Hive on Spark环境搭建
文章目录
- Hive 引擎简介
- 环境配置 （ssh已经搭好）
-
- JDK准备
- Hadoop 准备
-
- 配置集群
- 启动集群
- LZO压缩配置
- Hive 准备
-
- Hive 元数据配置到 MySQL
- Spark 准备
- Hive on Spark 配置
- Hive on Spark测试
- Spark on yarn & spark on hive配置
Hive 引擎简介
Hive 引擎包括：默认 MR、tez、spark
最底层的引擎就是MR （Mapreduce）无需配置，Hive运行自带
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。
环境配置 （ssh已经搭好）
- Java 1.8.0+
- Hadoop 2.7.0
- MySQL
- Hive 3.1.2
- Spark 2.3.0
为了方便只用单台虚拟机去跑，多台和单台一个套路，分发即可
JDK准备
1）卸载现有JDK
sudo rpm -qa | grep -i java | xargs -n1 sudo rpm -e --nodeps
2）解压JDK到/opt/module目录下
tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/
3）配置JDK环境变量
1）进入 /etc/profile
添加如下内容，然后保存（:wq）退出
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_212
export PATH=$PATH:$JAVA_HOME/bin
2）让环境变量生效
source /etc/profile
3）测试JDK是否安装成功
java -version
Hadoop 准备
部署
1）进入到Hadoop安装包路径下
cd /opt/software/
2）解压安装文件到/opt/module下面
https://hadoop.apache.org/release/2.7.0.html
wget https://archive.apache.org/dist/hadoop/common/hadoop-2.7.0/hadoop-2.7.0.tar.gz
tar -zxvf hadoop-2.7.0.tar.gz -C /opt/module/
3）将Hadoop添加到环境变量
1）获取Hadoop安装路径
/opt/module/hadoop-2.7.0
（2）打开/etc/profile文件
sudo vim /etc/profile
在profile文件末尾添加JDK路径：（shitf+g）
#HADOOP_HOME
export HADOOP_HOME=/opt/module/hadoop-2.7.0
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
(3)
source /etc/profile
配置集群
1）核心配置文件
配置core-site.xml (hadoop-2.7.0/etc/hadoop/core-site.xml )
<configuration>
<property>
<name>fs.defaultFSname>
<value>hdfs://192.168.1.250:8020value>
property>
<property>
<name>hadoop.tmp.dirname>
<value>/mnt/data_online/hadoop-datavalue>
property>
<property>
<name>hadoop.http.staticuser.username>
<value>atomechovalue>
property>
<property>
<name>hadoop.proxyuser.atomecho.hostsname>
<value>*value>
property>
<property>
<name>hadoop.proxyuser.atomecho.groupsname>
<value>*value>
property>
<property>
<name>hadoop.proxyuser.atomecho.groupsname>
<value>*value>
property>
<property>
<name>io.compression.codecsname>
<value>
org.apache.hadoop.io.compress.GzipCodec,
org.apache.hadoop.io.compress.DefaultCodec,
org.apache.hadoop.io.compress.BZip2Codec,
org.apache.hadoop.io.compress.SnappyCodec,
com.hadoop.compression.lzo.LzoCodec,
com.hadoop.compression.lzo.LzopCodec
value>
property>
<property>
<name>io.compression.codec.lzo.classname>
<value>com.hadoop.compression.lzo.LzoCodecvalue>
property>
configuration>
2）HDFS配置文件
配置hdfs-site.xml
<configuration>
<property>
<name>dfs.namenode.http-addressname>
<value>192.168.1.250:9870value>
property>
<property>
<name>dfs.namenode.secondary.http-addressname>
<value>192.168.1.250:9868value>
property>
<property>
<name>dfs.replicationname>
<value>1value>
property>
configuration>
3）YARN配置文件
配置yarn-site.xml
<configuration>
<property>
<name>yarn.nodemanager.aux-servicesname>
<value>mapreduce_shufflevalue>
property>
<property>
<name>yarn.resourcemanager.hostnamename>
<value>192.168.1.250value>
property>
<property>
<name>yarn.nodemanager.env-whitelistname>
<value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOMEvalue>
property>
<property>
<name>yarn.scheduler.minimum-allocation-mbname>
<value>512value>
property>
<property>
<name>yarn.scheduler.maximum-allocation-mbname>
<value>12288value>
property>
<property>
<name>yarn.nodemanager.resource.memory-mbname>
<value>12288value>
property>
<property>
<name>yarn.nodemanager.pmem-check-enabledname>
<value>falsevalue>
property>
<property>
<name>yarn.nodemanager.vmem-check-enabledname>
<value>falsevalue>
property>
<property>
<name>yarn.log-aggregation-enablename>
<value>truevalue>
property>
<property>
<name>yarn.log.server.urlname>
<value>http://192.168.1.250:19888/jobhistory/logsvalue>
property>
<property>
<name>yarn.log-aggregation.retain-secondsname>
<value>604800value>
property>
configuration>
4）MapReduce配置文件
配置mapred-site.xml
<configuration>
<property>
<name>mapreduce.framework.namename>
<value>yarnvalue>
property>
<property>
<name>mapreduce.jobhistory.addressname>
<value>192.168.1.250:10020value>
property>
<property>
<name>mapreduce.jobhistory.webapp.addressname>
<value>192.168.1.250:19888value>
property>
configuration>
5）配置workers
192.168.1.250
6）配置hadoop-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_212
启动集群
（1）如果集群是第一次启动，需要在192.168.1.250节点格式化NameNode（注意格式化之前，一定要先停止上次启动的所有namenode和datanode进程，然后再删除data和log数据）
bin/hdfs namenode -format
(2）启动HDFS
sbin/start-dfs.sh
（3）在配置了ResourceManager的节点启动YARN
sbin/start-yarn.sh
（4）Web端查看HDFS的Web页面：http://192.168.1.250:9870
（5）Web端查看SecondaryNameNode : http://192.168.1.250:9868/status.html （单机模式下面什么都没有）
6）Web端查看ResourceManager ： http://192.168.1.250:8088/cluster
LZO压缩配置
- 编译hadoop-lzo
wget https://www.oberhumer.com/opensource/lzo/download/lzo-2.10.tar.gz
tar -zxvf lzo-2.10.tar.gz
cd lzo-2.10
./configure --enable-shared --prefix /usr/local/lzo-2.10
make && sudo make install
# build hadoop-lzo
C_INCLUDE_PATH=/usr/local/lzo-2.10/include \
LIBRARY_PATH=/usr/local/lzo-2.10/lib \
mvn clean package
2）将编译好后的 hadoop-lzo-0.4.20.jar 放入 /opt/module/hadoop-2.7.0/share/hadoop/common/
$ pwd
/opt/module/hadoop-2.7.0/share/hadoop/common/
$ ls
hadoop-lzo-0.4.20.jar
2）core-site.xml 增加配置支持 LZO 压缩
<configuration>
<property>
<name>io.compression.codecsname>
<value>
org.apache.hadoop.io.compress.GzipCodec,
org.apache.hadoop.io.compress.DefaultCodec,
org.apache.hadoop.io.compress.BZip2Codec,
org.apache.hadoop.io.compress.SnappyCodec,
com.hadoop.compression.lzo.LzoCodec,
com.hadoop.compression.lzo.LzopCodec
value>
property>
<property>
<name>io.compression.codec.lzo.classname>
<value>com.hadoop.compression.lzo.LzoCodecvalue>
property>
configuration>
Hadoop 2.x 端口号 总结
MySQL准备
安装mysql
1）进入msyql 库
mysql> use mysql
2）查询 user 表
mysql> select user, host from user;
3）修改 user 表，把 Host 表内容修改为%
mysql> update user set host="%" where user="root";
4）刷新
mysql> flush privileges;
Hive 准备
下载hive：https://dlcdn.apache.org/hive/
1）把 apache-hive-3.1.2-bin.tar.gz上传到 linux 的/opt/software 目录下
2）解压 apache-hive-3.1.2-bin.tar.gz 到/opt/module目录下面
tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/
3）修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive
mv /opt/module/apache-hive-3.1.2-bin/ /opt/module/hive
4）修改/etc/profile，添加环境变量
sudo vim /etc/profile
添加内容
#HIVE_HOME
export HIVE_HOME=/opt/module/hive
export PATH=$PATH:$HIVE_HOME/bin
source 一下 /etc/profile 文件，使环境变量生效
source /etc/profile
Hive 元数据配置到 MySQL
- 拷贝驱动
下载mysql JDBC： https://repo1.maven.org/maven2/mysql/mysql-connector-java/8.0.30/
将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下
cp /opt/software/mysql-connector-j-8.0.33.jar /opt/module/hive/lib/
- 配置 Metastore 到 MySQL
在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件
vim hive-site.xml
添加如下内容
<configuration>
<property>
<name>javax.jdo.option.ConnectionURLname>
<value>jdbc:mysql://192.168.1.249:3306/metastore?useSSL=falsevalue>
property>
<property>
<name>javax.jdo.option.ConnectionDriverNamename>
<value>com.mysql.jdbc.Drivervalue>
property>
<property>
<name>javax.jdo.option.ConnectionUserNamename>
<value>rootvalue>
property>
<property>
<name>javax.jdo.option.ConnectionPasswordname>
<value>Lettcue2kgvalue>
property>
<property>
<name>hive.metastore.warehouse.dirname>
<value>/user/hive/warehousevalue>
property>
<property>
<name>hive.metastore.schema.verificationname>
<value>falsevalue>
property>
<property>
<name>hive.server2.thrift.portname>
<value>10000value>
property>
<property>
<name>hive.server2.thrift.bind.hostname>
<value>192.168.1.249value>
property>
<property>
<name>hive.metastore.event.db.notification.api.authname>
<value>falsevalue>
property>
<property>
<name>hive.cli.print.headername>
<value>truevalue>
property>
<property>
<name>hive.cli.print.current.dbname>
<value>truevalue>
property>
<property>
<name>spark.yarn.jarsname>
<value>hdfs://192.168.1.250:8020/spark-jars/*value>
property>
<property>
<name>hive.execution.enginename>
<value>sparkvalue>
property>
<property>
<name>hive.spark.client.connect.timeoutname>
<value>10000msvalue>
property>
configuration>
- 启动 Hive
初始化元数据库
1）登陆MySQL
mysql -uroot -p
2）新建 Hive 元数据库
mysql> create database metastore;
mysql> quit;
3）初始化 Hive 元数据库
schematool -initSchema -dbType mysql -verbose
- 启动 hive 客户端
1）启动 Hive 客户端
bin/hive
2）查看一下数据库
hive (default)> show databases;
OK
database_name
default
Spark 准备
（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-2.3.0-bin-hadoop2.7.tgz
wget https://archive.apache.org/dist/spark/spark-2.3.0/spark-2.3.0-bin-hadoop2.7.tgz
tar -zxvf spark-2.3.0-bin-hadoop2.7.tgz -C /opt/module/
mv /opt/module/spark-2.3.0-bin-hadoop2.7 /opt/module/spark
（3）配置 SPARK_HOME 环境变量
sudo vim /etc/profile
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
（4）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://192.168.1.250:8020/spark-history
spark.executor.memory 2g
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
（5）向 HDFS 上传 Spark 纯净版 jar 包
上传并解压 spark-2.3.0-bin-without-hadoop.tgz
tar -zxvf /opt/software/spark-2.3.0-bin-without-hadoop.tgz
6）上传 Spark 纯净版 jar 包到 HDFS
hadoop fs -mkdir /spark-jars
hadoop fs -put spark-2.3.0-bin-without-hadoop/jars/* /spark-jars
Hive on Spark 配置
修改 hive-site.xml 文件
vim /opt/module/hive/conf/hive-site.xml
添加如下内容
spark.yarn.jars
hdfs://192.168.1.250:8020/spark-jars/*
hive.execution.engine
spark
hive.spark.client.connect.timeout
10000ms
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。
Hive on Spark测试
1）启动 hive 客户端
bin/hive
（2）创建一张测试表
hive (default)> create table huanhuan(id int, name string);
hive (default)> show tables;
OK
tab_name
huanhuan
Time taken: 0.117 seconds, Fetched: 1 row(s)
3）通过 insert 测试效果
hive (default)> insert into huanhuan values(1,'haoge');
Query ID = root_20230604114221_a1118af6-6182-455b-80fa-308382ddbee0
Total jobs = 1
Launching Job 1 out of 1
In order to change the average load for a reducer (in bytes):
set hive.exec.reducers.bytes.per.reducer=
In order to limit the maximum number of reducers:
set hive.exec.reducers.max=
In order to set a constant number of reducers:
set mapreduce.job.reduces=
Running with YARN Application = application_1685849514092_0001
Kill Command = /opt/module/hadoop-2.7.0/bin/yarn application -kill application_1685849514092_0001
Hive on Spark Session Web UI URL: http://192.168.1.250:43725
Query Hive on Spark job[0] stages: [0, 1]
Spark job[0] status = RUNNING
--------------------------------------------------------------------------------------
STAGES ATTEMPT STATUS TOTAL COMPLETED RUNNING PENDING FAILED
--------------------------------------------------------------------------------------
Stage-0 ........ 0 FINISHED 1 1 0 0 0
Stage-1 ........ 0 FINISHED 1 1 0 0 0
--------------------------------------------------------------------------------------
STAGES: 02/02 [==========================>>] 100% ELAPSED TIME: 23.28 s
--------------------------------------------------------------------------------------
Spark job[0] finished successfully in 23.28 second(s)
Loading data to table default.huanhuan
OK
col1 col2
Time taken: 98.25 seconds
Spark on yarn & spark on hive配置
- 编辑 SPARK_HOME/conf/spark-defaults.conf
spark.master yarn
spark.driver.memory 512m
spark.yarn.am.memory 512m
spark.executor.memory 512m
# 配置spark日志
spark.eventLog.enabled true
spark.eventLog.dir hdfs://192.168.1.250:8020/spark-logs
spark.history.provider org.apache.spark.deploy.history.FsHistoryProvider
spark.history.fs.logDirectory hdfs://192.168.1.250:8020/spark-logs
spark.history.fs.update.interval 10s
spark.history.ui.port 18080
- 编辑/etc/profile
export HADOOP_HOME=/opt/module/hadoop-2.7.0
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export LD_LIBRARY_PATH=$HADOOP_HOME/lib/native:$LD_LIBRARY_PATH
- source/etc/profile
source /etc/profile
- 拷贝hadoop和hive的配置到spark
把hadoop下的
core-site.xml
hdfs-site.xml
拷贝到 SPARK_HOME/conf/
hive下的配置
hive-site.xml
拷贝到 SPARK_HOME/conf/
- 拷贝mysql的驱动
cp mysql-connector-java-5.1.38-bin.jar $SPARK_HOME/jars/
例子
main.py
import pyspark
from pyspark.sql import SparkSession
from pyspark.sql import Row
spark = SparkSession.builder.enableHiveSupport().getOrCreate()
df=spark.sql("show databases")
df.show()
# https://www.projectpro.io/recipes/write-csv-data-table-hive-pyspark
提交脚本
submit.sh
SPARK_PATH=/opt/module/spark
YARN_QUEUE=default
# DEPLOY_MODE=cluster
DEPLOY_MODE=client
${SPARK_PATH}/bin/spark-submit \
--master yarn \
--name "spark_demo_lr" \
--queue ${YARN_QUEUE} \
--deploy-mode ${DEPLOY_MODE} \
--driver-memory 4g \
--driver-cores 2 \
--executor-memory 4g \
--executor-cores 2 \
--num-executors 2 \
--conf spark.default.parallelism=10 \
--conf spark.executor.memoryOverhead=2g \
--conf spark.driver.memoryOverhead=1g \
--conf spark.yarn.maxAppAttempts=1 \
--conf spark.yarn.submit.waitAppCompletion=true \
./main.py