Hive On Spark
自从公司使用大数据产品之后，就很少碰开源的东西了，集群出问题也是跟研发沟通，前些天有朋友问我，怎么能把hive底层的引擎换成spark，我想了想，是不是将hive的数据库共享给spark然后用spark-shell不就好了，后来查了查资料，原来不是这样的，这里面的操作还挺多了。哎，真的是，用了别人产品，开发是方便了，原理懂的就少了，小编一直还沉浸在用一条SQL底层就能转换的spark程序并行执行任务的幸福生活中。乘着周末，一个人享受着公司的WiFi和空调，把这个开源的hive引擎换成spark搞一搞，顺便分享给大家，最重要的是死肥宅到技术宅的转变。
由于资金有限，只能使用虚拟机给大家演示，这里小编把自己的搭建的hadoop的平台环境介绍一下，先带大家回顾一下hadoopHA模式下，有哪些进程需要启动：（hadoop是2.7.x版本的）
→Namenode：（active-standby）：HDFS的主节点，用于元数据管理和管理从节点
→ Datanode：HDFS的从节点，用于存储数据
→ ResourceMananger：yarn的主节点，用于资源调度
→ Nodemanager：yarn的从节点，用于具体的执行任务
→ Zookeeper：服务协调（进程名QuorumPeerMain）
→ JournalNode：用于主备namenode的元数据的共享
→ DFSZKFailoverController：监控着namenode的生死，时刻准备主备切换。
大概就这么多吧，一个极为普通的hadoop平台，小编这里用了3台虚拟机：
每个节点上的服务：
hadoop01：
hadoop02：
hadoop03：
抱怨服务分配不均匀的小伙伴，停下你们的键盘，小编只是演示，匆匆忙忙的搭建的。
1. 测试hive是否正常运行：
这里我在三台机器上都分发了hive的安装包：
执行命令启动hive：（怎么快怎么来，不用beeline了）
[hadoop@hadoop01 applications]$ hive
运行几个命令试试：
hive> use test; #进入数据库hive> show tables; #查看有哪些表hive> create external table `user`(id string,name string) row format delimited fields terminated by ',' location "/zy/test/user"; #建表#导入数据[hadoop@hadoop01 ~]$ for i in `seq 100` ;do echo "10$i,zy$i">> user.txt ;done ;[hadoop@hadoop01 ~]$ hadoop fs -put user.txt /zy/test/userhive> select * from `user`; OK,hive是没有问题的！
2. hive引擎换成spark
（1） 版本确认
首先查看一下hive和spark版本的兼容：
这里小编的spark是2.0.0，hive是2.3.2。
Spark下载地址：https://archive.apache.org/dist/spark/spark-2.0.0/
Hive的下载地址：http://hive.apache.org/downloads.html
这里有spark需要去hive模块编译，这里小编将编译好的spark提供给大家：
链接：https://pan.baidu.com/s/1tPu2a34JZgcjKAtJcAh-pQ 提取码：kqvs
至于hive嘛，官网的就可以
（2） 修改配置文件
#hive配置（hive-site.xml： javax.jdo.option.ConnectionURL jdbc:mysql://hadoop03:3306/hivedb?createDatabaseIfNotExist=true JDBC connect string for a JDBC metastore javax.jdo.option.ConnectionDriverName com.mysql.jdbc.Driver Driver class name for a JDBC metastore javax.jdo.option.ConnectionUserName root username to use against metastore database javax.jdo.option.ConnectionPassword 123456 password to use against metastore database hive.metastore.warehouse.dir /user/hive/warehouse hive.execution.engine spark hive.enable.spark.execution.engine true spark.home /applications/spark-2.0.0-bin-hadoop2-without-hive spark.master yarn spark.eventLog.enabled true spark.eventLog.dir hdfs://zy-hadoop:8020/spark-log 必须要有这个目录 spark.executor.memory 512m spark.driver.memory 512m spark.serializer org.apache.spark.serializer.KryoSerializer spark.yarn.jars hdfs://zy-hadoop:8020/spark-jars/* hive.spark.client.server.connect.timeout 300000 spark.yarn.queue default spark.app.name zyInceptor 这里需要注意的一点是，hadoop是HA模式，所以hdfs的路径应该写为：hdfs://cluster_name:8020/path#spark的配置(spark-env.sh)#!/usr/bin/env bashexport JAVA_HOME=/applications/jdk1.8.0_73export SCALA_HOME=/applications/scala-2.11.8export HADOOP_HOME=/applications/hadoop-2.8.4export HADOOP_CONF_DIR=/applications/hadoop-2.8.4/etc/hadoopexport HADOOP_YARN_CONF_DIR=/applications/hadoop-2.8.4/etc/hadoopexport SPARK_HOME=/applications/spark-2.0.0-bin-hadoop2-without-hiveexport SPARK_WORKER_MEMORY=512mexport SPARK_EXECUTOR_MEMORY=512mexport SPARK_DRIVER_MEMORY=512mexport SPARK_DIST_CLASSPATH=$(/applications/hadoop-2.8.4/bin/hadoop classpath)（3） jar的配置
① 在hive lib找到以下jar包拷贝到spark jars目录下：
hive-beeline-2.3.3.jar
hive-cli-2.3.3.jar
hive-exec-2.3.3.jar
hive-jdbc-2.3.3.jar
hive-metastore-2.3.3.jar
[hadoop@hadoop01 lib]$ cp hive-beeline-2.3.2.jar hive-cli-2.3.2.jar hive-exec-2.3.2.jar hive-jdbc-2.3.2.jar hive-metastore-2.3.2.jar /applications/spark-2.0.0-bin-hadoop2.7/jars/② 在spark jars中找到以下jar包拷贝到hive lib目录下：
spark-network-common_2.11-2.0.0.jar
spark-core_2.11-2.0.0.jar
scala-library-2.11.8.jar
chill-java，
chill
jackson-module-paranamer，
jackson-module-scala，
jersey-container-servlet-core
jersey-server，
json4s-ast ，
kryo-shaded，
minlog，
scala-xml，
spark-launcher
spark-network-shuffle，
spark-unsafe ，
xbean-asm5-shaded
[hadoop@hadoop01 jars]$ cp spark-network-common_2.11-2.0.0.jar spark-core_2.11-2.0.0.jar scala-library-2.11.8.jar chill-java-0.8.0.jar chill_2.11-0.8.0.jar jackson-module-paranamer-2.6.5.jar jackson-module-scala_2.11-2.6.5.jar jersey-container-servlet-core-2.22.2.jar jersey-server-2.22.2.jar json4s-ast_2.11-3.2.11.jar kryo-shaded-3.0.3.jar minlog-1.3.0.jar scala-xml_2.11-1.0.2.jar spark-launcher_2.11-2.0.0.jar spark-network-shuffle_2.11-2.0.0.jar spark-unsafe_2.11-2.0.0.jar xbean-asm5-shaded-4.4.jar /applications/hive-2.3.2-bin/lib/③ 配置文件的分发
将hadoop中的yarn-site.xml、hdfs-site.xml 放入spark的conf中
将hive-site.xml也放入spark的conf中
④ 分发jar包
在hive-site.xml配置了：spark.yarn.jars
这里我们先在hdfs中创建这个目录：
[hadoop@hadoop01 conf]$ hadoop fs -mkdir /spark-jars将spark的jars中的所有jar包放入这个目录中：
[hadoop@hadoop01 jars]$ hadoop -put ./jars/*.jar /spark-jars⑤ 启动spark
[hadoop@hadoop01 jars]$ /applications/spark-2.0.0-bin-hadoop2-without-hive/sbin/start-all.sh此时这个节点中会出现这几个进程：
（4） 完成以上步骤之后：
测试，在hive中运行一个SQL：
测试，在hive中运行一个SQL：
这里一般使用select count(1) from table; 来检测！
Spark界面会出现：
Yarn的界面会有：
出现以上界面，表示hive on spark安装成功！！
4. 遇到的问题：（版本不兼容）
原因：spark中不能含有hive的依赖，去掉-Phive进行编译spark。
解决：编译spark
下面是hive官网给出的教程：
#Prior to Spark 2.0.0:（他说的是优先在spark2.0.0上，其实就是spark1.6版本的编译）./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.4,parquet-provided"#Since Spark 2.0.0:./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided" #Since Spark 2.3.0: ./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided,orc-provided"编译成功之后，在执行前面的内容即可。
这里小编也有编译好之后的spark：
链接：https://pan.baidu.com/s/1tPu2a34JZgcjKAtJcAh-pQ 提取码：kqvs
