Hive with Spark 实战

桃扇骨 2022-05-30 01:47 71阅读 0赞

## 前言 ##

由于我司的系统已存在稳定的Hive on Hadoop集群以及Spark集群，随着业务发展，需要打通这两者，并能方便大家在其上进行开放，于是有了本文。本文实际是关于”Hive with Spark” 的，因为本文着重点在于阐述Hive与Spark的关系，并提供了在不改变当前已有的Spark、Hive、Hadoop系统的情况下打通各系统的调用方式，方便系统过渡，最后给出升级到Hive on Spark所需工作。

## 集群环境 ##

本文采用Hadoop2.5，Spark2.1，Hive1.2.2（需Hive0.13.1版本以上），以及4台虚拟主机来组成集群环境。具体安装本文不再做过多阐述，可以参考网上安装集群文章。

## Hive 概述 ##

Apache Hive是一种建立在Hadoop文件系统上的数据仓库架构软件，并能对存储在HDFS中的数据进行分析和管理。  
关于Hive的架构配置，关键是需要弄懂两个概念：Metadata，Metastore。

*  Metadata即元数据。元数据包含用Hive创建的database、tabel等的元信息。元数据存储在关系型数据库中。如Derby、MySQL等。
 *  Metastore的作用是：客户端连接metastore服务，metastore再去连接MySQL数据库来存取元数据。有了metastore服务，就可以有多个客户端同时连接，而且这些客户端不需要知道MySQL数据库的用户名和密码，只需要连接metastore服务即可。

连接Hive的架构就主要有三种，分别是：

*  内嵌模式，使用的是内嵌的Derby数据库来存储元数据，也不需要额外起Metastore服务。这个是默认的，配置简单，但是一次只能一个客户端连接，适用于用来实验，不适用于生产环境。
 *  本地元存储，和远程元存储都采用外部数据库来存储元数据，目前支持的数据库有：MySQL、Postgres、Oracle、MS SQL Server.在这里我们使用MySQL。
 *  远程元存储，和本地元存储的区别是：本地元存储不需要单独起Metastore服务，用的是跟hive在同一个进程里的metastore服务。远程元存储需要单独起Metastore服务，然后每个客户端都在配置文件里配置连接到该metastore服务。远程元存储的Metastore服务和hive运行在不同的进程里。

![Hive三种连接模式][Hive]

具体可参考：[Hive官网Wiki][Hive_Wiki]、[Hive安装配置指北][Hive 1]

## Spark SQL 概述 ##

从底层来说，Spark SQL经历了三步：读入数据 -> 对数据进行处理 -> 写入最后结果。主要涉及三个类：读入数据和写入最后结果用到两个类HiveContext和SQLContext，对数据进行处理用到的是DataFrame类。  
对于HiveContext和SQLContext，Spark2.0已做了很好的封装，我们只需要通过设置SparkConf（Spark参数集，可控制Spark所有行为包括是否启用Hive），然后使用SparkSession.sql方法即可让Spark底层帮我们自动切换两者。

![Spark SQL执行三步骤][Spark SQL]

具体框架可以参考[sparkSQL的整体实现框架][sparkSQL]。

## 方案比较 ##

*  方法一，功能有限，不适用。
 *  方法二，可以无需在代码中配置jdbc等连接参数，且做到代码中直接使用SparkSession.sql方式即可访问开发，测试，生产环境。
 *  方法三，需要额外部署Metastore服务，且如果使用service hive-metastore start方式启动则因其为单线程的，只能同时处理一个请求，如采用hive –service hiveserver2 方式启动，虽然能支持多线程响应，但需要加入jdbc等方式的连接代码。

为降低开发，降低调试、部署等步骤的复杂度，我们将采用Hive metastore本地元存储方式。

## 代码与配置 ##

一、 Hive 的配置主要围绕hive-site.xml，在spark集群中（假设读者已有可用的spark集群），则需将该文件放置到所有机器上的$SPARK\_HOME/conf/目录下。具体实例如下：

<property>
        
        <name>spark.sql.warehouse.dir</name>
        <value>hdfs://HOSTNAME:9000/apps/svr/hive-0.13.1-cdh5.3.2/warehouse</value>
    </property>
    <property>
        <name>hive.exec.scratdir</name>
        <value>/apps/svr/hive-0.13.1-cdh5.3.2/tmp</value>
    </property>
    <property>
        <name>hive.querylog.location</name>
        <value>/apps/svr/hive-0.13.1-cdh5.3.2/log</value>
    </property>
    <property>
        
        <name>javax.jdo.option.ConnectionURL</name>
        <value><![CDATA[jdbc:mysql://10.199.244.19:3306/hive_spark?zeroDateTimeBehavior=convertToNull&characterEncoding=utf8&useLocalSessionState=true&useSSL=false&autoReconnect=true&failOverReadOnly=false&maxReconnects=10&connectionTimeout=300&rewriteBatchedStatements=true]]></value> 
    </property>
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>
        <value>com.mysql.jdbc.Driver</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionUserName</name>
        <value>user</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionPassword</name>
        <value>password</value>
    </property>
    ...

以上内容，只需将 spark.sql.warehouse.dir 换做 hive.metastore.warehouse，并将修改的hive-site.xml文件放置 $HIVE\_HOME/conf目录下，即可通过 hive 命令连接到hdfs数据库。

二、修改$SPARK\_HOME/conf/spark-env.sh，添加

export SPARK_DIST_CLASSPATH=$(/apps/svr/hadoop-2.5.0-cdh5.3.2/bin/hadoop classpath)

此外还需保证Class Path中包含mysql的驱动jar包mysql-connector-java-5.1.22.jar，如hadoop中本来就配置有该引用路径即可不配，否则需添加

export SPARK_CLASSPATH=$SPARK_CLASSPATH:/apps/svr/extLibs/mysql-connector-java-5.1.22.jar

三、如在Eclipse开发环境中使用本地模式(local\[\*\])进行调试时，需在代码中增加Spark参数：

sparkConf.set("spark.sql.warehouse.dir", "hdfs://HOSTNAME:9000/apps/svr/hive-0.13.1-cdh5.3.2/warehouse/");
    
    sparkConf.set("javax.jdo.option.ConnectionURL", "jdbc:mysql://10.199.244.19:3306/hive_spark?characterEncoding=UTF-8")
             .set("javax.jdo.option.ConnectionDriverName", "com.mysql.jdbc.Driver")
             .set("javax.jdo.option.ConnectionUserName", "user")
             .set("javax.jdo.option.ConnectionPassword", "password");

除了硬代码方式外，也可以通过将hive-site.xml 文件放到src/main/resources或src/test/resources(使用junit等测试方式时生效)上实现相同效果，但这样容易不小心将该文件也打包到测试或生产环境，就可能覆盖了spark集群本身的hive-site.xml 文件，从而导致错误。

四、 Maven打包时需注意将hive包导入，这里使用Provided用于展示本地调试所需，且注意其版本号需与scala版本一致，否则可能导致运行不成功：

<dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-hive_${scala.binary.version}</artifactId>
      <version>${spark.version}</version>
      <scope>provided</scope>
      <exclusions>
        
        <exclusion>
          <groupId>org.slf4j</groupId>
          <artifactId>slf4j-log4j12</artifactId>
        </exclusion>
      </exclusions>
    </dependency>

## Hive on Spark 改造 ##

至此我们只需围绕配置hive-site.xml 则可顺利通过Spark分配Sql到Hive on Hadoop上执行，那我们进一步会问是否可以直接使用Spark 在Hive上执行Sql呢（即 Hive on Spark）？答案自然是可以的，但需要重新安装Spark系统 ，Spark官方提供的预编译版本，通常是不包含Hive支持的，需要采用源码编译，编译得到一个包含Hive支持的Spark版本。这块坑较多，有兴趣的同学可使用该文[Spark2.1.0入门：连接Hive读写数据（DataFrame）][Spark2.1.0_Hive_DataFrame]提供的Spark安装包直接使用。

--------------------

[Hive]: /images/20220530/e73317660c7e4931961b61a0a482c3f0.png
[Hive_Wiki]: https://cwiki.apache.org/confluence/display/Hive/Home
[Hive 1]: https://www.cnblogs.com/linbingdong/p/5829369.html
[Spark SQL]: /images/20220530/8b745641adff4477b98c6fdc777f4229.png
[sparkSQL]: http://blog.51cto.com/9269309/1845525
[Spark2.1.0_Hive_DataFrame]: http://dblab.xmu.edu.cn/blog/1383-2/