背景介绍

相信凡是关注容器生态圈的人都不会否认，Kubernetes 已经成为容器编排调度的实际标准，不论 Docker 官方还是 Mesos 都已经支持了 Kubernetes。Spark 从2.3.0版本开始，也开始支持将任务提交至 Kubernetes 上进行计算。目前，Kylin Master 分支上的 Spark 版本也已经更新至了2.3.2，因此我决定尝试一下将 Kylin 的 Spark 任务提交至 Kubernetes 上进行计算，以验证 Kylin Spark Cubing on Kubernetes 的可行性。

 

什么是Kubernetes？

那么什么是 Kubernetes 呢？Kubernetes，简称K8s，是一个由 Google 开源的容器编排工具，用于自动化部署、扩展和管理容器化的应用程序。

Kubernetes 具备完善的集群管理能力，包括多层次的安全防护和准入机制、多租户应用支撑能力、透明的服务注册和服务发现机制、内建负载均衡器、故障发现和自我修复能力、服务滚动升级和在线扩容、可扩展的资源自动调度机制、多粒度的资源配额管理能力。还提供完善的管理工具，涵盖开发、部署测试、运维监控等各个环节。

Kubernetes这个名字源于希腊语，是舵手的意思，所以它的Logo既像一张渔网，又像一个罗盘。有意思的是 Docker 的 Logo 为驮着集装箱在大海上遨游的鲸鱼，Kubernetes 与 Docker 的关系可见一斑。

 

这里简单的介绍一下 Kubernetes 中的一个重要的概念，叫做 Pod。 Pod 是 Kubernetes 的最小工作单元。每个 Pod 运行着一个或多个容器，Pod 中的容器会作为一个整体被 K8s Master 调度到一个节点上运行。由于 K8s 本身的概念和组件都比较多，因此不在本文详细展开，感兴趣的同学可以查阅官方文档。

 

为什么要Spark run on Kubernetes？

当 Spark run on Kubernetes 时， Kubernetes 的角色是一个集群管理器，就如下图所示。

此时，Spark 能够利用 Kubernetes 的生态系统的特性以及所带来的优势。比如，可以直接利用 Kubernetes 的命名空间和资源配额对集群进行多租户设置和共享、可插拔授权和日志记录等管理功能；最重要的是，它不需要在 Kubernetes 集群上进行任何更改或新安装; 只需创建一个容器映像并为您的 Spark 应用程序设置正确的 RBAC角色即可。当您使用 Kubernetes 作为集群管理器时，您将与日志记录和监视解决方案无缝集成。

此外社区还在探索高级用例，例如管理流工作负载和利用服务网格等Istio。

 

如何将Spark job运行在Kubernetes上？

正确安装并配置 Spark 2.3+、和 Kubernetes（1.7+）。在安装 Kubernetes 的过程中，Docker 会从 Google 官方拉取镜像。Kubernetes 的官方镜像都是托管在 Google 自家的镜像服务上，因为众所周知的原因，在国内直接拉取几乎是不可能的，因此你得先让你的 linux 机器翻墙；还有一种解决方案是使用阿里云容器镜像服务来获取。具体方式不在此赘述，接下来直接介绍如何 run Spark job on Kubernetes。

 

一、制作镜像

Spark on Kubernetes 的本质是将任务打包放在由 K8s 管理的容器中运行，因此需要将任务打包成Docker image。

Spark 的 bin 目录下提供了docker-image-tool.sh脚本，用来制作 Docker image。该脚本默认会使用$SPARK_HOME/kubernetes/dockerfiles/spark/Dockerfile来构建镜像。以Spark的example程序为例，直接输入命令./bin/docker-image-tool.sh -t botcc -t spark-examplebuild。命令执行完毕后，能在 Docker 下查到这个镜像，说明构建成功，如下图。

 

现在我们来看一下这个Dockerfile：

 

原理很简单，就是将 spark 的运行时环境（jars、bin、conf等）和任务（examples）直接复制到镜像中即可。

 

二、上传镜像

镜像制作完毕后，使用./bin/docker-image-tool.sh -r botcc -t spark-example push命令推送至 Docker Hub 上。为什么呢？因为将 Spark 任务提交至 Kubernetes 后，Kubernetes 上的各节点会根据 repository name 和 tags 去寻找并下拉该镜像，以此来创建容器执行任务。若不上传，则 K8s 节点会因找不到该 image 而导致任务创建失败，无法执行。

 

三、提交Spark任务

Spark 向 K8s 提交任务时，命令与向 YARN 上提交相比略有改动，以提交 Spark example 程序中求 PI 值为例：

其中主要的改动是--master的参数变成了K8s master的地址；其次是指定依赖的命令变成了local://，local://相当于原先的--jar，但是它指的是容器中的jar包路径，而不是host机器上的路径！除了使用local://方式指定jar包依赖外，Spark还支持使用URL的方式来指定，详情可翻阅官方文档。--name是给spark driver pod进行命名；spark.kubernete.* 则是kubernetes相关的参数，比如权限验证等，这个根据实际情况来配置。任务提交后，查看pods的状态。

当driver pod的STATUS为ContainerCreating状态时，代表K8s的各节点正在拉取指定镜像。

当driver pod的STATUS为Running时，说明K8s的各节点拉取镜像成功，并开始创建executor pods执行计算任务，如下图。

此时你在 K8s 的各节点上执行 Docker images 命令，发现会新增一个名为 botcc/spark:spark-example 的镜像。

当driver pod的STATUS会变成Completed时，此时任务执行成功。

 

四、工作流

综上，总结一下K8s提交任务后的整个工作流。

一切从用户使用spark-submit命令向K8s集群提交任务开始：

 

K8s 接收到任务后，scheduler启动一个spark driver pod：

Driver pod会根据需要，向scheduler申请分配若干个executor pods：

 

调度器生成executor pods，executor pods执行计算任务：

 

任务执行完成后，executorpods被销毁，资源释放；driver pods保留，并存放了log，直至K8s GC或用户手动删除。

 

如何将Kylin的Spark job运行在 Kubernetes上？

因为 Kylin Spark Cubing 的本质也是用 spark-submit 将任务提交至 Spark 上进行计算，并将结果写入 HBase。因此根据上述 run Spark examples on K8s 的步骤，我们举一反三，将其移植到 Kylin 的 Spark 任务上，就能实现 Kylin Spark cubing on Kubernetes。

 

一、添加Hadoop conf

将Hadoop conf的文件添加至$SPARK_HOME/conf目录下，使Spark Job在容器中运行时能够读取到Hadoop的配置信息。默认情况下，./bin/docker-image-tool.sh脚本会将$SPARK_HOME/conf打包进docker images中。

 

二、添加jar包

首先要分析Kylin Spark Cubing时，在哪些步骤提交了Spark任务，这些步骤又分别使用了哪些jar包？通过在Kylin Web UI上分析log，我们可以确定在以下三步中，Kylin提交了spark作业，分别为Step 3: Extract Fact Table Distinct Columns, Step 7: Build Cube with Spark, Step8: Convert Cuboid Data to HFile。其中Step 3、Step 7、Step 8都依赖kylin-job-<version>.jar； 除此之外Step8还依赖HBase相关的jar包，以我的集群为例，依赖的有hbase-common-1.2.0-cdh5.15.1.jarhbase-server-1.2.0-cdh5.15.1.jar、hbase-client-1.2.0-cdh5.15.1.jar、hbase-protocol-1.2.0-cdh5.15.1.jar、hbase-hadoop-compat-1.2.0-cdh5.15.1.jar、htrace-core-3.2.0-incubating.jar、metrics-core-2.2.0.jar。

根据上面对Dockerfile的分析以及出于方便起见，将这些jar包复制到$SPARK_HOME/examples/jars目录下（当然路径也可以自由指定，但是需要在Dockerfile做对应的增改），将这些jar包打包至Docker images中。如下图：

 

三、修改EntryPoint.sh（可选）

修改 $SPARK_HOME/kubernetes/dockerfiles/spark/entrypoint.sh脚本，新增Hadoop的hosts，如下图。该步骤的目的是，在提交任务时可以用hostname代替ip地址。

 

四、修改kylin.properties配置文件

正如 Kylin 官网上所说的，“所有使用“kylin.engine.spark-conf.”作为前缀的 Spark 配置属性都能在$KYLIN_HOME/conf/kylin.properties 中进行管理”。因此把原先有关YARN相关的配置都注释掉，并加上spark.kubernetes相关的配置，如下图所示。

其中 kylin.engine.spark-conf.local是我自定义的一个参数，用以指定容器中所依赖的jar包的home path。

 

五、微改Kylin代码

我们先对比一下Kylin提交Spark任务on YARN和on K8s之间的区别：

 

Spark on YARN:

export HADOOP_CONF_DIR=/etc/hadoop/conf && /root/apache-kylin-version-SNAPSHOT-bin/spark/bin/spark-submit --class org.apache.kylin.common.util.SparkEntry

--conf spark.master=yarn

--conf spark.submit.deployMode=cluster

--conf spark.executor.instances=40

--conf spark.yarn.archive=hdfs://cdh1.cloudera.com:8020/kylin/spark/spark-libs.jar

--conf spark.yarn.queue=default

--conf spark.history.fs.logDirectory=hdfs://cdh1.cloudera.com:8020/kylin/spark-history

--conf spark.io.compression.codec=org.apache.spark.io.SnappyCompressionCodec

--conf spark.hadoop.yarn.timeline-service.enabled=false

--conf spark.executor.memory=768M

--conf spark.eventLog.enabled=true

--conf spark.eventLog.dir=hdfs://cdh1.cloudera.com:8020/kylin/spark-history

--conf spark.yarn.executor.memoryOverhead=384

--conf spark.driver.memory=800M

--conf spark.shuffle.service.enabled=true

--jars /root/apache-kylin-version-SNAPSHOT-bin/lib/kylin-job-version-SNAPSHOT.jar, /root/apache-kylin-version-SNAPSHOT-bin/lib/kylin-job-version-SNAPSHOT.jar

-className org.apache.kylin.engine.spark.SparkFactDistinct

……

 

Spark on K8s:

export HADOOP_CONF_DIR=/etc/hadoop/conf && /root/apache-kylin-version-SNAPSHOT-bin/spark/bin/spark-submit --class org.apache.kylin.common.util.SparkEntry

--name kylin-spark

--master k8s://https://10.1.30.85:6443

--deploy-mode cluster

--conf spark.kubernetes.container.image=botcc/spark:spark-docker

--conf spark.kubernetes.authenticate.submission.caCertFile=/root/BOT/ca.crt

--conf spark.kubernetes.authenticate.submission.clientKeyFile=/root/BOT/front-proxy-client.key

--conf spark.kubernetes.authenticate.driver.serviceAccountName=spark

--conf spark.executor.instances=40

--conf spark.history.fs.logDirectory=hdfs://cdh1.cloudera.com:8020/kylin/spark-history

--conf spark.io.compression.codec=org.apache.spark.io.SnappyCompressionCodec

--conf spark.executor.memory=768M

--conf spark.eventLog.enabled=true

--conf spark.eventLog.dir=hdfs://cdh1.cloudera.com:8020/kylin/spark-history

--conf spark.driver.memory=800M

--conf spark.shuffle.service.enabled=true

local:///opt/spark/examples/jars/kylin-job-version-SNAPSHOT.jar,local:///opt/spark/examples/jars/kylin-job-version-SNAPSHOT.jar

-className org.apache.kylin.engine.spark.SparkFactDistinct

……

因此，很自然而然地得出修改思路： 获取配置文件中的master类型，根据master的类型来生成对应格式的Spark参数；如果是提交至K8s，则生成K8s格式的命令；若提交至YARN，则生成YARN格式的命令。提交Spark任务的命令是在SparkExecutable.dowork()方法中生成的，因此在该方法下进行修改。其中，关键代码如下：

 

 

备注：由于此次是“初探”，因此我新建了一个分支，用来进行代码修改和功能验证。待日后功能完善后，再申请PR合入master。

 

六、效果演示

Step 3时，pod成功创建并运行：

 

Step7、Step 8同样也能成功创建并运行 Pod。

最终，三个Step全部执行成功：

 

执行一个测试查询语句，能够成功查出数据：

 

 

总结

通过实验验证，Apache Kylin 的 Spark 任务引擎，是可以完全运行在 Kubenetes 集群上的，从而将 Kubenetes 的各种益处完全赋予Kylin用户。目前 Spark on Kubernetes 还有一些有待提高的地方，例如尚不支持 external shuffle service、添加jar包依赖比较麻烦、不支持对容器中的 Spark 任务进行管理等；Spark 社区也在持续不断地改进 Spark on Kubernetes 方案，相信在不远的将来这些问题都会被解决。

 

目前很多企业已经或者开始将各类服务往 Kubernetes 集群上迁移，例如京东、eBay、Google等，这是未来的趋势，我们会持续对其进行关注。

 

参考：

1.

2.

3.

4.

5.

6.

 

作者简介

曹礼俊，开源软件、大数据、IoT爱好者；现就职于 Kyligence， 参与 Kylin 等项目的研究和开发工作。