Spark 3.0 已来，是时候 on kubernetes 了

随着kubernetes的发展，大数据体系拥抱k8s成为了必经之路。

从Spark 2.4 版本开始，Spark 实验性支持 Kubernetes 作为资源管理器。不过虽然是实验性质，但是已经有很多单位将之用于生产环境了，并取得很好的效果，在可移植性，可扩展性，成本等方面都取得了收益。

本文主要解读一下Spark 3.0 对于kubernetes的增强。

本文共分为5个部分，每个部分都有一个功能类别。你将首先看到配置更改，然后是运行时环境和安全性增强。之后，将了解Kubernetes的主要发展之一-pod模板。到文章末尾，将了解到从贡献者的角度来看发生了什么变化。

配置

此类别的第一个重要更改是配置验证。从Apache Spark 3.0开始，与模式 [-._a-zA-Z][-._a-zA-Z0-9]* 不匹配的Kubernetes属性（带有 spark.executorEnv 前缀）将被忽略并显示警告消息如下：

Invalid key: ... a valid environment variable name must consist of alphabetic characters, digits, '_', '-', or '.', and must not start with a digit.

在3.0版本中，可以使用 spark.kubernetes.driver.request.cores 属性为 driver 请求特定数量的CPU核。而 executor 的属性（spark.kubernetes.executor.request.cores）自Spark 2.4.0起可用。

除此之外，还添加了一些时间控制属性。使用 spark.kubernetes.submission.connectionTimeout 和 spark.kubernetes.submission.requestTimeout ，可以控制连接和请求超时，以在客户端模式下启动 executor 程序。还存在两个类似的属性来处理请求 driver 的相同超时（ spark.kubernetes.driver.requestTimeout ， spark.kubernetes.driver.connectionTimeout ）。

运行时环境

另一类功能与运行时环境有关。首先，对于PySpark的用户，Python 3是Docker镜像中的默认绑定（仍支持版本2）

// Default change in the config
  val PYSPARK_MAJOR_PYTHON_VERSION =
    ConfigBuilder("spark.kubernetes.pyspark.pythonVersion")
      .doc("This sets the major Python version. Either 2 or 3. (Python2 or Python3)")
      .version("2.4.0")
      .stringConf
      .checkValue(pv => List("2", "3").contains(pv),
        "Ensure that major Python version is either Python2 or Python3")
      .createWithDefault("3") // was "2" in Spark 2.4.0

如果对绑定感到好奇，可以仔细研究以下的代码：

# /resource-managers/kubernetes/docker/src/main/dockerfiles/spark/entrypoint.sh
if [ "$PYSPARK_MAJOR_PYTHON_VERSION" == "2" ]; then
    pyv="$(python -V 2>&1)"
    export PYTHON_VERSION="${pyv:7}"
    export PYSPARK_PYTHON="python"
    export PYSPARK_DRIVER_PYTHON="python"
elif [ "$PYSPARK_MAJOR_PYTHON_VERSION" == "3" ]; then
    pyv3="$(python3 -V 2>&1)"
    export PYTHON_VERSION="${pyv3:7}"
    export PYSPARK_PYTHON="python3"
    export PYSPARK_DRIVER_PYTHON="python3"
fi

关于Scala-Spark API，第一个运行时演进涉及JDK版本。你可能已经知道，Apache Spark 3.0直接跳过了版本9和10的兼容性工作之后，添加了对JDK版本11（SPARK-24417）的支持。在Kubernetes部分中实现了这一支持，并提供了一个示例，该示例使用来自docker-image-tool.sh 的Java 11标记构建的Spark Docker镜像：

$0 -r docker.io/myrepo -t v3.0.0 -b java_image_tag=11-jre-slim build

最后，为了优化测试执行，Apache Spark 3.0测试镜像使用JRE而不是JDK。

安全增强

在下一类别中，可以找到所有重要的安全增强功能。关于容器，最佳实践之一是不在镜像中使用root用户。在以前的版本中，从项目的docker-image-tool.sh构建的镜像使用根目录。它在3.0中进行了更改，因为该脚本设置了可以用 -u 参数覆盖的默认用户。

第二个重要演变是关于secret编辑。在Apache Spark 3.0之前，UI和日志中仅显示带有“ secret”或“ password”之类的配置属性的值。在3.0中，针对该Kubernetes服务器身份验证中使用的 spark.kubernetes.authenticate.submission.oauthToken 属性，向该列表添加了一个新配置“令牌”。

最后，Apache Spark 3.0还添加了在集群和客户端模式下对Kerberos的支持。回想一下，Kerberos是一种基于票证的网络身份验证协议，用于解决非安全网络中的身份问题。在Apache Spark上下文中，此功能有助于与HDFS或任何其他kerberized服务进行安全通信。

可扩展性

下一个重要功能是可扩展性。 Kubernetes附带了一个称为Pod模板的YAML规范，可用于创建和运行新Pod。社区选择它作为定制请求的替代方法。在此之前，必须将任何新的Kubernetes选项添加到Apache Spark配置文件中。从长远来看，这可能会增加Kubernetes和Spark之间的差距，并使该项目难以维护。

扩展在Kubernetes上执行的Apache Spark Pod的一种灵活方法是使用这些属性中的Pod模板，即 driver 的 spark.kubernetes.driver.podTemplateFile 和 executor 的 spark.kubernetes.executor.podTemplateFile 。重要的是要注意，某些模板属性永远不会覆盖Apache Spark配置管理的值，例如，用于命名空间或pod重启策略的属性。

随着Kubernetes的发展，Pod的参数会逐步增加，单纯依靠命令行参数，会变得越来越复杂。对于Pod模板的支持，一是可以降低spark 对于k8s版本的耦合，二是表达力更加丰富。

测试优化

新版本的Apache Spark测试中用更加轻量级更强大的Minio取代了Ceph。

此外，还为secret测试添加了更好的错误消息处理。同样，具有不可预测的Thread.sleep的并发控件也被侦听器和基于CountDownLatch的编排所替代（有关Java类的更多信息，请参见CountDownLatch）。

除此之外，还为Apache Spark 2.4中引入的功能添加了一些额外的集成测试。其中之一涉及持久卷。

结论

按照社区规划，从Apache Spark 3.1.0开始，Kubernetes资源管理器的状态将从试验性变为一般可用性，并会增加很多新功能。在翻译本文的时候，Apache Spark 3.1.0 已经release，是时候将我们的spark 运行到 k8s 中了。

配置

运行时环境

安全增强

可扩展性

测试优化

结论

Recommend

Dapp已来

iOS + PWA 已来，你来吗？

[译] iOS + PWA 已来，你来吗？

凛冬已至，区块链Web3.0已来

Android 11已来，安卓碎片化带来的安全风险却越发突出

多元产业+数字科技 “新恒大”已来

分析引擎 2.0 已来，神策再刷行业标准！

“战新”已兴，“未来”已来！光明给全世界交上亮眼“答卷”

阿里“深蹲”已来，“起跳”还远吗？

搅局者GPT-4已来，AR产业竞争格局迈入新维度

About Joyk