Mark ：Hive使用Spark on Yarn作为执行引擎

原文：http://lxw1234.com/archives/2016/05/673.htm

Hive从1.1之后，支持使用Spark作为执行引擎，配置使用Spark On Yarn作为Hive的执行引擎，首先需要注意以下两个问题：

Hive的版本和Spark的版本要匹配；

具体来说，你使用的Hive版本编译时候用的哪个版本的Spark，那么就需要使用相同版本的Spark，可以在Hive的pom.xml中查看spark.version来确定；

Hive root pom.xml’s defines what version of Spark it was built/tested with.

Spark使用的jar包，必须是没有集成Hive的；

也就是说，编译时候没有指定-Phive.

一般官方提供的编译好的Spark下载，都是集成了Hive的，因此这个需要另外编译。

Note that you must have a version of Spark which does not include the Hive jars. Meaning one which was not built with the Hive profile.

如果不注意版本问题，则会遇到各种错误，比如：

1. Caused by: java.lang.NoClassDefFoundError: org/apache/hive/spark/client/Job
2. Caused by: java.lang.ClassNotFoundException: org.apache.hive.spark.client.Job

我这里使用的环境信息如下：

hadoop-2.3.0-cdh5.0.0

apache-hive-2.0.0-bin

spark-1.5.0-bin-hadoop2.3

其中，Spark使用了另外编译的spark-assembly-1.5.0-hadoop2.3.0.jar。编译很简单，下载spark-1.5.0的源码，使用命令：

mvn -Pyarn -Phadoop-2.3 -Dhadoop.version=2.3.0-cdh5.0.0 -DskipTests -Dscala-2.10 clean package

 

首先在hive-site.xml中添加spark.home：

spark.home

/usr/local/spark/spark-1.5.0-bin-hadoop2.3

同时也配置了环境变量

export SPARK_HOME=/usr/local/spark/spark-1.5.0-bin-hadoop2.3

这两块应该只需要配置一处即可。

进入hive-cli命令行，使用set的方式设置以下参数：

1. set spark.master=yarn-cluster; //默认即为yarn-cluster模式，该参数可以不配置
2. set hive.execution.engine=spark;
3. set spark.eventLog.enabled=true;
4. set spark.eventLog.dir=hdfs://cdh5/tmp/sparkeventlog;
5. set spark.executor.memory=1g;
6. set spark.executor.instances=50; //executor数量，默认貌似只有2个
7. set spark.driver.memory=1g;
8. set spark.serializer=org.apache.spark.serializer.KryoSerializer;

当然，这些参数也可以配置在hive-site.xml中。

接下来就可以执行HQL查询试试了：

可以看到，已经使用Spark作为执行引擎了。

在Yarn的WEB页面上也看到了对应的Application。

在进入hive-cli命令行，第一次执行查询之后，Hive向Yarn申请Container资源，即参数spark.executor.instances指定的数量，另外加一个Driver使用的Container。该Application便会一直运行，直到退出hive-cli，该Application便会成功结束，期间占用的集群资源不会自动释放和回收。如果在hive-cli中修改和executor相关的参数，再次执行查询时候，Hive会结束上一次在Yarn上运行的Application，重新申请资源提交运行。