本项目为平时使用Spark/HBase/Kafka等大数据组件的Demo示例,后续会逐渐丰富;
- 支持Kerberos/非Kerberos环境下操作HBase/Kafka/HDFS/Spark;
- 支持Spark Streaming实时读取Kafka;
- 支持Kafka/HBase相关可配置;
- 支持Yarn/local环境下操作;
- 支持Java/Scala两种语言编写Spark相关代码;
- 只支持Spark 2.1.1;
TODO:
- 补充Spark SQL/StructStreaming相关代码;
- 补充Kafka/HBase相关操作;
- 支持Spark多版本;
src/main/java: java语言编写程序示例; src/main/scala: scala语言编写程序示例; src/main/resources: 项目使用resources示例;
基本Spark程序
- com.netease.spark.DummyCountJava: 简单的word count程序;
Spark Streaming相关
- com.netease.spark.streaming.hbase.JavaKafkaToHBaseKerberos: 在Kerberos环境下从Kafka读取并写入HBase;
- com.netease.spark.streaming.hdfs.JavaHdfsToHdfsKerberos: 在Kerberos环境下从Kafka读取并写入HDFS;
- com.netease.spark.streaming..JavaDirectKafkaWordCountKerberos: 在Kerberos环境下从Kafka读取数据并且进行WordCount计算;
基本Spark程序
- com.netease.spark.DummyCountScala: 简单的word count程序;
Spark Streaming相关
- com.netease.spark.streaming.hbase.HBaseTest: 非Kerberos环境下自动生成数据写入HBase;
- com.netease.spark.streaming.hbase.KafkaToHBase: 在Kerberos环境下从Kafka读取并写入HBase;
- com.netease.spark.streaming.hdfs.KafkaToHdfs: 在非Kerberos环境下从Kafka读取并写入HDFS;
- com.netease.spark.streaming.hdfs.HdfsWordCount: 基于Spark Streaming统计HDFS路径下WordCount;
- com.netease.spark.streaming.DirectKafkaWordCount: 在非Kerberos环境下从Kafka读取数据并且进行WordCount计算;
- com.netease.spark.streaming.DirectKafkaWordCountKerberos: 在Kerberos环境下从Kafka读取数据并且进行WordCount计算;
构建环境分为Kerberos和非Kerberos环境, 但如果想完整地运行本项目,需要依赖如下组件(考虑是否开启Kerberos):
- Spark环境;
- HDFS环境;
- Yarn环境;
- Kafka环境;
- HBase环境;
在运行程序前,请配置好src/main/resources/conf.properties文件,保障访问集群正常;
生成本机的kafka_client_jaas.conf文件和kafka.service.keytab文件;(keytab文件理论上可以不用kafka的,但需要在broker测添加acl权限)
a. 因为kafka默认使用的协议为PLAINTEXT,在kerberos环境下需要变更其通信协议: 在${KAFKA_HOME}/config/producer.properties
和config/consumer.properties
下添加
security.protocol=SASL_PLAINTEXT
b. 在执行前,需要在环境变量中添加KAFKA_OPT选项,否则kafka无法使用keytab:
export KAFKA_OPTS="$KAFKA_OPTS -Djava.security.auth.login.config=/usr/ndp/current/kafka_broker/conf/kafka_jaas.conf"
其中kafka_jaas.conf
内容如下:
KafkaServer {
com.sun.security.auth.module.Krb5LoginModule required
useKeyTab=true
keyTab="/etc/security/keytabs/kafka.service.keytab"
storeKey=true
useTicketCache=false
serviceName="kafka"
principal="kafka/[email protected]";
};
KafkaClient {
com.sun.security.auth.module.Krb5LoginModule required
useTicketCache=true
renewTicket=true
serviceName="kafka";
};
Client {
com.sun.security.auth.module.Krb5LoginModule required
useKeyTab=true
keyTab="/etc/security/keytabs/kafka.service.keytab"
storeKey=true
useTicketCache=false
serviceName="zookeeper"
principal="kafka/[email protected]";
};
c. 创建新的topic:
bin/kafka-topics.sh --create --zookeeper hzadg-mammut-platform2.server.163.org:2181,hzadg-mammut-platform3.server.163.org:2181 --replication-factor 1 --partitions 1 --topic spark-test
d. 创建生产者:
bin/kafka-console-producer.sh --broker-list hzadg-mammut-platform2.server.163.org:6667,hzadg-mammut-platform3.server.163.org:6667,hzadg-mammut-platform4.server.163.org:6667 --topic spark-test --producer.config ./config/producer.properties
e. 测试消费者:
bin/kafka-console-consumer.sh --zookeeper hzadg-mammut-platform2.server.163.org:2181,hzadg-mammut-platform3.server.163.org:2181 --bootstrap-server hzadg-mammut-platform2.server.163.org:6667 --topic spark-test --from-beginning --new-consumer --consumer.config ./config/consumer.properties
f. 确定现有kafka topics已有权限:
bin/kafka-acls.sh --authorizer-properties zookeeper.connect=hzadg-mammut-platform2.server.163.org:2181,hzadg-mammut-platform3.server.163.org:2181 --list --topic spark-test
g. 添加任意账号在test-consumer-group
组有consumer权限:
bin/kafka-acls.sh --authorizer-properties zookeeper.connect=hzadg-mammut-platform2.server.163.org:2181,hzadg-mammut-platform3.server.163.org:2181 --add --allow-principal User:* --consumer --topic spark-test --group test-consumer-group
h. 添加任意账号在spark-test
topics有producer权限:
bin/kafka-acls.sh --authorizer-properties zookeeper.connect=hzadg-mammut-platform2.server.163.org:2181,hzadg-mammut-platform3.server.163.org:2181 --add --allow-principal User:* --producer --topic spark-test
cd /usr/ndp/current/hbase_client
kinit -kt /etc/security/keytabs/hbase.service.keytab hbase/[email protected]
./bin/hbase shell
create 'hbase-test', 'f1'
put 'hbase-test', 'row1', 'f1:a', 'v1'
put 'hbase-test', 'row2', 'f1:a', 'v2'
这个问题是许多Spark用户都比较纠结的问题,原因在于Spark繁杂的配置项,如果对其理解不透,则在使用的时候,只能一遍遍地试用了; 现在以JavaKafkaToHBaseKerberos为例,讲解如何使用Spark Streaming从Kafka读取数据并写入HBase。
现对spark-sumbit中几个比较重要的配置,做一个说明:
-
--files : 必须用','相隔,文件会上传至executor的工作路径,默认并没有加载至classpath中,一般使用在配置文件相关;
-
--jars : 必须用','相隔,文件会上传至executor/driver(cluster模式下)的工作路径,默认会加载至classpath中,一般使用在所依赖的jar相关;
-
--class : 加载主类名;
-
--master yarn : yarn集群的方式提交
-
--queue : 提交yarn队列的名称;
-
--driver-memory : driver申请内存;
-
--executor-memory : executor申请内存;
-
--executor-cores : 每个executor中使用的cores数量,建议2~5个;
-
--conf :spark-submit启动spark任务时配置项内容,其中又包含如下几个比较重要的(示例):
- --conf "spark.executor.extraJavaOptions=-Djava.security.auth.login.config=./kafka_client_jaas.conf" : executor启动是的jvm配置项,一般kerberos系统配置会使用到;
- --conf spark.yarn.keytab=/etc/security/keytabs/hbase.service.keytab : spark-submit 依赖的keytab配置;
- --conf spark.yarn.principal=hbase/[email protected] : spark-submit 启动依赖的principle配置;
- --conf spark.driver.extraClassPath=./spark-demos-0.1.0/lib/* : driver启动时添加jvm的classpath,加载必要的jar;
-
--driver-java-options : driver 启动是的jvm配置项,一般kerberos系统配置会使用到;
所以基于上述的配置项,如果运行KafkaToHBase项目,首先
- 将项目依赖的配置文件加载通过--files保障executor配置项是同步的;
- 将kerberos认证相关内容、相关配置复制到项目路径下(./kafka_client_jaas.conf,./kafka.service.keytab,./hbase-site.xml );
- 将项目依赖的(Spark/Yarn环境没有提供的jar)通过--jars上传至executor工作路径中;
其中注意,由于--files/--jars针对多个文件都是用','分割的,所以可以使用下面这个命令生成凭借字符串(注意变更必要参数):
r='';for i in
ls ./lib/
;do r=${r},"./lib/$i";done ; echo $r
针对https://github.com/LiShuMing/spark-demos
项目,启动如下:
- 编译完毕后,将
target/spark-demos-0.1.0-distribution.tar.gz
编译文件mv到工作环境,解压; - 将依赖的
kafka_client_jaas.conf kafka.service.keytab
复制到项目路径下; - 基于
r='';for i in
ls ./lib/;do r=${r},"./lib/$i";done ; echo $r
生成--jars必要拼接串;
最终运行命令如下(具体使用需要调整):
/usr/ndp/current/spark2_client/bin/spark-submit \
--files ./kafka_client_jaas.conf,./kafka.service.keytab,./hbase-site.xml \
--conf "spark.executor.extraJavaOptions=-Djava.security.auth.login.config=./kafka_client_jaas.conf" \
--driver-java-options "-Djava.security.auth.login.config=./kafka_client_jaas.conf" \
--conf spark.yarn.keytab=/etc/security/keytabs/hbase.service.keytab \
--conf spark.yarn.principal=hbase/[email protected] \
--conf spark.driver.extraClassPath=./spark-demos-0.1.0/lib/* \
--jars ./lib/commons-cli-1.2.jar,./lib/commons-codec-1.9.jar,./lib/commons-collections-3.2.2.jar,./lib/commons-httpclient-3.1.jar,./lib/commons-io-2.4.jar,./lib/commons-lang-2.6.jar,./lib/commons-lang3-3.3.2.jar,./lib/commons-logging-1.2.jar,./lib/commons-math-2.2.jar,./lib/disruptor-3.3.0.jar,./lib/findbugs-annotations-1.3.9-1.jar,./lib/guava-12.0.1.jar,./lib/hamcrest-core-1.3.jar,./lib/hbase-annotations-1.2.6.jar,./lib/hbase-client-1.2.6.jar,./lib/hbase-common-1.2.6.jar,./lib/hbase-common-1.2.6-tests.jar,./lib/hbase-hadoop2-compat-1.2.6.jar,./lib/hbase-hadoop-compat-1.2.6.jar,./lib/hbase-prefix-tree-1.2.6.jar,./lib/hbase-procedure-1.2.6.jar,./lib/hbase-protocol-1.2.6.jar,./lib/hbase-server-1.2.6.jar,./lib/htrace-core-3.1.0-incubating.jar,./lib/jackson-core-asl-1.9.13.jar,./lib/jackson-jaxrs-1.9.13.jar,./lib/jackson-mapper-asl-1.9.13.jar,./lib/jcodings-1.0.8.jar,./lib/jdk.tools-1.8.jar,./lib/jetty-util-6.1.26.jar,./lib/jline-0.9.94.jar,./lib/joni-2.1.2.jar,./lib/junit-4.12.jar,./lib/kafka-clients-0.10.0.1.jar,./lib/log4j-1.2.17.jar,./lib/lz4-1.3.0.jar,./lib/metrics-core-2.2.0.jar,./lib/netty-3.8.0.Final.jar,./lib/netty-all-4.0.29.Final.jar,./lib/protobuf-java-2.5.0.jar,./lib/slf4j-api-1.7.7.jar,./lib/slf4j-log4j12-1.7.7.jar,./lib/snappy-java-1.1.2.6.jar,./lib/spark-demo-0.1.0.jar,./lib/spark-streaming-kafka-0-10_2.11-2.0.2.jar,./lib/unused-1.0.0.jar,./lib/zookeeper-3.4.6.jar \
--master yarn \
--class com.netease.spark.streaming.hbase.JavaKafkaToHBaseKerberos \
--executor-memory 1g \
--driver-memory 2g \
--executor-cores 1 \
--queue default \
--deploy-mode client ./lib/spark-demo-0.1.0.jar