当前位置：首页 > article >正文

Spark On Hive原理和配置

article 2024/11/16 13:21:58

一、Spark On Hive原理

（1）为什么要让Spark On Hive？

二、MySQL安装配置（root用户）

（1）安装MySQL

（2）启动MySQL设置开机启动

（3）修改MySQL密码

三、Hive安装配置

（1）修改Hadoop的core-site.xml

（2）创建hive-site.xml

（3）修改配置文件hive-env.sh

（4）上传mysql连接驱动

（5）初始化元数据（Hadoop集群启动后）

（6）创建logs目录，启动元数据服务

（7）启动Hive shell

四、Spark On Hive配置

（1）创建hive-site.xml（spark/conf目录）

（2）放置MySQL驱动包

（3）查看hive的hive-site.xml配置

（4）启动hive的MetaStore服务

（5）Spark On Hive测试

（6）Pycharm-spark代码连接测试

一、Spark On Hive原理

（1）为什么要让Spark On Hive？

对于Spark来说，自身是一个执行引擎。但是Spark自己没有元数据管理功能，当我们执行： SELECT * FROM person WHERE age > 10的时候， Spark完全有能力将SQL变成RDD提交。

但是问题是，Person的数据在哪? Person有哪些字段?字段啥类型? Spark完全不知道了。不知道这些东西，如何翻译RDD运行。在SparkSQL代码中可以写SQL那是因为，表是来自DataFrame注册的。 DataFrame中有数据，有字段，有类型，足够Spark用来翻译RDD用.。如果以不写代码的角度来看，SELECT * FROM person WHERE age > 10 spark无法翻译，因为没有元数据。

解决方案：

Spark提高执行引擎能力，Hive的MetaStore提供元数据管理功能。选择Hive的原因是使用Hive的用户数量多。

二、MySQL安装配置（root用户）

（1）安装MySQL

命令：

rpm --import https://repo.mysql.com/RPM-GPG-KEY-mysql-2022

rpm -Uvh https://repo.mysql.com//mysql57-community-release-el7-7.noarch.rpm

yum -y install mysql-community-server

（2）启动MySQL设置开机启动

命令：

systemctl start mysqld

systemctl enable mysqld

（3）修改MySQL密码

命令：

查看密码：grep 'temporary password' /var/log/mysqld.log

修改密码：

mysql -uroot -p  #登录MySQL，密码是刚刚查看的临时密码

set global validate_password_policy=LOW;   #密码安全级别低

set  global  validate_password_length=4;  #密码长度最低四位

ALTER USER 'root'@'localhost' IDENTIFIED BY '密码'; # 设置用户和密码
# 配置远程登陆用户以及密码
grant all privileges on *.* to root@"%" identified by 'root' with grant option;

flush privileges;

三、Hive安装配置

（1）修改Hadoop的core-site.xml

添加内容如下:

<property>
<name>hadoop.proxyuser.noregrets.hosts</name>
<value>*</value>
</property>
<property>
<name>hadoop.proxyuser.noregrets.groups</name>
<value>*</value>
</property>

上传解压安装Hive压缩包并构建软连接
命令：

解压：tar -zvxf apache-hive-3.1.3-bin-tar-gz -C /export/servers

构建软连接：ln -s /export/servers/apache-hive-3.1.3-bin/ /export/servers/hive

（2）创建hive-site.xml

命令：

cd /export/servers/hive/conf

vim hive-site.xml

添加内容如下：

        <property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://pyspark01:3306/hive?createDatabaseIfNotExist=true&useSSL=false&useUnicode=true&characterEncoding=UTF-8</value>

</property>

<name>javax.jdo.option.ConnectionDriverName</name>

<value>com.mysql.jdbc.Driver</value>

</property>

<name>javax.jdo.option.ConnectionUserName</name>

</property>

<name>javax.jdo.option.ConnectionPassword</name>

</property>

<name>hive.server2.thrift.bind.host</name>

<value>pyspark01</value>

</property>

<name>hive.metastore.uris</name>

<value>thrift://pyspark01:9083</value>

</property>

<name>hive.metastore.event.db.notification.api.auth</name>

<value>false</value>

</property>

</configuration>

（3）修改配置文件hive-env.sh

命令：

cd /export/servers/hive/conf

cp hive-env.sh.template hive-env.sh

vim hive-env.sh（修改第48行内容）

内容如下：

  export HADOOP_HOME=/export/servers/hadoop
        export HIVE_CONF_DIR=/export/servers/hive/conf
        export HIVE_AUX_JARS_PATH=/export/servers/hive/lib

（4）上传mysql连接驱动

链接：https://pan.baidu.com/s/1MJ9QBsE3h1FAxuB3a4iyVw?pwd=1111
提取码：1111

MySQL5使用5的连接版本，MySQL8使用8的连接版本。

（5）初始化元数据（Hadoop集群启动后）

命令：

登录数据库：

mysql -uroot -p

CREATE DATABASE hive CHARSET UTF8; #建表

cd /export/server/hive/

bin/schematool -initSchema -dbType mysql -verbos

#初始化成功会在mysql中创建74张表

（6）创建logs目录，启动元数据服务

命令：

创建文件夹：mkdir logs

启动元数据服务：nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &

（7）启动Hive shell

命令：bin/hive（配置环境变量可直接使用hive）

四、Spark On Hive配置

（1）创建hive-site.xml（spark/conf目录）

添加内容如下：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>

<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
</property>
<property>
<name>hive.metastore.local</name>
<value>false</value>
</property>

<property>
<name>hive.metastore.uris</name>
<value>thrift://pyspark01:9083</value>
</property>
</configuration>

（2）放置MySQL驱动包

（3）查看hive的hive-site.xml配置

确保有如下配置：

（4）启动hive的MetaStore服务

命令：

nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &

（5）Spark On Hive测试

①创建表sparkonhive

命令：

在spark目录下：

bin/spark

spark.sql('create table sparkonhive(id int)' )

②进入查看查看

命令：

hive目录：

bin/hive(配置过环境变量可直接使用hive)

（6）Pycharm-spark代码连接测试

在Linux的sparkSQl终端或者hive终端创建学生表，然后使用spark代码查询。

命令：

create table student(id int, name string);

insert into student values(1,'张三'),(2, '李四');

使用spark代码查询

在Spark代码中加上如下内容

# cording:utf8
import string
from pyspark.sql import SparkSession
import pyspark.sql.functions as F
from pyspark.sql.types import IntegerType, StringType, StructType, ArrayType
if __name__ == '__main__':
    spark = SparkSession.builder.\
        appName('udf_define').\
        master('local[*]').\
        config('spark.sql.shuffle.partitions', 2).\
        config('spark.sql.warehouse.dir', 'hdfs://pyspark01:8020/user/hive/warehouse').\
        config('hive.metastore.uris', 'thrift://pyspark01:9083').\
        enableHiveSupport().\
        getOrCreate()
    sc = spark.sparkContext

    spark.sql('''
        SELECT * FROM student
    ''').show()