SparkSQL On Yarn with Hive，操作和访问Hive表

转载自：http://lxw1234.com/archives/2015/08/466.htm
本文将介绍以yarn-cluster模式运行SparkSQL应用程序，访问和操作Hive中的表，这个和在Yarn上运行普通的Spark应用程序有所不同，重点是需要将Hive的依赖包以及配置文件传递到Driver和Executor上，因为在yarn-cluster模式下，Driver和Executor都是由Yarn和分配的。
下面的代码完成了以下功能：
1. 在Hive的数据库liuxiaowen中，创建目标表lxw1234；
2. 从已存在的源表lxw_cate_id插入数据到目标表lxw1234；
3. 统计目标表lxw1234的记录数；
4. 统计源表lxw_cate_id的记录数；
5. 打印目标表lxw1234的limit 5记录；

package com.lxw1234.sparksql;


import java.io.File
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql._
import org.apache.spark.sql.hive.HiveContext

/**
 * lxw的大数据田地 -- lxw1234.com
 */
object SparkSQLHiveOnYarn {

  def main(args: Array[String]) {
    val sparkConf = new SparkConf().setAppName("SparkSQLHiveOnYarn")
    val sc = new SparkContext(sparkConf)

    val hiveContext = new HiveContext(sc)
    import hiveContext.implicits._
    import hiveContext.sql

    //在数据库liuxiaowen中创建表 lxw1234
    println("create table lxw1234 .. ")
    sql("USE liuxiaowen")
    sql("CREATE TABLE IF NOT EXISTS lxw1234 (cate STRING, cate_id INT) STORED AS TEXTFILE")

    //从已存在的源表lxw_cate_id插入数据到目标表lxw1234
    println("insert data into table lxw1234 .. ")
    sql("INSERT OVERWRITE TABLE lxw1234 select cate,cate_id FROM lxw_cate_id")

    //目标表lxw1234的记录数
    println("Result of 'select count(1) from lxw1234': ")
    val count = sql("SELECT COUNT(1) FROM lxw1234").collect().head.getLong(0)
    println(s"lxw1234 COUNT(1): $count")

    //源表lxw_cate_id的记录数
    println("Result of 'select count(1) from lxw_cate_id': ")
    val count2 = sql("SELECT COUNT(1) FROM lxw_cate_id").collect().head.getLong(0)
    println(s"lxw_cate_id COUNT(1): $count2")

    //目标表lxw1234的limit 5记录
    println("Result of 'SELECT * from lxw1234 limit 10': ")
    sql("SELECT * FROM lxw1234 limit 5").collect().foreach(println)

    //sleep 10分钟，为了从WEB界面上看日志
    Thread.sleep(600000)
    sc.stop()

  }
}

将上面的程序打包成sparksql.jar，并上传至Spark和Hadoop所在的客户端机器上。
运行下面的命令，使用spark-submit将该SparkSQL应用程序提交到Yarn上：

cd $SPARK_HOME/bin
./spark-submit 
--class com.lxw1234.sparksql.SparkSQLHiveOnYarn 
--master yarn-cluster 
--driver-memory 4G 
--driver-java-options "-XX:MaxPermSize=1G" 
--verbose 
--files $HIVE_HOME/conf/hive-site.xml 
--jars $HIVE_HOME/lib/mysql-connector-java-5.1.15-bin.jar,$SPARK_HOME/lib/datanucleus-api-jdo-3.2.6.jar,$SPARK_HOME/lib/datanucleus-core-3.2.10.jar,$SPARK_HOME/lib/datanucleus-rdbms-3.2.9.jar,$SPARK_HOME/lib/guava-12.0.1.jar 
/tmp/sparksql.jar

提交运行之后，在Yarn上可以看到该application:

点击logs，进入stdout，可以查看程序的标准输出：

从日志中看到，程序已经成功执行。
点击ApplicationMaster的WEB URL，进入SparkMaster的WEB界面：

可以看到，每句SQL是一个Job.
在Hive中查看表lxw1234的数据：

没问题，和日志中打印出来的一样。

说明一下上面使用spark-submit提交的命令：

–master yarn-cluster //指定以yarn-cluster模式运行，关于yarn-cluster和yarn-client的区别，在之前的文章中提到过

–driver-memory 4G //指定Driver使用的内存为4G，

//如果太小的话，会报错：Exception: java.lang.OutOfMemoryError thrown from the UncaughtExceptionHandler in thread “Driver”

–driver-java-options “-XX:MaxPermSize=1G” //指定Driver程序JVM参数

–files $HIVE_HOME/conf/hive-site.xml //将Hive的配置文件添加到Driver和Executor的classpath中

–jars $HIVE_HOME/lib/mysql-connector-java-5.1.15-bin.jar,…. //将Hive依赖的jar包添加到Driver和Executor的classpath中

//需要依赖的jar包有：mysql-connector-java-5.1.15-bin.jar、datanucleus-api-jdo-3.2.6.jar、datanucleus-core-3.2.10.jar、datanucleus-rdbms-3.2.9.jar、guava-12.0.1.jar

另外还有一点要注意：由于Driver和Executor需要访问Hive的元数据库，而Driver和Executor被分配到哪台机器上是不固定的，所以需要授权，使集群上所有机器都有操作Hive元数据库的权限。