1 文档编写目的

在集群中访问Kudu的方式有多种，可以通过Impala使用JDBC的方式，也可以通过Kudu提供的Client API方式，参考Fayson前面的文章《如何使用Java API访问CDH的Kudu》和《如何使用Java代码访问Kerberos环境下的Kudu》。在做Spark开发时也有访问Kudu的需求，Kudu API访问是一种方式，这里Fayson使用KuduContext实现对Kudu的读写操作。

  • 内容概述

1.环境准备

2.Spark Kudu示例代码

3.示例运行及验证

4.总结

  • 测试环境

1.CM和CDH版本为5.15.0

2.Spark2.2.0.cloudera2

2 环境准备

在CDH5.15.0环境下安装了Spark2后默认是添加kudu-spark2的依赖包，我们可以在Kudu的安装目录下找到相应版本的kudu-spark2_2.11-{cdh.version}.jar。这里在Spark2的环境变量中将kudu-spark2的依赖包，确保Spark2作业能够正常的调用kudu-spark2提供的API。

1.在集群的任意节点执行如下命令找到Kudu-spark2对应版本的依赖包

[root@cdh4 ~]# find / -name kudu-spark2*.jar

spark能读kafka吗_spark

2.登录CM进入Spark2的配置界面搜索“spark-env.sh”,增加如下配置：

#配置Spark2的Java环境，Spark2要求JDK8或以上版本
export JAVA_HOME=/usr/java/jdk1.8.0_131
#加载该依赖包的主要目的是Spark2的Logging为私有的，Fayson自己重写了Logging类
export SPARK_DIST_CLASSPATH=$SPARK_DIST_CLASSPATH:/opt/cloudera/external-jars/spark2-demo-1.0-SNAPSHOT.jar
#加载kudu-spark2_2.11.jar到Spark的环境变量中
export SPARK_DIST_CLASSPATH=$SPARK_DIST_CLASSPATH:/opt/cloudera/parcels/CDH/lib/kudu/kudu-spark2_2.11.jar

spark能读kafka吗_jar_02

3.完成上述配置后，部署Spark2客户端配置

spark能读kafka吗_spark能读kafka吗_03

完成部署即可在Spark2 Gateway节点上提交Spark2访问Kudu的应用。

3 Spark Kudu示例代码

1.在Spark2工程中添加SparkOnHBase的Maven依赖

<!-- 添加Spark2访问Kudu的依赖包 -->
<dependency>
    <groupId>org.apache.kudu</groupId>
    <artifactId>kudu-spark2_2.11</artifactId>
    <version>1.7.0-cdh5.15.0</version>
</dependency>

2.在工程中创建KuduSample.scala类，内容如下：

package com.cloudera.kudu

import org.apache.kudu.client.CreateTableOptions
import org.apache.kudu.spark.kudu.KuduContext
import org.apache.spark.SparkConf
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.{Row, SparkSession}

import scala.collection.JavaConverters._

/**
  * package: com.cloudera.kudu
  * describe: Spark2 使用KuduContext访问Kudu
  * 该示例业务逻辑，Spark读取Hive的ods_user表前10条数据，写入Kudu表（通过ods_user表的Schema创建kudu表）
  * 读取kudu_user_info表数据，将返回的rdd转换为DataFrame写入到Hive的kudu2hive表中
  * creat_user: Fayson 
  * email: htechinfo@163.com
  * creat_date: 2019/1/25
  * creat_time: 上午10:58
  * 公众号：Hadoop实操
  */
object KuduSample {

  /**
    * 定义一个UserInfo对象
    */
  case class UserInfo (
    id: String,
    name: String,
    sex: String,
    city: String,
    occupation: String,
    tel: String,
    fixPhoneNum: String,
    bankName: String,
    address: String
  )

  def main(args: Array[String]): Unit = {

    val kuduMaster = "cdh1.fayson.com,cdh2.fayson.com,cdh3.fayson.com"
    val kuduTableName = "kudu_user_info"
    val hiveTableName = "kudu2hive"

    //Spark Conf配置信息
    val conf = new SparkConf()
      .setAppName("Spark2OnKuduSample")
      .set("spark.master", "yarn")
      .set("spark.submit.deployMode", "client")

    //初始化SparkSession对象
    val spark = SparkSession.builder().config(conf).getOrCreate()
    //引入隐式
    import spark.implicits._
    val kuduContext = new KuduContext(kuduMaster, spark.sparkContext)

    //查询出Hive表数据
    val odsuserdf = spark.sql("select * from ods_user limit 10")

    //判断表是否存在
    if(!kuduContext.tableExists(kuduTableName)) {
      val createTableOptions = new CreateTableOptions()
      createTableOptions.addHashPartitions(List("id").asJava, 8).setNumReplicas(3)
      kuduContext.createTable(kuduTableName, odsuserdf.schema.add("id", StringType, false), Seq("id"), createTableOptions)
    }
    //将Hive中ods_user表的前10条数据写入到kudutableName表中
    kuduContext.upsertRows(odsuserdf, kuduTableName)

    //读取出kuduTableName表的数据
    val kudurdd = kuduContext.kuduRDD(spark.sparkContext, kuduTableName, Seq("id","name","sex","city","occupation","tel","fixPhoneNum","bankName","address"))

    //将kudurdd转换转换为DataFrame对象，写到hive的表中
    spark.sqlContext.createDataFrame(kudurdd.mapPartitions(partition => {
      partition.map(row =>{new UserInfo(
        row.getAs[String](0),
        row.getAs[String](1),
        row.getAs[String](2),
        row.getAs[String](3),
        row.getAs[String](4),
        row.getAs[String](5),
        row.getAs[String](6),
        row.getAs[String](7),
        row.getAs[String](8)
      )})
    })).write.saveAsTable(hiveTableName)

    spark.close()
  }

}

3.使用Maven命令编译工程

mvn clean scala:compile package

spark能读kafka吗_spark_04

4.将编译好的spark2-demo-1.0-SNAPSHOT.jar上传到集群有Spark2 Gateway的节点上，使用Spark2-submit命令提交

kinit hiveadmin
spark2-submit --class com.cloudera.kudu.KuduSample \
    --master yarn --num-executors 4 --driver-memory 1g\
    --driver-cores 1 --executor-memory 1g --executor-cores 1\
    /data/disk1/hbase-spark-demo/spark2-demo-1.0-SNAPSHOT.jar

spark能读kafka吗_jar_05

作业执行成功

spark能读kafka吗_hive_06

5.访问Kudu Master的UI界面“Tables”可以看到通过Spark2作业创建的kudu_user_info表

spark能读kafka吗_hive_07

进入kudu_user_info表找到在Impala上创建Kudu外部表的建表语句

CREATE EXTERNAL TABLE `kudu_user_info` STORED AS KUDU
TBLPROPERTIES(
    'kudu.table_name' = 'kudu_user_info',
    'kudu.master_addresses' = 'cdh1.fayson.com:7051,cdh2.fayson.com:7051,cdh3.fayson.com:7051')

6.登录Hue使用Impala执行引擎创建Kudu的外部表，

spark能读kafka吗_hive_08

查看数据

spark能读kafka吗_spark_09

7.在代码的业务中，Fayson又将数据Kudu表的数据写会到Hive的kudu2hive表中

spark能读kafka吗_spark能读kafka吗_10

4 总结

1.访问Kudu可以通过Kudu API接口实现参考Fayson文章开头部分提到的Java示例文章，但在使用Spark访问Kudu时建议使用kudu-spark，使用该方式访问对于安全集群访问不需要考虑Driver和每个Executor访问Kudu的Kerberos配置。

2.在Fayson的示例代码中，是通过查询hive表的Schema生成Kudu的Schema，由于Kudu的主键不能为空，所以在代码中增加了如下代码更新id主键不为空。

odsuserdf.schema.add("id", StringType, false)

3.在使用kudu-spark2的依赖包时，可以在当前集群安装的Kudu目录下找到该依赖包。

4.kuduContext在获取kudu表时必须指定列名，否则获取到的是一个空的ROW。

5.kuduContext.kuduRDD返回的RDD[Row]对象,该对象中Row中没有每个列的属性，所以在封装UserInfo对象时是通过index来获取每个列的值。


提示：代码块部分可以左右滑动查看噢
为天地立心，为生民立命，为往圣继绝学，为万世开太平。
温馨提示：如果使用电脑查看图片不清晰，可以使用手机打开文章单击文中的图片放大查看高清原图。