spark操作hive（可解决绝大部分的问题）、sparksql操作hive

目标：

想要完成使用spark在windows的idea下操作hive（对hive中的表查询等）

最终代码（java）：

import org.apache.spark.sql.SparkSession;

import java.io.Serializable;

/**
 * Created by Administrator on 2017/4/3.
 */
public class SQLHiveJava {
    
    public static void main(String[] args) {

        SparkSession spark = SparkSession
                .builder()
                .appName("Java Spark Hive Example")
                .master("local[*]")
                .config("spark.sql.warehouse.dir","hdfs://mycluster/user/hive/warehouse")
                .enableHiveSupport()
                .getOrCreate();


        spark.sql("show databases").show();
        spark.sql("select count(*) from mobike.logs").show();
        spark.sql("select * from mobike.logs").show();

    }
}

结果展示：

整个过程用了我1天多时间独立研究，出现各种各样的问题，而且网上的贴子找了很多，改了又改，最终在自己的坚持下达到结果。

官方文档：

刚开始我是照着视频做，但是视频并没有做出来，目前大部分视频都没有这部分。
于是最终选择了官方文档。

先来看下官方文档的内容：

import  java.io.File ; 
import  java.io.Serializable ; 
import  java.util.ArrayList ; 
import  java.util.List ;

import  org.apache.spark.api.java.function.MapFunction ; 
import  org.apache.spark.sql.Dataset ; 
import  org.apache.spark.sql.Encoders ; 
import  org.apache.spark.sql.Row ; 
import  org.apache.spark.sql.SparkSession ;

public  static  class  Record  实现 Serializable  { 
  private  int  key ; 
  私有 字符串 值;

  public  int  getKey （） { 
    return  key ; 
  }

  public  void  setKey （int  key ） { 
    this 。key  =  key ; 
  }

  public  String  getValue （） { 
    return  value ; 
  }

  public  void  setValue （String  value ） { 
    this 。value  =  value ; 
  } 
}

// warehouseLocation指向托管数据库和表的默认位置
String  warehouseLocation  =  new  File （“spark-warehouse” ）。getAbsolutePath （）; 
SparkSession  spark  =  SparkSession 
  。builder （）
  。appName （“Java Spark Hive示例” ）
  。config （“spark.sql.warehouse.dir” ， warehouseLocation ）
  。enableHiveSupport （）
  。getOrCreate （）;

火花。sql （“CREATE TABLE IF NOT EXISTS src（key INT，value STRING）USING hive” ）; 
火花。sql （“LOAD DATA LOCAL INPATH”examples / src / main / resources / kv1.txt'INTO TABLE src“ ）;

//查询以HiveQL 
spark 表示。sql （“SELECT * FROM src” ）。show （）; 
// + --- + ------- + 
// | key | 值| 
// + --- + ------- + 
// | 238 | val_238 | 
// | 86 | val_86 | 
// | 311 | val_311 | 
// ...

//也支持聚合查询。
火花。sql （“SELECT COUNT（*）FROM src” ）。show （）; 
// + -------- + 
// | count（1）| 
// + -------- + 
// | 500 | 
// + -------- +

// SQL查询的结果本身就是DataFrames并支持所有正常的功能。
数据集< Row >  sqlDF  =  spark 。sql （“SELECT键，值FROM src WHERE键<10 ORDER BY键” ）;

// DataFrames中的项目为Row类型，允许您按顺序访问每列。
数据集< String >  stringsDS  =  sqlDF 。地图（
    （MapFunction < 行， 字符串>） 行 - >  “键：”  +  行。得到（0 ） +  “值：”  +  行。得到（1 ），
    编码器。STRING （））; 
stringsDS 。show （）; 
// + -------------------- +
// | 值| 
// + -------------------- + 
// |键：0，值：val_0 | 
// |键：0，值：val_0 | 
// |键：0，值：val_0 | 
// ...

//您还可以使用DataFrames在SparkSession中创建临时视图。
List < Record >  records  =  new  ArrayList <>（）; 
for  （int  key  =  1 ;  key  <  100 ;  key ++） { 
  Record  record  =  new  Record （）; 
  记录。setKey （key ）; 
  记录。setValue （“val_”  +  key ）; 
  记录。添加（记录）; 
} 
数据集< 行>  recordsDF  =  火花。createDataFrame （记录， 记录。类）; 
recordsDF 。createOrReplaceTempView （“records” ）;

//然后，查询可以将DataFrames数据与存储在Hive中的数据连接起来。
火花。sql （“SELECT * FROM records r JOIN src s on r.key = s.key” ）。show （）; 
// + --- + ------ + --- + ------ + 
// | key | 值|关键| 值| 
// + --- + ------ + --- + ------ + 
// | 2 | val_2 | 2 | val_2 | 
// | 2 | val_2 | 2 | val_2 | 
// | 4 | val_4 | 4 | val_4 | 
// ...

其实官方文档已经写的很清楚的，如果经验足够，完全不用像我这样搞了一整天。
但是我当时只看了代码，文字根本没看，就算是我当时看了，估计也未必看得懂。

分析官方文档：

参照官方文档后开始写代码。
第一步要做的是导入依赖。
这个如果实在不清楚，可以根据网上的帖子来粘。

但是也正是如此，一代依赖出现问题，就会产生第一个头疼的问题。

先来看下我的pom.xml

    4.0.0

    groupId
    lazy-spark
    1.0-SNAPSHOT

    
        2.2.1
        2.11
    

    
        
            org.apache.spark
            spark-sql_${scala.version}
            ${spark.version}
        

        
            org.apache.spark
            spark-hive_${scala.version}
            ${spark.version}
        

        
        
            org.apache.spark
            spark-hive-thriftserver_2.11
            2.2.1
            provided
        

        
        
            org.apache.hive
            hive-jdbc
            2.1.1
        
        
        
            mysql
            mysql-connector-java
            5.1.17
        


    

先来看一下第一个绊倒大部分人的错误，也是让我很难受的错误：

Exception in thread “main” java.lang.NoSuchMethodError: scala.Predef$.$conforms()Lscala/Predef$$less$colon$less;

Exception in thread "main" java.lang.NoSuchMethodError: scala.Predef$.$conforms()Lscala/Predef$$less$colon$less;
	at org.apache.spark.util.Utils$.getSystemProperties(Utils.scala:1722)
	at org.apache.spark.SparkConf.loadFromSystemProperties(SparkConf.scala:73)
	at org.apache.spark.SparkConf.(SparkConf.scala:68)
	at org.apache.spark.SparkConf.(SparkConf.scala:55)
	at mysql$.main(mysql.scala:9)
	at mysql.main(mysql.scala)
	


......

Unable to instantiate SparkSession with Hive support because Hive classes are not found.

Exception in thread "main" java.lang.IllegalArgumentException: Unable to instantiate SparkSession with Hive support because Hive classes are not found.
	at org.apache.spark.sql.SparkSession$Builder.enableHiveSupport(SparkSession.scala:845)
	at com.lcc.spark.structed.streaming.KafkaDemo1.main(KafkaDemo1.java:33)

这个问题的主要原因就是一个：
那就是spark和scala的版本不统一。
举个例子：

  
        org.apache.spark
        spark-hive-thriftserver_2.11
        2.2.1
        provided
    

注意：2.11是scala版本。2.2.1就是spark版本
不是说这两个版本必须和我一致。但是你要做的是，其他的依赖都要使用这个版本。否则就会报错。如果不放心，可以直接粘贴我上面的。

参考链接：
https://blog.csdn.net/huoliangwu/article/details/86316054

• 还有一种说法，就是另一个错误导致的这个错误，那就是，如果你的代码平时运行的时候会出现hadoop的错误，类似这样等

ERROR Shell: Failed to locate the winutils binary in the hadoop binary path
java.io.IOException: Could not locate executable null\bin\winutils.exe in the Hadoop binaries.
    at org.apache.hadoop.util.Shell.getQualifiedBinPath(Shell.java:356)
    at org.apache.hadoop.util.Shell.getWinUtilsPath(Shell.java:371)
    at org.apache.hadoop.util.Shell.(Shell.java:364)
    at org.apache.hadoop.util.StringUtils.(StringUtils.java:80)
    at org.apache.hadoop.security.SecurityUtil.getAuthenticationMethod(SecurityUtil.java:611)
    at org.apache.hadoop.security.UserGroupInformation.initialize(UserGroupInformation.java:272)
    at org.apache.hadoop.security.UserGroupInformation.ensureInitialized(UserGroupInformation.java:260)
    at 
    

这个问题，在我找帖子的时候有人提到过，原文是一定要把这个解决，否则也会报错，解决方法是配置windows的hadoop环境变量。

解决的帖子贴在下面：
https://blog.csdn.net/csdn_fzs/article/details/7898558
https://www.e-learn.cn/content/qita/707774

拷贝集群上的配置文件：

第二个问题就很容易解决，你要把hadoop集群上的以下配置文件拷贝到idea中

warehouseLocation是什么、spark-warehouse是什么、spark-warehouse应该些什么

这个问题其实也困扰了我特别就，直到结果出来以后才确认。

先来看我写的
hdfs://mycluster/user/hive/warehouse

其中mycluster是我高可用集群的名字，这个要写对，要和core-site.xml里写的一致，不在多说了。

那么后面的部分其实也很好理解。如果你的hive是默认配置的话，和我写的一样就好。我们都是到存在hive中的数据，最终在hdfs目录上，那么后面的其实就是hive数据在你hdfs的目录

查不到hive的元数据。

如果以上错误都解决了
我建议你在代码中使用如下代码进行测试。

 spark.sql("show databases").show();

为什么呢，因为这个一定会有个结果，而不会产生我们接下来的问题

Table or view not found: mobike.logs; line 1 pos 21;

'Aggregate [unresolvedalias(count(1), None)]

± 'UnresolvedRelation mobike.logs

Exception in thread "main" org.apache.spark.sql.AnalysisException: Table or view not found: `mob`.`lo`; line 1 pos 21;
'Aggregate [unresolvedalias(count(1), None)]
+- 'UnresolvedRelation `mob`.`lo`

org.apache.spark.sql.AnalysisException: Table or view not found: traintext.train; line 1 pos 14;

org.apache.spark.sql.AnalysisException: Table or view not found: traintext.train; line 1 pos 14;
'Project [*]
± 'UnresolvedRelation traintext.train
这个错误就有意思了，这是我入坑的问题，也是结果出来后才明白的。
我看的视频到这里就不讲了，他选择另一种方式来处理hive，但不符合我的要求。
网上很多贴子对这个问题都没有讲清楚，当然还是有很多负责人的帖子最终让我找到了答案。
首先要声明的是，如果你按照我的依赖来写是不会有这个问题的，但是会报其他错。

回到刚才，我建议大家用这行代码调试

 spark.sql("show databases").show();

因为这行代码一定会给你个结果，可惜结果并不是我们想的样子。

我们看错误结果：

大概就这样子。
也就是说，我们只能查到一个默认库，查不到hive中其他自己建的库。

spark只能查到hive的default库、spark查询不到hive中建的表和库

知识点来了，看清楚！！！

这些官方文档都写过了，我们再来分析一下：
！！！
如果没有部署好的hive，spark确实是会使用内置的hive，但是spark会将所有的元信息都放到spark_home/bin 目录下，也就是为什么配置了spark.sql.warehouse.dir 却不起作用的原因。而且，就算部署了hive，也需要让spark识别hive，否则spark，还是会使用spark默认的hive
！！！

惊不惊喜。spark还有自己的内置hive，如果没有正确的连接到自己的hive，那么使用的是spark自己的内置库。所以官方文档的代码才会那样写。

那么怎么让spark连接到自己hive呢。

spark连接自己的hive

首先，要连接hive一定要有这=些依赖，缺一不可

            org.apache.spark
            spark-hive_${scala.version}
            ${spark.version}
        

        
        
            org.apache.spark
            spark-hive-thriftserver_2.11
            2.2.1
            provided
        

        
        
            org.apache.hive
            hive-jdbc
            2.1.1
        
        
        
            mysql
            mysql-connector-java
            5.1.17
        

thriftserver:就是用来连接连接hive元数据的服务

mysql con……:因为我的hive元数据存在mysql所以要有这个驱动。

如果这些都做好了，那么会有接下来的问题。

用hive --service metastore来启动hive

简单一个hive然后进入shell是不行的。要通过元数据方式启动。

最后一个问题来了

Exception in thread “main” java.lang.RuntimeException: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient

所有都做好以后恭喜你最后一个问题，还是元数据的问题，这里就将一个，也是最容易被忽略的。
那就是，在我们的hive-site.xml中其实少了些东西。

  hive.metastore.uris
  thrift://hive服务端ip:9083

hive服务端指的是你hive的所在节点的ip地址或主机名。

到此为止所有的都解决完了，再来看下结果：

格式不怎么好看，希望能帮助大家，如果你还有问题可以联系我
邮箱：[email protected]