大数据开发对运行环境和数据的依赖比较重，比如开发Spark应用，往往会依赖Hive，但本地开发环境是没有Hive的，所以需要在本地和服务器之间拷贝代码，效率不高，我认为用Docker在本地搭建一套单机的大数据集群，然后将代码拷贝到容器里进行测试，可以改善这种情况。我自己对这个思路做过探索：https://github.com/iamabug/BigDataParty，这个镜像安装了Hadoop、Hive、Spark等组件，基本可以满足需求，但是也有一些问题存在，比如有时需要对配置进行调整来保持和生产环境的一致性，虽然可以做，但工作量也不少。
其实，CDH和HDP都提供了类似的单机镜像，其中HDP中组件的版本比较新，并且和公司的技术栈一致，因此来探索一下，如果体验更好的话，以后就用它来进行相关的开发了。
CDH镜像相关：https://hub.docker.com/r/cloudera/quickstart/
HDP镜像相关：https://www.cloudera.com/tutorials/sandbox-deployment-and-install-guide/3.html
Sandbox获取
系统要求
-
安装Docker 17.09 或更新的版本
-
对于Windows和Mac，Docker需要配置10G以上的内存
脚本下载与执行
可以在浏览器里访问https://www.cloudera.com/downloads/hortonworks-sandbox/hdp.html点击页面下载，也可以直接在命令行用wget下载：
$ wget --no-check-certificate https://archive.cloudera.com/hwx-sandbox/hdp/hdp-3.0.1/HDP_3.0.1_docker-deploy-scripts_18120587fc7fb.zip
解压并执行脚本：
$ unzip HDP_3.0.1_docker-deploy-scripts_18120587fc7fb.zip
Archive: HDP_3.0.1_docker-deploy-scripts_18120587fc7fb.zip
creating: assets/
inflating: assets/generate-proxy-deploy-script.sh
inflating: assets/nginx.conf
inflating: docker-deploy-hdp30.sh
$ sh docker-deploy-hdp30.sh
执行后会开始拉取docker镜像，需要下载几十G的数据，需要耐心等待。
Sandbox验证
脚本执行完毕后，使用 docker ps可以看到启动了两个容器：
CONTAINER ID IMAGE COMMAND CREATED STATUS PORTS NAMES
daf0f397ff6c hortonworks/sandbox-proxy:1.0 "nginx -g 'daemon of…" About an hour ago Up About an hour 0.0.0.0:1080->1080/tcp, ...
b925f92f368d hortonworks/sandbox-hdp:3.0.1 "/usr/sbin/init" About an hour ago Up About an hour 22/tcp, 4200/tcp, 8080/tcp
sandbox-hdp
其中 sandbox-proxy 这个容器先忽略，关注 sandbox-hdp 这个就可以，这时所有HDP的组件都已经启动了。
UI验证
因为已经做了端口映射，如果要访问特定的UI，直接访问localhost对应的端口就可以，可以先访问 localhost:1080的Splash页面：
这里提供了向导，点击左边的Launch Dashboard可以打开Ambari登陆页面和HDP的Tutorial页面，点击右边的Quick Links会打开下一级向导，包含Ambari、Zeppelin、Atlas、Ranger等组件的跳转链接：
其中Ambari的登陆密码可以参考https://www.cloudera.com/tutorials/learning-the-ropes-of-the-hdp-sandbox.html这个页面获取，根据不同用途可以选择不同的用户：
| 用户 | 角色 | 密码 |
|---|---|---|
| admin | Ambari Admin | 使用ambari-admin-password-reset命令初始化获得 |
| maria_dev | Spark and SQL Developer | maria_dev |
| raj_ops | Hadoop Warehouse Operator | raj_ops |
| holger_gov | Data Steward | holger_gov |
| amy_ds | Data Scientist | amy_ds |
Web UI的情况读者可以自行一一验证，下面来验证一下底层的存储和计算情况。
功能验证
命令行进入容器：
docker exec -it sandbox-hdp bash
HDFS验证
简单的ls一下：
[root@sandbox-hdp /]# hdfs dfs -ls /
Found 13 items
drwxrwxrwt - yarn hadoop 0 2018-11-29 17:56 /app-logs
drwxr-xr-x - hdfs hdfs 0 2018-11-29 19:01 /apps
drwxr-xr-x - yarn hadoop 0 2018-11-29 17:25 /ats
drwxr-xr-x - hdfs hdfs 0 2018-11-29 17:26 /atsv2
drwxr-xr-x - hdfs hdfs 0 2018-11-29 17:26 /hdp
drwx------ - livy hdfs 0 2018-11-29 17:55 /livy2-recovery
drwxr-xr-x - mapred hdfs 0 2018-11-29 17:26 /mapred
drwxrwxrwx - mapred hadoop 0 2018-11-29 17:26 /mr-history
drwxr-xr-x - hdfs hdfs 0 2018-11-29 18:54 /ranger
drwxrwxrwx - spark hadoop 0 2021-02-06 07:19 /spark2-history
drwxrwxrwx - hdfs hdfs 0 2018-11-29 19:01 /tmp
drwxr-xr-x - hdfs hdfs 0 2018-11-29 19:21 /user
drwxr-xr-x - hdfs hdfs 0 2018-11-29 17:51 /warehouse
Hive验证
Sandbox里已经内置了一些测试数据，select一下即可。
首先启动hive命令行：
[root@sandbox-hdp /]# hive
查看有哪些数据库：
0: jdbc:hive2://sandbox-hdp.hortonworks.com:2> show databases;
+---------------------+
| database_name |
+---------------------+
| default |
| foodmart |
| information_schema |
| sys |
+---------------------+
选择foodmart，再查看有哪些表：
0: jdbc:hive2://sandbox-hdp.hortonworks.com:2> use foodmart;
0: jdbc:hive2://sandbox-hdp.hortonworks.com:2> show tables;
+--------------------------------+
| tab_name |
+--------------------------------+
| account |
| ... |
+--------------------------------+
可以看到有很多表，我们就选择account这张表：
0: jdbc:hive2://sandbox-hdp.hortonworks.com:2> select * from account limit 1;
+---------------------+-------------------------+------------------------------+-----------------------+-------------------------+-------------------------+
| account.account_id | account.account_parent | account.account_description | account.account_type | account.account_rollup | account.custom_members |
+---------------------+-------------------------+------------------------------+-----------------------+-------------------------+-------------------------+
| 1000 | NULL | Assets | Asset | ~ | |
+---------------------+-------------------------+------------------------------+-----------------------+-------------------------+-------------------------+
非常OK。
Spark验证
启动spark-sql后查询account表：
spark-sql> select * from foodmart.account limit 1;
Error in query: Table or view not found: `foodmart`.`account`; line 1 pos 14;
'GlobalLimit 1
+- 'LocalLimit 1
+- 'Project [*]
+- 'UnresolvedRelation `foodmart`.`account`
奇怪
spark-sql> show databases;
default
只有default库。
做了一些搜索，发现貌似在HDP 3.0之后，Spark访问Hive表发生了大的变化，Spark的验证还需要进一步研究。
Sandbox管理
停止Sandbox
使用docker stop命令即可：
docker stop sandbox-hdp
docker stop sandbox-proxy
重启Sandbox
使用docker start命令即可：
docker start sandbox-hdp
docker start sandbox-proxy
清理Sandbox
先stop再remove：
docker stop sandbox-hdp
docker stop sandbox-proxy
docker rm sandbox-hdp
docker rm sandbox-proxy
如果要删除镜像的话：
docker rmi hortonworks/sandbox-hdp:3.0.1
总结
HDP Sandbox的启动非常方便，和文档没有出入，体验较好，大概率可以取代BigDataParty项目，继续试用和学习。
参考链接
-
https://www.cloudera.com/tutorials/sandbox-deployment-and-install-guide/3.html
-
https://www.cloudera.com/tutorials/learning-the-ropes-of-the-hdp-sandbox.html
公众号：大数志
传递最新、最有价值的大数据技术干货和资讯。
来源：oschina
链接：https://my.oschina.net/u/4809911/blog/4948451