基于Spark 2.0.0搭建Hive on Spark环境

一、运行环境

CentOS 7.2

Hadoop 2.7

Hive 2.2.0

Spark 2.0.0

JDK 1.7

Scala 2.11.8

Maven 3.3.9

说明：Scala 2.11.8以后的版本只支持JDK1.8，如果环境原本是使用JDK1.7的就不需要安装最新版本。

二、开始配置前的排坑

很多人都会参考Hive on spark的官方手册https://cwiki.apache.org//confluence/display/Hive/Hive+on+Spark:+Getting+Started来配置，但其中还是有很多坑的，下面就说一下官方手册上的坑及没有提到一些细节。

1）版本兼容问题

HIVE官方指引说Spark一定要安装没有HIVE jar包的版本。原文“Note that you must have a version of Spark which does not include the Hive jars.”除此之外就没有其他的说明了。但实际情况是HIVE最新发布版2.1.1（截止我写这篇博客的时间点官网上的下载页面最新版本）是没办法运行在Spark2.0.0之上的，强行运行的话会出现java.lang.ClassNotFoundException: org.apache.spark.JavaSparkListener的错误。原因是由于从Spark2.0.0开始JavaSparkListener已移除，改为了SparkListener。

如果想使用Hive2.X版本搭配Spark2.X版本的话可以使用Hive-14029的修复版本：

https://github.com/apache/hive/pull/103/commits/f14f5a6d0d255d52e99ecbf5a232706cb1f63142

Hive对应的Spark版本可根据源码目录中的pom.xml的确认。

2）spark编译时scala版本需要更改

官方指引的编译命令

./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided"

根据spark官方指引实际操作的编译命令

./dev/change-scala-version.sh 2.11
./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided,-Dscala-2.11"

3）启动Hive时java.lang.NoClassDefFoundError: org/slf4j/Logger错误

原因是没有导入hadoop的jar包，在spark-env.sh加入下面的变量即可：

export SPARK_DIST_CLASSPATH=$(hadoop classpath)

4）Spark on Yarn不需要启动spark集群

官方手册原文是在编译后就要求启动spark集群——“Start Spark cluster”，但这种用是要配置master和worker的，有点像配置resourcemanager和nodemanager。而实际上如果是Spark on Yarn则不需要配置也不需要启动spark集群。Spark会自动读取Yarn配置文件，如果不是用了Spark on Yarn，那在Yarn的webUI上是看不到Spark任务的。

Spark on Yarn需要在spark-env.sh加入下面的变量

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop

5）Hive的spark.master参数

官方手册上说spark.master参数是，没有详细地说明，像我这样的新手很容易犯晕，spark官方文档上有详细解释http://spark.apache.org/docs/latest/submitting-applications.html#master-urls

三、配置过程

1）编译spark和hive

安装scala和maven
配置maven运行参数
export MAVEN_OPTS="-Xmx2g -XX:ReservedCodeCacheSize=512m -XX:MaxPermSize=512m"
编译spark

./dev/change-scala-version.sh 2.11

./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided,-Dscala-2.11"

编译hive mvn clean package -Pdist -Dmaven.test.skip=true

2）把SPARK_HOME/jars下的spark-*和scala-*的jar包软连接或拷到HIVE_HOME/lib下

3）在hive-site.xml中加入

  spark.yarn.jars
  hdfs://xxxx:9000/spark-jars/*

并把SPARK_HOME/jars下所有jar包复制到此目录下

4）在spark-env.sh中加入

export SPARK_DIST_CLASSPATH=$(hadoop classpath)
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop

5）启动HIVE，配置参数

set hive.execution.engine=spark;
set spark.master=yarn;
set spark.submit.deployMode=client;
set spark.eventLog.enabled=true;
set spark.eventLog.dir=hdfs://xxxx:9000/spark-logs;
set spark.executor.memory=1024m;
set spark.serializer=org.apache.spark.serializer.KryoSerializer;

这些参数可以配置在hive-site.xml或spark-defaults.conf中。

6）执行SQL，完成

四、说在最后

本文只是为了记录自己搭建Hive 2.2 on Spark 2.0.0时遇到的一些问题和解决步骤，因为当时网上没有什么现成资料所以走了不少弯路，希望此文能帮助和我遇到同样问题的人。关于性能调优还请参考spark官方手册或者网上其他资料，如有错误欢迎指正。