大數據Hadoop之——Spark on Hive 和 Hive on Spark的區別與實現

来源:https://www.cnblogs.com/liugp/archive/2022/04/30/16209394.html
-Advertisement-
Play Games

一、Spark on Hive 和 Hive on Spark的區別 1）Spark on Hive Spark on Hive 是Hive只作為存儲角色，Spark負責sql解析優化，執行。這裡可以理解為Spark 通過Spark SQL 使用Hive 語句操作Hive表 ,底層運行的還是 Spa ...


目錄

一、Spark on Hive 和 Hive on Spark的區別

1）Spark on Hive

Spark on Hive 是Hive只作為存儲角色，Spark負責sql解析優化，執行。這裡可以理解為Spark 通過Spark SQL 使用Hive 語句操作Hive表 ,底層運行的還是 Spark RDD。具體步驟如下：

  • 通過SparkSQL，載入Hive的配置文件，獲取到Hive的元數據信息；
  • 獲取到Hive的元數據信息之後可以拿到Hive表的數據；
  • 通過SparkSQL來操作Hive表中的數據。

具體實現在我之前的博文中已經講過，在這裡就不再重覆了，實現很簡單，可以參考：大數據Hadoop之——Spark SQL+Spark Streaming

【總結】Spark使用Hive來提供表的metadata信息。

2）Hive on Spark（本章實現）

Hive on Spark是Hive既作為存儲又負責sql的解析優化，Spark負責執行。這裡Hive的執行引擎變成了Spark，不再是MR，這個要實現比Spark on Hive麻煩很多, 必須重新編譯你的spark和導入jar包，不過目前大部分使用的確實是spark on hive。

  • Hive預設使用MapReduce作為執行引擎，即Hive on MapReduce。實際上，Hive還可以使用Tez和Spark作為其執行引擎，分別為Hive on Tez和Hive on Spark。由於MapReduce中間計算均需要寫入磁碟，而Spark是放在記憶體中，所以總體來講Spark比MapReduce快很多。因此，Hive on Spark也會比Hive on MapReduce快。由於Hive on MapReduce的缺陷，所以企業里基本上很少使用了。

【總結】hive on spark大體與spark on hive結構類似，只是SQL引擎不同，但是計算引擎都是spark！

參考文檔：

二、Hive on Spark實現

編譯Spark源碼

要使用Hive on Spark，所用的Spark版本必須不包含Hive的相關jar包，hive on spark 的官網上說“Note that you must have a version of Spark which does not include the Hive jars”。在spark官網下載的編譯的Spark都是有集成Hive的，因此需要自己下載源碼來編譯，並且編譯的時候不指定Hive。最終版本：Hadoop3.3.1+Spark2.3.0+Hive3.1.2，其實主要是spark和hive版本對應上就行，hadoop版本好像沒那麼嚴格，所以這裡hadoop版本我使用當前最新版本，但是還是建議使用hive的pom.xml配置文件里配置的版本。

1）先下載hive源碼包查看spark版本

$ cd /opt/bigdata/hadoop/software
$ wget http://archive.apache.org/dist/hive/hive-3.1.2/apache-hive-3.1.2-src.tar.gz
$ tar -zxvf apache-hive-3.1.2-src.tar.gz
$ egrep 'spark.version|hadoop.version' apache-hive-3.1.2-src/pom.xml

2）下載spark

下載地址：https://archive.apache.org/dist/spark/spark-2.3.0/

$ cd /opt/bigdata/hadoop/software
# 下載
$ wget http://archive.apache.org/dist/spark/spark-2.3.0/spark-2.3.0.tgz

3）解壓編譯

# 解壓
$ tar -zxvf spark-2.3.0.tgz
$ cd spark-2.3.0
# 開始編譯，註意hadoop版本
$ ./dev/make-distribution.sh --name without-hive --tgz -Pyarn -Phadoop-2.7 -Dhadoop.version=3.3.1 -Pparquet-provided -Porc-provided -Phadoop-provided
# 或者（這裡不執行下麵這句，因為跟上面等價）
$ ./dev/make-distribution.sh --name "without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided,orc-provided"
命令解釋：
-Phadoop-3.3 \  -Dhadoop.version=3.3.1 \ ***指定hadoop版本為3.3.1
--name without-hive hive 是編譯文件的名字參數
--tgz ***壓縮成tgz格式
-Pyarn 是支持yarn
-Phadoop-2.7 是支持的hadoop版本，一開始使用的是3.3後來提示hadoop3.3不存在，只好改成2.7，編譯成功
-Dhadoop.version=3.3.1 運行環境

但是發現編譯卡住了，原來編譯會自動下載maven和scala，存放在build目錄下，如圖：

自動下載完maven和scala，就開始編譯了，編譯耗時還是比較久，慢慢等待編譯結束吧。

編譯花了半個小時左右，終於編譯完成了。編譯的時間太漫長，下麵我也會把我編譯好的spark包放在網盤上供大家下載使用。

在當前目錄下就有編譯好的spark包

$ ll

4）解壓

$ tar -zxvf spark-2.3.0-bin-without-hive.tgz -C /opt/bigdata/hadoop/server/
$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive
$ ll

5）把spark jar包上傳到HDFS

【溫馨提示】hive-site.xml文件里配置需要。

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/
### 創建日誌存放目錄
$ hadoop fs -mkdir -p hdfs://hadoop-node1:8082/tmp/spark
### 在hdfs上創建存放jar包目錄
$ hadoop fs -mkdir -p /spark/spark-2.4.5-jars
## 上傳jars到HDFS
$ hadoop fs -put ./jars/* /spark/spark-2.4.5-jars/

如果使用了打包好的jar包，hive操作時會報如下錯誤：

Failed to execute spark task, with exception 'org.apache.hadoop.hive.ql.metadata.HiveException(Failed to create Spark client for Spark session c8c46c14-4d2a-4f7e-9a12-0cd62bf097db)'
FAILED: Execution Error, return code 30041 from org.apache.hadoop.hive.ql.exec.spark.SparkTask. Failed to create Spark client for Spark session c8c46c14-4d2a-4f7e-9a12-0cd62bf097db

6）打包spark jar包並上傳到HDFS

【溫馨提示】spark-default.xml文件需要配置打包好的jar包，spark-submit會調用。

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/
$ jar cv0f spark2.3.0-without-hive-libs.jar -C ./jars/ .
$ ll
### 在hdfs上創建存放jar包目錄
$ hadoop fs -mkdir -p /spark/jars
## 上傳jars到HDFS
$ hadoop fs -put spark2.3.0-without-hive-libs.jar /spark/jars/

如果不打包，則會報如下錯誤：

Exception in thread "main" java.io.FileNotFoundException: File does not exist: hdfs://hadoop-node1:8082/spark/spark-2.3.0-jars/*.jar
at org.apache.hadoop.hdfs.DistributedFileSystem$29.doCall(DistributedFileSystem.java:1756)
at org.apache.hadoop.hdfs.DistributedFileSystem$29.doCall(DistributedFileSystem.java:1749)
at org.apache.hadoop.fs.FileSystemLinkResolver.resolve(FileSystemLinkResolver.java:81)
at org.apache.hadoop.hdfs.DistributedFileSystem.getFileStatus(DistributedFileSystem.java:1764)
at org.apache.spark.deploy.yarn.ClientDistributedCacheManager$$anonfun$1.apply(ClientDistributedCacheManager.scala:71)
at org.apache.spark.deploy.yarn.ClientDistributedCacheManager$$anonfun$1.apply(ClientDistributedCacheManager.scala:71)
at scala.collection.MapLike$class.getOrElse(MapLike.scala:128)
at scala.collection.AbstractMap.getOrElse(Map.scala:59)
at org.apache.spark.deploy.yarn.ClientDistributedCacheManager.addResource(ClientDistributedCacheManager.scala:71)
at org.apache.spark.deploy.yarn.Client.org$apache$spark$deploy$yarn$Client$$distribute$1(Client.scala:480)
at org.apache.spark.deploy.yarn.Client.prepareLocalResources(Client.scala:517)
at org.apache.spark.deploy.yarn.Client.createContainerLaunchContext(Client.scala:863)
at org.apache.spark.deploy.yarn.Client.submitApplication(Client.scala:169)
at org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.start(YarnClientSchedulerBackend.scala:57)
at org.apache.spark.scheduler.TaskSchedulerImpl.start(TaskSchedulerImpl.scala:164)
at org.apache.spark.SparkContext.(SparkContext.scala:500)
at org.apache.spark.SparkContext$.getOrCreate(SparkContext.scala:2486)
at org.apache.spark.sql.SparkSession$Builder$$anonfun$7.apply(SparkSession.scala:930)
at org.apache.spark.sql.SparkSession$Builder$$anonfun$7.apply(SparkSession.scala:921)
at scala.Option.getOrElse(Option.scala:121)
at org.apache.spark.sql.SparkSession$Builder.getOrCreate(SparkSession.scala:921)
at org.apache.spark.examples.SparkPi$.main(SparkPi.scala:31)
at org.apache.spark.examples.SparkPi.main(SparkPi.scala)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:498)
at org.apache.spark.deploy.JavaMainApplication.start(SparkApplication.scala:52)
at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:879)
at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:197)
at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:227)
at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:136)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

7）配置

1、配置spark-defaults.conf

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/conf
# copy一個配置文件
$ cp spark-defaults.conf.template spark-defaults.conf

spark-defaults.conf修改內容如下：

spark.master                     yarn
spark.home                       /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive
spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://hadoop-node1:8082/tmp/spark
spark.serializer                 org.apache.spark.serializer.KryoSerializer
spark.executor.memory            1g
spark.driver.memory              1g
spark.executor.extraJavaOptions  -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"
spark.yarn.archive               hdfs:///spark/jars/spark2.3.0-without-hive-libs.jar
spark.yarn.jars                  hdfs:///spark/jars/spark2.3.0-without-hive-libs.jar


### 參數解釋，不用複製到配置文件中
# spark.master指定Spark運行模式，可以是yarn-client、yarn-cluster...

# spark.home指定SPARK_HOME路徑

# spark.eventLog.enabled需要設為true

# spark.eventLog.dir指定路徑，放在master節點的hdfs中，埠要跟hdfs設置的埠一致（預設為8020），否則會報錯

# spark.executor.memory和spark.driver.memory指定executor和dirver的記憶體，512m或1g，既不能太大也不能太小，因為太小運行不了，太大又會影響其他服務

2、配置spark-env.sh

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/conf
$ cp spark-env.sh.template spark-env.sh
# 在spark-env.sh添加如下內容
$ vi spark-env.sh
export SPARK_DIST_CLASSPATH=$(hadoop classpath)
export HADOOP_CONF_DIR={HADOOP_HOME}/etc/hadoop/

# 載入
$ source spark-env.sh

在Yarn模式運行時，需要將以下三個包放在HIVE_HOME/lib下 ：scala-library、spark-core、spark-network-common。

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive
# 先刪
$ rm -f ../apache-hive-3.1.2-bin/lib/scala-library-*.jar
$ rm -f ../apache-hive-3.1.2-bin/lib/spark-core_*.jar
$ rm -f ../apache-hive-3.1.2-bin/lib/spark-network-common_*.jar

# copy這三個jar到hive lib目錄下
$ cp jars/scala-library-*.jar ../apache-hive-3.1.2-bin/lib/
$ cp jars/spark-core_*.jar ../apache-hive-3.1.2-bin/lib/
$ cp jars/spark-network-common_*.jar ../apache-hive-3.1.2-bin/lib/

3、配置hive-site.xml

$ cd /opt/bigdata/hadoop/server/apache-hive-3.1.2-bin/conf/

#配置hive-site.xml，主要mysql資料庫
$ cat << EOF > hive-site.xml
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>

<!-- 配置hdfs存儲目錄 -->
<property>
        <name>hive.metastore.warehouse.dir</name>
        <value>/user/hive_remote/warehouse</value>
</property>

<!-- 所連接的 MySQL 資料庫的地址，hive_remote是資料庫，程式會自動創建，自定義就行 -->
<property>
  <name>javax.jdo.option.ConnectionURL</name>
  <value>jdbc:mysql://hadoop-node1:3306/hive_remote2?createDatabaseIfNotExist=true&amp;useSSL=false&amp;serverTimezone=Asia/Shanghai</value>
</property>

<!-- 本地模式
<property>
  <name>hive.metastore.local</name>
  <value>false</value>
</property>
-->

<!-- MySQL 驅動 -->
<property>
  <name>javax.jdo.option.ConnectionDriverName</name>
  <value>com.mysql.jdbc.Driver</value>
</property>

<!-- mysql連接用戶 -->
<property>
  <name>javax.jdo.option.ConnectionUserName</name>
  <value>root</value>
</property>

<!-- mysql連接密碼 -->
<property>
  <name>javax.jdo.option.ConnectionPassword</name>
  <value>123456</value>
</property>

<!--元數據是否校驗-->
<property>
  <name>hive.metastore.schema.verification</name>
  <value>false</value>
</property>

<property>
  <name>system:user.name</name>
  <value>root</value>
  <description>user name</description>
</property>

<!-- host -->
<property>
  <name>hive.server2.thrift.bind.host</name>
  <value>hadoop-node1</value>
  <description>Bind host on which to run the HiveServer2 Thrift service.</description>
</property>

<!-- hs2埠 -->
<property>
  <name>hive.server2.thrift.port</name>
  <value>11000</value>
</property>

<property>
  <name>hive.metastore.uris</name>
  <value>thrift://hadoop-node1:9083</value>
</property>

<!--Spark依賴位置，上面上傳jar包的hdfs路徑-->
<property>
    <name>spark.yarn.jars</name>
    <value>hdfs:///spark/spark-2.3.0-jars/*.jar</value>
</property>

<!--Hive執行引擎，使用spark-->
<property>
    <name>hive.execution.engine</name>
    <value>spark</value>
</property>

<!--Hive和spark連接超時時間-->
<property>
    <name>hive.spark.client.connect.timeout</name>
    <value>10000ms</value>
</property>

</configuration>
EOF

8）設置環境變數

在/etc/profile添加如下配置：

export HIVE_HOME=/opt/bigdata/hadoop/server/apache-hive-3.1.2-bin
export PATH=$HIVE_HOME/bin:$PATH
export SPARK_HOME=/opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive
export PATH=$SPARK_HOME/bin:$PATH

載入

$ source /etc/profile

9）初始化資料庫（mysql）

不清楚的可以先看一下這篇文章 大數據Hadoop之——數據倉庫Hive

# 初始化，--verbose：查詢詳情，可以不加
$ schematool -initSchema -dbType mysql --verbose

10）啟動或者重啟hive的metstore服務

# 先查進程是否存在，存在則kill掉
$ ss -atnlp|grep 9083
# 啟動metstore服務
$ nohup hive --service metastore &

11）測試驗證

先驗證編譯好的spark是否ok，就用spark提供的示例：SparkPI

$ spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1G \
--num-executors 3 \
--executor-memory 1G \
--executor-cores 1 \
/opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/examples/jars/spark-examples_*.jar 10

從上圖發現編譯好的spark包是沒問題的，接下來就是驗證hive提交spark任務

$ mkdir /opt/bigdata/hadoop/data/spark
$ cat << EOF > /opt/bigdata/hadoop/data/spark/test1230-data
1,phone
2,music
3,apple
4,clothes
EOF

# 啟動hive
$ hive
# 創建表，通過逗號分隔欄位
create table test1230(id string,shop string) row format delimited fields terminated by ',';
# 從local載入數據，這裡的local是指hs2服務所在機器的本地linux文件系統
load data local inpath '/opt/bigdata/hadoop/data/spark/test1230-data' into table test1230;
# 通過insert添加數據，會提交spark任務
select * from test1230;
select count(*) from test1230;

最後提供我上面編譯好的spark2.3.0版本的包，下載地址如下：

鏈接：https://pan.baidu.com/s/1OY_Mn8UdRkTiiMktjQ3wlQ
提取碼：8888


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 基於SqlSugar的資料庫訪問處理的封裝，支持.net FrameWork和.net core的項目調用
    由於我們有時候需要在基於.net framework的項目上使用（如Winform端應用），有時候有需要在.net core的項目上使用(如.net core的WebAPI），那麼我們把基於SQLSugar的基礎模塊封裝，編譯為.net standard就很有必要，而且由於.net framewor... ...
  • C#-11 介面
    一 什麼是介面 介面是指定一組函數成員而不實現它們的引用類型。 class Program { static void FlyFunc(IFly obj) { obj.Fly(); } static void Main(string[] args) { var bird = new Bird(); ...
  • STM32CubeIDE軟體功能學習
    最近使用STM32CubeIDE來進行編程，現對其軟體架構及功能進行學習和總結，也希望後來的小伙伴能夠更快的上手這款軟體！ STM32CubeIDE官方介紹 STM32CubeIDE（Integrated development environment for STM32 products） 特征： ...
  • Linux Centos7 根分區磁碟擴容[詳解]
    CentOS7 根分區擴容 [詳細過程] 前提 1.如果原來的系統根分區為邏輯捲分區 則可以使用如下的方法 如果不是則不可以 2.如果原來的系統根分區不是邏輯捲分區 則不可以擴展只能再添加掛在磁碟進行相應目錄的擴容 添加磁碟 [此處添加一塊2G的硬碟] 1.先添加一塊磁碟 然後在系統中查看是否可以正 ...
  • STM8S103F3P6 的開發, 燒錄和Debug筆記
    STM8S103F3 產品手冊, 接線 ST-LINK和開發板的SWIM口是一一對應的, 直接連到開發板的同名PIN, 開發工具庫 SPL 第三方維護的 STM8S103F3_SPL 創建項目 打開 STVD 工具鏈: 選擇STM8 Cosmic, 指定toolchains到對應的目錄, 選擇晶元型... ...
  • linux套接字編程示例
    linux套接字編程示例 簡單TCP、UDP編程示例。 TCP TCP通信模型 伺服器代碼 #include <sys/socket.h> #include <netinet/in.h> #include <arpa/inet.h> #include <errno.h> #include <stdi ...
  • SAS (Statistics Analysis System) 統計分析系統軟體
    SAS (Statistical Analysis System) 是一個統計軟體系統,由 SAS Institute 開發, 用於數據管理、高級分析、多元分析、商業智能、刑事調查和預測分析. SAS 由北卡羅來納州立大學在1966至1976年之間開發, 並於1976年成立了SAS軟體研究所. 19... ...
  • Hadoop（二）Hdfs基本操作
    HDFS HDFS由大量伺服器組成存儲集群，將數據進行分片與副本，實現高容錯。 而分片最小的單位就是塊。預設塊的大小是64M。 HDFS Cli操作 官網https://hadoop.apache.org/docs/stable/hadoop-project-dist/hadoop-common/F ...
一周排行
    -Advertisement-
    Play Games
  • Dapr Outbox 執行流程
    Dapr Outbox 是1.12中的功能。 本文只介紹Dapr Outbox 執行流程，Dapr Outbox基本用法請閱讀官方文檔 。本文中appID=order-processor，topic=orders 本文前提知識：熟悉Dapr狀態管理、Dapr發佈訂閱和Outbox 模式。 Outbo ...
  • Advanced .Net Debugging 7：托管堆與垃圾收集
    引言 在前幾章我們深度講解了單元測試和集成測試的基礎知識，這一章我們來講解一下代碼覆蓋率,代碼覆蓋率是單元測試運行的度量值,覆蓋率通常以百分比表示，用於衡量代碼被測試覆蓋的程度，幫助開發人員評估測試用例的質量和代碼的健壯性。常見的覆蓋率包括語句覆蓋率（Line Coverage）、分支覆蓋率（Bra ...
  • C#S7.NET實現西門子PLCDB塊數據採集的完整步驟
    前言 本文介紹瞭如何使用S7.NET庫實現對西門子PLC DB塊數據的讀寫，記錄了使用電腦模擬，模擬PLC，自至完成測試的詳細流程，並重點介紹了在這個過程中的易錯點，供參考。 用到的軟體： 1.Windows環境下鏈路層網路訪問的行業標準工具（WinPcap_4_1_3.exe）下載鏈接：http ...
  • WPF控制項：密碼框綁定MVVM
    從依賴倒置原則（Dependency Inversion Principle, DIP）到控制反轉（Inversion of Control, IoC）再到依賴註入（Dependency Injection, DI）的演進過程，我們可以理解為一種逐步抽象和解耦的設計思想。這種思想在C#等面向對象的編 ...
  • Python中的私有屬性與私有方法
    關於Python中的私有屬性和私有方法 Python對於類的成員沒有嚴格的訪問控制限制，這與其他面相對對象語言有區別。關於私有屬性和私有方法，有如下要點： 1、通常我們約定，兩個下劃線開頭的屬性是私有的（private）。其他為公共的（public）； 2、類內部可以訪問私有屬性（方法）； 3、類外 ...
  • C++ 訪問說明符詳解：封裝數據，控制訪問，提升安全性
    C++ 訪問說明符 訪問說明符是 C++ 中控制類成員（屬性和方法）可訪問性的關鍵字。它們用於封裝類數據並保護其免受意外修改或濫用。 三種訪問說明符： public：允許從類外部的任何地方訪問成員。 private：僅允許在類內部訪問成員。 protected：允許在類內部及其派生類中訪問成員。 示 ...
  • static_cast與dynamic_cast到底是什麼？
    寫這個隨筆說一下C++的static_cast和dynamic_cast用在子類與父類的指針轉換時的一些事宜。首先，【static_cast，dynamic_cast】【父類指針，子類指針】，兩兩一組，共有4種組合：用 static_cast 父類轉子類、用 static_cast 子類轉父類、使用 ...
  • C語言數據結構：雙向鏈表的增刪操作
    /******************************************************************************************************** * * * 設計雙向鏈表的介面 * * * * Copyright (c) 2023-2 ...
  • @ComponentScan註解的實現，Spring掃描包的過程
    相信接觸過spring做開發的小伙伴們一定使用過@ComponentScan註解 @ComponentScan("com.wangm.lifecycle") public class AppConfig { } @ComponentScan指定basePackage，將包下的類按照一定規則註冊成Be ...
  • opensips開啟python支持
    操作系統 ：CentOS 7.6_x64 opensips版本： 2.4.9 python版本：2.7.5 python作為腳本語言，使用起來很方便，查了下opensips的文檔，支持使用python腳本寫邏輯代碼。今天整理下CentOS7環境下opensips2.4.9的python模塊筆記及使用 ...
所有分類