应行复制2次得到。

使用来自HDFS的数据

Alluxio支持在给出具体的路径时，透明的从底层文件系统中取数据。将文件LICENSE放到Alluxio所挂载的目录下（默认是/alluxio）的HDFS中，意味着在这个目录下的HDFS中的任何文件都能被Alluxio发现。通过改变位于Server上的alluxio-env.sh文件中的 ALLUXIO_UNDERFS_ADDRESS属性可以修改这个设置。假定namenode节点运行在sparktest-m1，并且Alluxio默认的挂载目录是alluxio:

$ hadoop fs -put -f /alluxio/LICENSE hdfs://sparktest-m1:9000/alluxio/LICENSE

注意：Alluxio没有文件的概念。你可以通过浏览web UI验证这点。在spark-shell中运行如下命令（假定Alluxio Master运行在localhost）:

>vals=sc.textFile("alluxio://sparktest-m1:19998/LICENSE")

>valdouble=s.map(line=>line+line)

>double.saveAsTextFile("alluxio://sparktest-m1:19998/LICENSE2")

打开浏览器，查看http://10.100.129.120:19999/browse。可以发现多出一个输出文件LICENSE2,每一行是由文件LICENSE的对应行复制2次得到。并且，现在LICENSE文件出现在Alluxio文件系统空间。

注意：部分读取的块缓存默认是开启的，但如果已经将这个选项关闭的话，LICENSE文件很可能不在Alluxio存储（非In-Memory)中。这是因为Alluxio只存储完整读入块，如果文件太小，Spark作业中，每个executor读入部分块。为了避免这种情况，你可以在Spark中定制分块数目。对于这个例子，由于只有一个块，我们将设置分块数为1。

scala> val s = sc.textFile("alluxio://sparktest-m1:19998/LICENSE", 1)

>val double = s.map(line => line + line)

>double.saveAsTextFile("alluxio://sparktest-m1:19998/LICENSE2")

使用容错模式（暂未使用）

当以容错模式运行Alluxio时，可以使用任何一个Alluxio master：

>vals=sc.textFile("alluxio-ft://stanbyHost:19998/LICENSE")

>valdouble=s.map(line=>line+line)

>double.saveAsTextFile("alluxio-ft://activeHost:19998/LICENSE2")

四、其他：数据本地化

如果Spark任务的定位应该是NODE_LOCAL而实际是ANY，可能是因为Alluxio和Spark使用了不同的网络地址表示，可能其中一个使用了主机名而另一个使用了IP地址。请参考 thisjira ticket获取更多细节（这里可以找到Spark社区的解决方案）。

提示:Alluxio使用主机名来表示网络地址，只有0.7.1版本使用了IP地址。Spark 1.5.x版本与Alluxio0.7.1做法一致，都使用了IP地址来表示网络地址，数据本地化不加修改即可使用。但是从0.8.0往后，为了与HDFS一致，Alluxio使用主机名表示网络地址。用户启动Spark时想要获取数据本地化，可以用Spark提供的如下脚本显式指定主机名。以slave-hostname启动Spark Worker:

$ $SPARK_HOME/sbin/start-slave.sh -h <slave-hostname> <spark master uri>

举例而言:

$ $SPARK_HOME/sbin/start-slave.sh -h simple30 spark://simple27:7077

也可以通过设置$SPARK_HOME/conf/spark-env.sh里的SPARK_LOCAL_HOSTNAME获取数据本地化。举例而言：

SPARK_LOCAL_HOSTNAME=simple30

用以上任何一种方法，Spark Worker的地址变为主机名并且定位等级变为NODE_LOCAL，如下Spark WebUI所示：

##在YARN上运行SPARK

为了最大化Spark作业所能达到数据本地化的数量，应当尽可能多地使用executor,希望至少每个节点拥有一个executor。按照Alluxio所有方法的部署，所有的计算节点上也应当拥有一个Alluxio worker。

当一个Spark作业在YARN上运行时,Spark启动executors不会考虑数据的本地化。之后Spark在决定怎样为它的executors分配任务时会正确地考虑数据的本地化。举例而言：如果host1包含了blockA并且使用blockA的作业已经在YARN集群上以--num-executors=1的方式启动了,Spark会将唯一的executor放置在host2上，本地化就比较差。但是，如果以--num-executors=2的方式启动并且executors开始于host1和host2上,Spark会足够智能地将作业优先放置在host1上。

 

参考链接：

（1）      http://www.alluxio.org/docs/master/cn/Running-Alluxio-on-a-Cluster.html

（2）      http://www.alluxio.org/docs/master/cn/Configuring-Alluxio-with-HDFS.html

（3）      http://www.alluxio.org/docs/master/cn/Running-Spark-on-Alluxio.html

（4）      http://www.alluxio.com/2016/04/getting-started-with-alluxio-and-spark/?utm_source=tuicool&utm_medium=referral

（5）      https://zhuanlan.zhihu.com/p/20624086