大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现_大数据老司机

未知 02-07 2015

文章目录一、Spark on Hive 和 Hive on Spark的区别1）Spark on Hive2）Hive on Spark（本章实现）二、Hive on Spark实现1）先下载hive源码包查看spark版本2）下载spark3）解压编译4）解压5）把spark jar包上传到HDFS6）打包spark jar包并上传到HDFS7）配置1、配置spark-defaults.conf2、配置spark-env.sh3、配置hive-site.xml 8）设置环境变量9）初始化数据库（mysql）10）启动或者重启hive的metstore服务11）测试验证

一、Spark on Hive 和 Hive on Spark的区别 1）Spark on Hive

Spark on Hive 是Hive只作为存储角色，Spark负责sql解析优化，执行。这里可以理解为Spark 通过Spark SQL 使用Hive 语句操作Hive表 ,底层运行的还是 Spark RDD。具体步骤如下：

通过SparkSQL，加载Hive的配置文件，获取到Hive的元数据信息；获取到Hive的元数据信息之后可以拿到Hive表的数据；通过SparkSQL来操作Hive表中的数据。

具体实现在我之前的博文中已经讲过，在这里就不再重复了，实现很简单，可以参考：大数据Hadoop之——Spark SQL+Spark Streaming

【总结】Spark使用Hive来提供表的metadata信息。

2）Hive on Spark（本章实现）

Hive on Spark是Hive既作为存储又负责sql的解析优化，Spark负责执行。这里Hive的执行引擎变成了Spark，不再是MR，这个要实现比Spark on Hive麻烦很多, 必须重新编译你的spark和导入jar包，不过目前大部分使用的确实是spark on hive。

Hive默认使用MapReduce作为执行引擎，即Hive on MapReduce。实际上，Hive还可以使用Tez和Spark作为其执行引擎，分别为Hive on Tez和Hive on Spark。由于MapReduce中间计算均需要写入磁盘，而Spark是放在内存中，所以总体来讲Spark比MapReduce快很多。因此，Hive on Spark也会比Hive on MapReduce快。由于Hive on MapReduce的缺陷，所以企业里基本上很少使用了。

【总结】hive on spark大体与spark on hive结构类似，只是SQL引擎不同，但是计算引擎都是spark！

参考文档：

https://cwiki.apache.org/confluence/display/Hive/Hive+on+Sparkhttps://cwiki.apache.org/confluence/display/Hive/Hive+on+Spark:+Getting+Started#HiveonSpark:GettingStarted-VersionCompatibilityhttps://cwiki.apache.org/confluence/display/Hive/HiveDeveloperFAQ#HiveDeveloperFAQ-HowdoIimportintoEclipse? 二、Hive on Spark实现

编译Spark源码

要使用Hive on Spark，所用的Spark版本必须不包含Hive的相关jar包，hive on spark 的官网上说“Note that you must have a version of Spark which does not include the Hive jars”。在spark官网下载的编译的Spark都是有集成Hive的，因此需要自己下载源码来编译，并且编译的时候不指定Hive。最终版本：Hadoop3.3.1+Spark2.3.0+Hive3.1.2，其实主要是spark和hive版本对应上就行，hadoop版本好像没那么严格，所以这里hadoop版本我使用当前最新版本，但是还是建议使用hive的pom.xml配置文件里配置的版本。

1）先下载hive源码包查看spark版本 $ cd /opt/bigdata/hadoop/software $ wget http://archive.apache.org/dist/hive/hive-3.1.2/apache-hive-3.1.2-src.tar.gz $ tar -zxvf apache-hive-3.1.2-src.tar.gz $ egrep 'spark.version|hadoop.version' apache-hive-3.1.2-src/pom.xml

2）下载spark

下载地址：https://archive.apache.org/dist/spark/spark-2.3.0/

$ cd /opt/bigdata/hadoop/software # 下载 $ wget http://archive.apache.org/dist/spark/spark-2.3.0/spark-2.3.0.tgz 3）解压编译 # 解压 $ tar -zxvf spark-2.3.0.tgz $ cd spark-2.3.0 # 开始编译，注意hadoop版本 $ ./dev/make-distribution.sh --name without-hive --tgz -Pyarn -Phadoop-2.7 -Dhadoop.version=3.3.1 -Pparquet-provided -Porc-provided -Phadoop-provided # 或者（这里不执行下面这句，因为跟上面等价） $ ./dev/make-distribution.sh --name "without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided,orc-provided" 命令解释： -Phadoop-3.3 \ -Dhadoop.version=3.3.1 \ ***指定hadoop版本为3.3.1 --name without-hive hive 是编译文件的名字参数 --tgz ***压缩成tgz格式 -Pyarn 是支持yarn -Phadoop-2.7 是支持的hadoop版本，一开始使用的是3.3后来提示hadoop3.3不存在，只好改成2.7，编译成功 -Dhadoop.version=3.3.1 运行环境

但是发现编译卡住了，原来编译会自动下载maven和scala，存放在build目录下，如图：

自动下载完maven和scala，就开始编译了，编译耗时还是比较久，慢慢等待编译结束吧。

编译花了半个小时左右，终于编译完成了。编译的时间太漫长，下面我也会把我编译好的spark包放在网盘上供大家下载使用。在当前目录下就有编译好的spark包

$ ll

4）解压 $ tar -zxvf spark-2.3.0-bin-without-hive.tgz -C /opt/bigdata/hadoop/server/ $ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive $ ll

5）把spark jar包上传到HDFS

【温馨提示】hive-site.xml文件里配置需要。

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/ ### 创建日志存放目录 $ hadoop fs -mkdir -p hdfs://hadoop-node1:8082/tmp/spark ### 在hdfs上创建存放jar包目录 $ hadoop fs -mkdir -p /spark/spark-2.4.5-jars ## 上传jars到HDFS $ hadoop fs -put ./jars/* /spark/spark-2.4.5-jars/

如果使用了打包好的jar包，hive操作时会报如下错误：

Failed to execute spark task, with exception ‘org.apache.hadoop.hive.ql.metadata.HiveException(Failed to create Spark client for Spark session c8c46c14-4d2a-4f7e-9a12-0cd62bf097db)’ FAILED: Execution Error, return code 30041 from org.apache.hadoop.hive.ql.exec.spark.SparkTask. Failed to create Spark client for Spark session c8c46c14-4d2a-4f7e-9a12-0cd62bf097db

6）打包spark jar包并上传到HDFS

【温馨提示】spark-default.xml文件需要配置打包好的jar包，spark-submit会调用。

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/ $ jar cv0f spark2.3.0-without-hive-libs.jar -C ./jars/ . $ ll ### 在hdfs上创建存放jar包目录 $ hadoop fs -mkdir -p /spark/jars ## 上传jars到HDFS $ hadoop fs -put spark2.3.0-without-hive-libs.jar /spark/jars/

如果不打包，则会报如下错误：

Exception in thread “main” java.io.FileNotFoundException: File does not exist: hdfs://hadoop-node1:8082/spark/spark-2.3.0-jars/*.jar at org.apache.hadoop.hdfs.DistributedFileSystem$29.doCall(DistributedFileSystem.java:1756) at org.apache.hadoop.hdfs.DistributedFileSystem 29. d o C a l l ( D i s t r i b u t e d F i l e S y s t e m . j a v a : 1749 ) a t o r g . a p a c h e . h a d o o p . f s . F i l e S y s t e m L i n k R e s o l v e r . r e s o l v e ( F i l e S y s t e m L i n k R e s o l v e r . j a v a : 81 ) a t o r g . a p a c h e . h a d o o p . h d f s . D i s t r i b u t e d F i l e S y s t e m . g e t F i l e S t a t u s ( D i s t r i b u t e d F i l e S y s t e m . j a v a : 1764 ) a t o r g . a p a c h e . s p a r k . d e p l o y . y a r n . C l i e n t D i s t r i b u t e d C a c h e M a n a g e r 29.doCall(DistributedFileSystem.java:1749) at org.apache.hadoop.fs.FileSystemLinkResolver.resolve(FileSystemLinkResolver.java:81) at org.apache.hadoop.hdfs.DistributedFileSystem.getFileStatus(DistributedFileSystem.java:1764) at org.apache.spark.deploy.yarn.ClientDistributedCacheManager 29.doCall(DistributedFileSystem.java:1749)atorg.apache.hadoop.fs.FileSystemLinkResolver.resolve(FileSystemLinkResolver.java:81)atorg.apache.hadoop.hdfs.DistributedFileSystem.getFileStatus(DistributedFileSystem.java:1764)atorg.apache.spark.deploy.yarn.ClientDistributedCacheManager$anonfun 1. a p p l y ( C l i e n t D i s t r i b u t e d C a c h e M a n a g e r . s c a l a : 71 ) a t o r g . a p a c h e . s p a r k . d e p l o y . y a r n . C l i e n t D i s t r i b u t e d C a c h e M a n a g e r 1.apply(ClientDistributedCacheManager.scala:71) at org.apache.spark.deploy.yarn.ClientDistributedCacheManager 1.apply(ClientDistributedCacheManager.scala:71)atorg.apache.spark.deploy.yarn.ClientDistributedCacheManager$anonfun 1. a p p l y ( C l i e n t D i s t r i b u t e d C a c h e M a n a g e r . s c a l a : 71 ) a t s c a l a . c o l l e c t i o n . M a p L i k e 1.apply(ClientDistributedCacheManager.scala:71) at scala.collection.MapLike 1.apply(ClientDistributedCacheManager.scala:71)atscala.collection.MapLikeclass.getOrElse(MapLike.scala:128) at scala.collection.AbstractMap.getOrElse(Map.scala:59) at org.apache.spark.deploy.yarn.ClientDistributedCacheManager.addResource(ClientDistributedCacheManager.scala:71) at org.apache.spark.deploy.yarn.Client.org a p a c h e apache apachespark d e p l o y deploy deployyarn C l i e n t Client Client$distribute 1 ( C l i e n t . s c a l a : 480 ) a t o r g . a p a c h e . s p a r k . d e p l o y . y a r n . C l i e n t . p r e p a r e L o c a l R e s o u r c e s ( C l i e n t . s c a l a : 517 ) a t o r g . a p a c h e . s p a r k . d e p l o y . y a r n . C l i e n t . c r e a t e C o n t a i n e r L a u n c h C o n t e x t ( C l i e n t . s c a l a : 863 ) a t o r g . a p a c h e . s p a r k . d e p l o y . y a r n . C l i e n t . s u b m i t A p p l i c a t i o n ( C l i e n t . s c a l a : 169 ) a t o r g . a p a c h e . s p a r k . s c h e d u l e r . c l u s t e r . Y a r n C l i e n t S c h e d u l e r B a c k e n d . s t a r t ( Y a r n C l i e n t S c h e d u l e r B a c k e n d . s c a l a : 57 ) a t o r g . a p a c h e . s p a r k . s c h e d u l e r . T a s k S c h e d u l e r I m p l . s t a r t ( T a s k S c h e d u l e r I m p l . s c a l a : 164 ) a t o r g . a p a c h e . s p a r k . S p a r k C o n t e x t . < i n i t > ( S p a r k C o n t e x t . s c a l a : 500 ) a t o r g . a p a c h e . s p a r k . S p a r k C o n t e x t 1(Client.scala:480) at org.apache.spark.deploy.yarn.Client.prepareLocalResources(Client.scala:517) at org.apache.spark.deploy.yarn.Client.createContainerLaunchContext(Client.scala:863) at org.apache.spark.deploy.yarn.Client.submitApplication(Client.scala:169) at org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.start(YarnClientSchedulerBackend.scala:57) at org.apache.spark.scheduler.TaskSchedulerImpl.start(TaskSchedulerImpl.scala:164) at org.apache.spark.SparkContext.<init>(SparkContext.scala:500) at org.apache.spark.SparkContext 1(Client.scala:480)atorg.apache.spark.deploy.yarn.Client.prepareLocalResources(Client.scala:517)atorg.apache.spark.deploy.yarn.Client.createContainerLaunchContext(Client.scala:863)atorg.apache.spark.deploy.yarn.Client.submitApplication(Client.scala:169)atorg.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.start(YarnClientSchedulerBackend.scala:57)atorg.apache.spark.scheduler.TaskSchedulerImpl.start(TaskSchedulerImpl.scala:164)atorg.apache.spark.SparkContext.<init>(SparkContext.scala:500)atorg.apache.spark.SparkContext.getOrCreate(SparkContext.scala:2486) at org.apache.spark.sql.SparkSession B u i l d e r Builder Builder$anonfun 7. a p p l y ( S p a r k S e s s i o n . s c a l a : 930 ) a t o r g . a p a c h e . s p a r k . s q l . S p a r k S e s s i o n 7.apply(SparkSession.scala:930) at org.apache.spark.sql.SparkSession 7.apply(SparkSession.scala:930)atorg.apache.spark.sql.SparkSessionBuilderKaTeX parse error: Can't use function '$' in math mode at position 8: anonfun$?7.apply(SparkSe…runMain(SparkSubmit.scala:879) at org.apache.spark.deploy.SparkSubmit$.doRunMain 1 ( S p a r k S u b m i t . s c a l a : 197 ) a t o r g . a p a c h e . s p a r k . d e p l o y . S p a r k S u b m i t 1(SparkSubmit.scala:197) at org.apache.spark.deploy.SparkSubmit 1(SparkSubmit.scala:197)atorg.apache.spark.deploy.SparkSubmit.submit(SparkSubmit.scala:227) at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:136) at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

7）配置 1、配置spark-defaults.conf $ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/conf # copy一个配置文件 $ cp spark-defaults.conf.template spark-defaults.conf

spark-defaults.conf修改内容如下：

spark.master yarn spark.home /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive spark.eventLog.enabled true spark.eventLog.dir hdfs://hadoop-node1:8082/tmp/spark spark.serializer org.apache.spark.serializer.KryoSerializer spark.executor.memory 1g spark.driver.memory 1g spark.executor.extraJavaOptions -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three" spark.yarn.archive hdfs:///spark/jars/spark2.3.0-without-hive-libs.jar spark.yarn.jars hdfs:///spark/jars/spark2.3.0-without-hive-libs.jar ### 参数解释，不用复制到配置文件中 # spark.master指定Spark运行模式，可以是yarn-client、yarn-cluster... # spark.home指定SPARK_HOME路径 # spark.eventLog.enabled需要设为true # spark.eventLog.dir指定路径，放在master节点的hdfs中，端口要跟hdfs设置的端口一致（默认为8020），否则会报错 # spark.executor.memory和spark.driver.memory指定executor和dirver的内存，512m或1g，既不能太大也不能太小，因为太小运行不了，太大又会影响其他服务 2、配置spark-env.sh $ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/conf $ cp spark-env.sh.template spark-env.sh # 在spark-env.sh添加如下内容 $ vi spark-env.sh export SPARK_DIST_CLASSPATH=$(hadoop classpath) export HADOOP_CONF_DIR={HADOOP_HOME}/etc/hadoop/ # 加载 $ source spark-env.sh

在Yarn模式运行时，需要将以下三个包放在HIVE_HOME/lib下：scala-library、spark-core、spark-network-common。

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive # 先删 $ rm -f ../apache-hive-3.1.2-bin/lib/scala-library-*.jar $ rm -f ../apache-hive-3.1.2-bin/lib/spark-core_*.jar $ rm -f ../apache-hive-3.1.2-bin/lib/spark-network-common_*.jar # copy这三个jar到hive lib目录下 $ cp jars/scala-library-*.jar ../apache-hive-3.1.2-bin/lib/ $ cp jars/spark-core_*.jar ../apache-hive-3.1.2-bin/lib/ $ cp jars/spark-network-common_*.jar ../apache-hive-3.1.2-bin/lib/ 3、配置hive-site.xml $ cd /opt/bigdata/hadoop/server/apache-hive-3.1.2-bin/conf/ #配置hive-site.xml，主要mysql数据库 $ cat << EOF > hive-site.xml <?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration>  <property> <name>hive.metastore.warehouse.dir</name> <value>/user/hive_remote/warehouse</value> </property>  <property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://hadoop-node1:3306/hive_remote2?createDatabaseIfNotExist=true&useSSL=false&serverTimezone=Asia/Shanghai</value> </property>   <property> <name>javax.jdo.option.ConnectionDriverName</name> <value>com.mysql.jdbc.Driver</value> </property>  <property> <name>javax.jdo.option.ConnectionUserName</name> <value>root</value> </property>  <property> <name>javax.jdo.option.ConnectionPassword</name> <value>123456</value> </property>  <property> <name>hive.metastore.schema.verification</name> <value>false</value> </property> <property> <name>system:user.name</name> <value>root</value> <description>user name</description> </property>  <property> <name>hive.server2.thrift.bind.host</name> <value>hadoop-node1</value> <description>Bind host on which to run the HiveServer2 Thrift service.</description> </property>  <property> <name>hive.server2.thrift.port</name> <value>11000</value> </property> <property> <name>hive.metastore.uris</name> <value>thrift://hadoop-node1:9083</value> </property>  <property> <name>spark.yarn.jars</name> <value>hdfs:///spark/spark-2.3.0-jars/*.jar</value> </property>  <property> <name>hive.execution.engine</name> <value>spark</value> </property>  <property> <name>hive.spark.client.connect.timeout</name> <value>10000ms</value> </property> </configuration> EOF 8）设置环境变量

在/etc/profile添加如下配置：

export HIVE_HOME=/opt/bigdata/hadoop/server/apache-hive-3.1.2-bin export PATH=$HIVE_HOME/bin:$PATH export SPARK_HOME=/opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive export PATH=$SPARK_HOME/bin:$PATH

加载

$ source /etc/profile 9）初始化数据库（mysql）

不清楚的可以先看一下这篇文章大数据Hadoop之——数据仓库Hive

# 初始化，--verbose：查询详情，可以不加 $ schematool -initSchema -dbType mysql --verbose 10）启动或者重启hive的metstore服务 # 先查进程是否存在，存在则kill掉 $ ss -atnlp|grep 9083 # 启动metstore服务 $ nohup hive --service metastore & 11）测试验证

先验证编译好的spark是否ok，就用spark提供的示例：SparkPI

$ spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode client \ --driver-memory 1G \ --num-executors 3 \ --executor-memory 1G \ --executor-cores 1 \ /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/examples/jars/spark-examples_*.jar 10

从上图发现编译好的spark包是没问题的，接下来就是验证hive提交spark任务

$ mkdir /opt/bigdata/hadoop/data/spark $ cat << EOF > /opt/bigdata/hadoop/data/spark/test1230-data 1,phone 2,music 3,apple 4,clothes EOF # 启动hive $ hive # 创建表，通过逗号分隔字段 create table test1230(id string,shop string) row format delimited fields terminated by ','; # 从local加载数据，这里的local是指hs2服务所在机器的本地linux文件系统 load data local inpath '/opt/bigdata/hadoop/data/spark/test1230-data' into table test1230; # 通过insert添加数据，会提交spark任务 select * from test1230; select count(*) from test1230;

最后提供我上面编译好的spark2.3.0版本的包，下载地址如下：

链接：https://pan.baidu.com/s/1OY_Mn8UdRkTiiMktjQ3wlQ 提取码：8888