hive on spark

hive on spark 是hive 使用spark作为它的执行引擎。set hive.execution.engine=spark;

hive on spark仅仅在特定版本的spark测试过，所以需要选择合适的hive版本和spark版本。hive3.0.x对应spark2.3.0，hive2.3.x对应spark2.0.0，hive2.2.x、hive2.1.x对应spark1.6.0，hive2.0.x对应spark1.5.0。

spark安装

yarn mode：

http://spark.apache.org/docs/latest/running-on-yarn.html

standalone mode：

https://spark.apache.org/docs/latest/spark-standalone.html

hive on spark 默认支持spark on yarn 模式。

安装并启动spark

1.安装spark

安装/构建兼容版本。可以在github hive项目的pom.xml中spark.version的值找出hive 各个版本测试通过的兼容的spark版本。

安装/构建兼容发行版。每个版本的spark 都有几个发行版，对应不同版本的hadoop。

2.启动spark集群

记下，可以在spark master webui中找到。

配置yarn

启用fair scheduler，而不使用capacity scheduler。

修改yarn-site.xml文件，添加

    yarn.resourcemanager.scheduler.class
    org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler

配置hive

1.添加spark 依赖到hive

在hive2.2.0 之前版本，将spark-assembly jar链接到HIVE_HOME/lib。

从hive2.2.0开始，hive on spark 需要spark 2.0.0及以上版本，不再有assembly jar了。故假如以yarn mode运行(yarn-client 或者yarn-cluster)，将下面jar链接到HIVE_HOME/lib：scala-library、spark-core、spark-network-common

2.配置hive execution

set hive.execution.engine=spark;

查看https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties#ConfigurationProperties-Spark了解更多配置。

3.给hive配置spark-application configs。查看http://spark.apache.org/docs/latest/configuration.html 。有两种方式，既可以通过在hive classpath下新建一个spark-defaults.conf文件，里面写配置，也可以把配置直接写在hive-site.xml中，主要配置有：

set spark.master=
set spark.eventLog.enabled=true;
set spark.eventLog.dir=
set spark.executor.memory=512m;
set spark.serializer=org.apache.spark.serializer.KryoSerializer;

配置解释：

spark.executor.memory：每一个executor进程使用的内存大小

spark.executor.cores：每一个executor进程的核心数

spark.yarn.executor.memoryOverhead：每一个executor进程分配的heap memory。