使用java代码提交Spark的hive sql任务，run as java application

转载：https://www.thinksaas.cn/group/topic/501208/

我的环境：hadoop 2.7.1、spark 1.6.0、hive 2.0、java 1.7

• 目标：通过java -jar xxx.jar的方式来运行提交spark应用，执行查询hive sql。

• 问题一：首先要提一下，按照java -jar执行，会报java.lang.OutOfMemoryError: PermGen space错误，所以需要使用以下参数启动

java -Xms1024m -Xmx1024m -XX:MaxNewSize=256m  -XX:MaxPermSize=256m -jar spark.jar

• 问题二：如果不增加datanucleus的三个jar包，会报如下的错误http://zengzhaozheng.blog.51cto.com/8219051/1597902?utm_source=tuicool&utm_medium=referral 

javax.jdo.JDOFatalUserException: Class org.datanucleus.api.jdo.JDOPersistenceManagerFactory was not found.
        at javax.jdo.JDOHelper.invokeGetPersistenceManagerFactoryOnImplementation(JDOHelper.java:1175)
        at javax.jdo.JDOHelper.getPersistenceManagerFactory(JDOHelper.java:808)
        at javax.jdo.JDOHelper.getPersistenceManagerFactory(JDOHelper.java:701)
        at org.apache.hadoop.hive.metastore.ObjectStore.getPMF(ObjectStore.java:365)
        at org.apache.hadoop.hive.metastore.ObjectStore.getPersistenceManager(ObjectStore.java:394)
        。。。
NestedThrowablesStackTrace:
java.lang.ClassNotFoundException: org.datanucleus.api.jdo.JDOPersistenceManagerFactory
        at java.net.URLClassLoader$1.run(URLClassLoader.java:366)
        at java.net.URLClassLoader$1.run(URLClassLoader.java:355)
        at java.security.AccessController.doPrivileged(Native Method)
        at java.net.URLClassLoader.findClass(URLClassLoader.java:354)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:425)
        at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:308)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:358)
        at java.lang.Class.forName0(Native Method)
        at java.lang.Class.forName(Class.java:274)
        at javax.jdo.JDOHelper$18.run(JDOHelper.java:2018)
        at javax.jdo.JDOHelper$18.run(JDOHelper.java:2016)
        at java.security.AccessController.doPrivileged(Native Method)
        at javax.jdo.JDOHelper.forName(JDOHelper.java:2015)
        at javax.jdo.JDOHelper.invokeGetPersistenceManagerFactoryOnImplementation(JDOHelper.java:1162)
        at javax.jdo.JDOHelper.getPersistenceManagerFactory(JDOHelper.java:808)
        at javax.jdo.JDOHelper.getPersistenceManagerFactory(JDOHelper.java:701)
        at org.apache.hadoop.hive.metastore.ObjectStore.getPMF(ObjectStore.java:365)
        at org.apache.hadoop.hive.metastore.ObjectStore.getPersistenceManager(ObjectStore.java:394)
        at org.apache.hadoop.hive.metastore.ObjectStore.initialize(ObjectStore.java:291)
        at org.apache.hadoop.hive.metastore.ObjectStore.setConf(ObjectStore.java:258)
        at org.apache.hadoop.util.ReflectionUtils.setConf(ReflectionUtils.java:73)
        at org.apache.hadoop.util.ReflectionUtils.newInstance(ReflectionUtils.java:133)
        at org.apache.hadoop.hive.metastore.RawStoreProxy.(RawStoreProxy.java:57)
        at org.apache.hadoop.hive.metastore.RawStoreProxy.getProxy(RawStoreProxy.java:66)
        at org.apache.hadoop.hive.metastore.HiveMetaStore$HMSHandler.newRawStore(HiveMetaStore.java:593)
        at org.apache.hadoop.hive.metastore.HiveMetaStore$HMSHandler.getMS(HiveMetaStore.java:571)
        at org.apache.hadoop.hive.metastore.HiveMetaStore$HMSHandler.createDefaultDB(HiveMetaStore.java:620)
        at org.apache.hadoop.hive.metastore.HiveMetaStore$HMSHandler.init(HiveMetaStore.java:461)
       。。。

• 问题三：java代码中SparkConf设置的master，即你选择的spark模式。我这里使用yarn-client模式，如果写yarn-cluster是会报错的。http://stackoverflow.com/questions/31327275/pyspark-on-yarn-cluster-mode， 其网页内容的总结部分：

1.如果你想把spark代码直接嵌入你的web app中，你需要使用yarn-client
2.如果你想让你的spark代码足够松散耦合到yarn-cluster模式可以实际使用，你可以另起一个python的子线程来调用spark-submit来执行yarn-cluster模式。

• 问题四： 需要增加三个配置文件：core-site.xml、hdfs-site.xml、hive-site.xml。不然启动java -jar命令会直接报错。

所以，正确的java调用spark执行hive sql的代码如下：

创建java工程，引入spark-assembly-1.6.0-hadoop2.6.0.jar包。这个包在spark的安装目录的lib目录下有，178M，真的很大。

java调用代码如下，我的代码以后会打包为spark.jar，存放目录为/data/houxm/spark/spark.jar：

package cn.centaur.test.spark;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.hive.HiveContext;
 
public class SimpleDemo {
    public static void main(String[] args) {
    	String[] jars = new String[]{"/data/houxm/spark/spark.jar"};
        SparkConf conf = new SparkConf().setAppName("simpledemo").setMaster("yarn-client").set("executor-memory", "2g").setJars(jars).set("driver-class-path", "/data/spark/lib/mysql-connector-java-5.1.21.jar");
        JavaSparkContext sc = new JavaSparkContext(conf);
        HiveContext hiveCtx = new HiveContext(sc);
        testHive(hiveCtx);
        sc.stop();
        sc.close();
    }
 
    //测试spark sql查询hive上面的表
    public static void testHive(HiveContext hiveCtx) {
        hiveCtx.sql("create table temp_spark_java as select mobile,num from default.mobile_id_num02 limit 10");
    }
}

在java项目的根目录新建MANIFEST.MF文件，代码如下：

Manifest-Version: 1.0
Class-Path: /data/spark/lib/spark-assembly-1.6.0-hadoop2.6.0.jar
   /data/spark/lib/mysql-connector-java-5.1.21.jar
   /data/spark/lib/datanucleus-api-jdo-3.2.6.jar
   /data/spark/lib/datanucleus-core-3.2.10.jar
   /data/spark/lib/datanucleus-rdbms-3.2.9.jar
Main-Class: cn.centaur.test.spark.SimpleDemo

在resources目录（我的是maven工程，普通java工程在src下加入文件即可）下加入core-site.xml、hdfs-site.xml、hive-site.xml三个配置文件。

使用eclipse，按照此manifest文件把java代码打包。生成jar文件，上传至服务器，即可运行。