@[Toc]

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,<font color="red">只是SQL引擎不同,但是计算引擎都是spark</font>!

参考文档:

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

大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现

2)下载spark

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

大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现

$ 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:
大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现

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。
大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现
大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现

在当前目录下就有编译好的spark包

$ ll

大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现

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

大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现

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:
<font color="red"> Failed</font> 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)'
<font color="red">FAILED</font>: Execution <font color="red">Error</font>, 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: <font color="red">File does not exist</font>: 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.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$$anonfun$1.apply(ClientDistributedCacheManager.scala:71)
at org.apache.spark.deploy.yarn.ClientDistributedCacheManager$$anonfun$1.apply(ClientDistributedCacheManager.scala:71)
at scala.collection.MapLike$class.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$apache$spark$deploy$yarn$Client$$distribute$1(Client.scala:480)
at org.apache.spark.deploy.yarn.Client.prepareLocalResources(Client.scala:517)
at org.apache.spark.deploy.yarn.Client.createContainerLaunchContext(Client.scala:863)
at org.apache.spark.deploy.yarn.Client.submitApplication(Client.scala:169)
at org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.start(YarnClientSchedulerBackend.scala:57)
at org.apache.spark.scheduler.TaskSchedulerImpl.start(TaskSchedulerImpl.scala:164)
at org.apache.spark.SparkContext.<init>(SparkContext.scala:500)
at org.apache.spark.SparkContext$.getOrCreate(SparkContext.scala:2486)
at org.apache.spark.sql.SparkSession$Builder$$anonfun$7.apply(SparkSession.scala:930)
at org.apache.spark.sql.SparkSession$Builder$$anonfun$7.apply(SparkSession.scala:921)
at scala.Option.getOrElse(Option.scala:121)
at org.apache.spark.sql.SparkSession$Builder.getOrCreate(SparkSession.scala:921)
at org.apache.spark.examples.SparkPi$.main(SparkPi.scala:31)
at org.apache.spark.examples.SparkPi.main(SparkPi.scala)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:498)
at org.apache.spark.deploy.JavaMainApplication.start(SparkApplication.scala:52)
at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:879)
at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:197)
at org.apache.spark.deploy.SparkSubmit$.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>

<!-- 配置hdfs存储目录 -->
<property>
        <name>hive.metastore.warehouse.dir</name>
        <value>/user/hive_remote/warehouse</value>
</property>

<!-- 所连接的 MySQL 数据库的地址,hive_remote是数据库,程序会自动创建,自定义就行 -->
<property>
  <name>javax.jdo.option.ConnectionURL</name>
  <value>jdbc:mysql://hadoop-node1:3306/hive_remote2?createDatabaseIfNotExist=true&amp;useSSL=false&amp;serverTimezone=Asia/Shanghai</value>
</property>

<!-- 本地模式
<property>
  <name>hive.metastore.local</name>
  <value>false</value>
</property>
-->

<!-- MySQL 驱动 -->
<property>
  <name>javax.jdo.option.ConnectionDriverName</name>
  <value>com.mysql.jdbc.Driver</value>
</property>

<!-- mysql连接用户 -->
<property>
  <name>javax.jdo.option.ConnectionUserName</name>
  <value>root</value>
</property>

<!-- mysql连接密码 -->
<property>
  <name>javax.jdo.option.ConnectionPassword</name>
  <value>123456</value>
</property>

<!--元数据是否校验-->
<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>

<!-- host -->
<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>

<!-- hs2端口 -->
<property>
  <name>hive.server2.thrift.port</name>
  <value>11000</value>
</property>

<property>
  <name>hive.metastore.uris</name>
  <value>thrift://hadoop-node1:9083</value>
</property>

<!--Spark依赖位置,上面上传jar包的hdfs路径-->
<property>
    <name>spark.yarn.jars</name>
    <value>hdfs:///spark/spark-2.3.0-jars/*.jar</value>
</property>

<!--Hive执行引擎,使用spark-->
<property>
    <name>hive.execution.engine</name>
    <value>spark</value>
</property>

<!--Hive和spark连接超时时间-->
<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

大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现

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;

大数据Hadoop之——Spark on Hive 和 Hive on Spark的区别与实现