Hive配置Spark计算引擎，速度快！
1.1 Hive引擎简介
Hive引擎包括：默认MR、tez、spark
Hive on Spark：Hive既作为存储元数据又负责SQL的解析优化，语法是HQL语法，执行引擎变成了Spark，Spark负责采用RDD执行。
Spark on Hive : Hive只作为存储元数据，Spark负责SQL解析优化，语法是Spark SQL语法，Spark负责采用RDD执行。
1.2 Hive on Spark配置
1）兼容性说明
注意：官网下载的Hive3.1.2和Spark3.0.0默认是不兼容的。因为Hive3.1.2支持的Spark版本是2.4.5，所以需要我们重新编译Hive3.1.2版本。
编译步骤：官网下载Hive3.1.2源码，修改pom文件中引用的Spark版本为3.0.0，如果编译通过，直接打包获取jar包。如果报错，就根据提示，修改相关方法，直到不报错，打包获取jar包。
这里打包好的jar包：
链接: https://pan.baidu.com/s/17P9aMotyvbBk5IR5Fw56lg 提取码: e997 复制这段内容后打开百度网盘手机App，操作更方便哦
2）在Hive所在节点部署Spark
如果之前已经部署了Spark，则该步骤可以跳过，但要检查SPARK_HOME的环境变量配置是否正确。
（1）Spark官网下载jar包地址：
http://spark.apache.org/downloads.html
（2）上传并解压解压spark-3.0.0-bin-hadoop3.2.tgz
tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
mv /opt/module/spark-3.0.0-bin-hadoop3.2 /opt/module/spark
（3）配置SPARK_HOME环境变量
vim /etc/profile.d/my_env.sh
添加如下内容
# SPARK_HOME
export SPARK_HOME=/opt/module/spark
export PATH=$PATH:$SPARK_HOME/bin
source 使其生效
source /etc/profile.d/my_env.sh
３）在hive中创建spark配置文件
vim /opt/module/hive/conf/spark-defaults.conf
添加如下内容（在执行任务时，会根据如下参数执行）
spark.master yarn
spark.eventLog.enabled true
spark.eventLog.dir hdfs://hadoop102:9820/spark-history
spark.executor.memory 1g
spark.driver.memory 1g
在HDFS创建如下路径，用于存储历史日志
hadoop fs -mkdir /spark-history
４）向HDFS上传Spark纯净版jar包
说明1：由于Spark3.0.0非纯净版默认支持的是hive2.3.7版本，直接使用会和安装的Hive3.1.2出现兼容性问题。所以采用Spark纯净版jar包，不包含hadoop和hive相关依赖，避免冲突。
说明2：Hive任务最终由Spark来执行，Spark任务资源分配由Yarn来调度，该任务有可能被分配到集群的任何一个节点。所以需要将Spark的依赖上传到HDFS集群路径，这样集群中任何一个节点都能获取到。
（1）上传并解压spark-3.0.0-bin-without-hadoop.tgz
tar -zxvf /opt/software/spark-3.0.0-bin-without-hadoop.tgz
（2）上传Spark纯净版jar包到HDFS
hadoop fs -mkdir /spark-jars
hadoop fs -put spark-3.0.0-bin-without-hadoop/jars/* /spark-jars
５）修改hive-site.xml文件
vim /opt/module/hive/conf/hive-site.xml
添加如下内容
<property>
<name>spark.yarn.jarsname>
<value>hdfs://hadoop102:9820/spark-jars/*value>
property>
<property>
<name>hive.execution.enginename>
<value>sparkvalue>
property>
<property>
<name>hive.spark.client.connect.timeoutname>
<value>10000msvalue>
property>
注意：hive.spark.client.connect.timeout的默认值是1000ms，如果执行hive的insert语句时，抛如下异常，可以调大该参数到10000ms
FAILED: SemanticException Failed to get a spark session: org.apache.hadoop.hive.ql.metadata.HiveException: Failed to create Spark client for Spark session d9e0224c-3d14-4bf4-95bc-ee3ec56df48e
1.3 Hive on Spark测试
（1）启动hive客户端
hive
（2）创建一张测试表
create table student(id int, name string);
（3）通过insert测试效果
insert into table student values(1,'abc');
若结果如下，则说明配置成功
1.4 Yarn容量调度器并发度问题演示
Yarn默认调度器为Capacity Scheduler（容量调度器），且默认只有一个队列——default。如果队列中执行第一个任务资源不够，就不会再执行第二个任务，一直等到第一个任务执行完毕。
（1）启动1个hive客户端，执行以下插入数据的sql语句。
insert into table student values(1,'abc');
执行该语句，hive会初始化一个Spark会话，用以执行hive on spark任务。由于未指定队列，故该Spark会话默认使用的就是default队列，且会一直占用该队列，直到退出hive客户端。
可访问ResourceManager的web页面查看相关信息。
（2）在hive客户端开启的状态下，提交一个MR。
hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi 1 1
MR任务同样未指定队列，所以其默认也提交到了default队列
但是此时由于上一个任务一直占线，默认调度器只能同时执行一个任务，因此发生了阻塞
（3）容量调度器default队列中，同一时间只有一个任务执行，并发度低
1.5 增加ApplicationMaster资源比例
针对容量调度器并发度低的问题，考虑调整yarn.scheduler.capacity.maximum-am-resource-percent该参数。默认值是0.1，表示集群上AM最多可使用的资源比例，目的为限制过多的app数量。
（1）在hadoop102的/opt/module/hadoop-3.1.3/etc/Hadoop/capacity-scheduler.xml文件中修改如下参数值
yarn.scheduler.capacity.maximum-am-resource-percent
0.5
集群中用于运行应用程序ApplicationMaster的资源比例上限，
该参数通常用于限制处于活动状态的应用程序数目。该参数类型为浮点型，
默认是0.1，表示10%。所有队列的ApplicationMaster资源比例上限可通过参数
yarn.scheduler.capacity.maximum-am-resource-percent设置，而单个队列可通过参数yarn.scheduler.capacity..maximum-am-resource-percent设置适合自己的值。
（2）分发capacity-scheduler.xml配置文件
xsync capacity-scheduler.xml
（3）关闭正在运行的任务，重新启动yarn集群
1.6 配置Yarn容量调度器多队列
在企业里面如何配置多队列：
按照计算引擎创建队列hive、spark、flink
按照业务创建队列：下单、支付、点赞、评论、收藏（用户、活动、优惠相关）
多队列有什么好处？
假如公司来了一个菜鸟，写了一个递归死循环，公司集群资源耗尽，大数据全部瘫痪。
可以使用队列统一管理任务优先级，保证重要的任务优先完成。
1）增加容量调度器队列
（1）修改容量调度器配置文件
默认Yarn的配置下，容量调度器只有一条default队列。在capacity-scheduler.xml中可以配置多条队列，修改以下属性，增加hive队列。
<property>
<name>yarn.scheduler.capacity.root.queuesname>
<value>default,hivevalue>
<description>
再增加一个hive队列
description>
property>
<property>
<name>yarn.scheduler.capacity.root.default.capacityname>
<value>50value>
<description>
default队列的容量为50%
description>
property>
同时为新加队列****添加****必要属性：
<property>
<name>yarn.scheduler.capacity.root.hive.capacityname>
<value>50value>
<description>
hive队列的容量为50%
description>
property>
<property>
<name>yarn.scheduler.capacity.root.hive.user-limit-factorname>
<value>1value>
<description>
一个用户最多能够获取该队列资源容量的比例，取值0-1
description>
property>
<property>
<name>yarn.scheduler.capacity.root.hive.maximum-capacityname>
<value>80value>
<description>
hive队列的最大容量（自己队列资源不够，可以使用其他队列资源上限）
description>
property>
<property>
<name>yarn.scheduler.capacity.root.hive.statename>
<value>RUNNINGvalue>
<description>
开启hive队列运行，不设置队列不能使用
description>
property>
<property>
<name>yarn.scheduler.capacity.root.hive.acl_submit_applicationsname>
<value>*value>
<description>
访问控制，控制谁可以将任务提交到该队列,*表示任何人
description>
property>
<property>
<name>yarn.scheduler.capacity.root.hive.acl_administer_queuename>
<value>*value>
<description>
访问控制，控制谁可以管理(包括提交和取消)该队列的任务，*表示任何人
description>
property>
<property>
<name>yarn.scheduler.capacity.root.hive.acl_application_max_priorityname>
<value>*value>
<description>
指定哪个用户可以提交配置任务优先级
description>
property>
<property>
<name>yarn.scheduler.capacity.root.hive.maximum-application-lifetimename>
<value>-1value>
<description>
hive队列中任务的最大生命时长，以秒为单位。任何小于或等于零的值将被视为禁用。
description>
property>
<property>
<name>yarn.scheduler.capacity.root.hive.default-application-lifetimename>
<value>-1value>
<description>
hive队列中任务的默认生命时长，以秒为单位。任何小于或等于零的值将被视为禁用。
description>
property>
（2）分发配置文件
xsync /opt/module/hadoop-3.1.3/etc/hadoop/capacity-scheduler.xml
（3）重启Hadoop集群
2）测试新队列
（1）提交一个MR任务，并指定队列为hive
hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.1.3.jar pi -Dmapreduce.job.queuename=hive 1 1
（2）查看ResourceManager的web页面，观察任务被提交到的队列
set mapreduce.job.queuename=hive;
注意：hive调用spark引擎之所以队列一直running，是因为本质是运行的spark-shell，再次提交任务不需要重复执行，因此速度较快。