Hive on Spark

一、版本如下

注意：Hive on Spark对版本有着严格的要求，下面的版本是经过验证的版本

a) apache-hive-2.3.2-bin.tar.gz

b) hadoop-2.7.2.tar.gz

c) jdk-8u144-linux-x64.tar.gz

d) mysql-5.7.19-1.el7.x86_64.rpm-bundle.tar

e) mysql-connector-java-5.1.43-bin.jar

f) spark-2.0.0.tgz（spark源码包，需要从源码编译）

g) Redhat Linux 7.4 64位

二、安装Linux和JDK、关闭防火墙

 

三、安装和配置MySQL数据库

a) 解压MySQL 安装包

b) 安装MySQL

yum remove mysql-libs

rpm -ivh mysql-community-common-5.7.19-1.el7.x86_64.rpm

rpm -ivh mysql-community-libs-5.7.19-1.el7.x86_64.rpm

rpm -ivh mysql-community-client-5.7.19-1.el7.x86_64.rpm

rpm -ivh mysql-community-server-5.7.19-1.el7.x86_64.rpm

rpm -ivh mysql-community-devel-5.7.19-1.el7.x86_64.rpm  （可选）

 

c) 启动MySQL

systemctl start mysqld.service

 

d) 查看并修改root用户的密码

查看root用户的密码：cat /var/log/mysqld.log | grep password

登录后修改密码：alter user 'root'@'localhost' identified by 'Welcome_1';
 

e) 创建hive的数据库和hiveowner用户：

• 创建一个新的数据库：create database hive;
• 创建一个新的用户：
  create user 'hiveowner'@'%' identified by ‘Welcome_1’;
• 给该用户授权
  

  grant all on hive.* TO 'hiveowner'@'%';

  grant all on hive.* TO 'hiveowner'@'localhost' identified by 'Welcome_1';

四、安装Hadoop（以伪分布式为例）

由于Hive on Spark默认支持Spark on Yarn的方式，所以需要配置Hadoop。

a) 准备工作：

1. 配置主机名（编辑/etc/hosts文件）
2. 配置免密码登录

b) Hadoop的配置文件如下：

hadoop-env.sh
JAVA_HOME	/root/training/jdk1.8.0_144
hdfs-site.xml
dfs.replication	1			数据块的冗余度，默认是3
dfs.permissions	false			是否开启HDFS的权限检查
core-site.xml
fs.defaultFS	hdfs://hive77:9000			NameNode的地址
hadoop.tmp.dir	/root/training/hadoop-2.7.2/tmp/			HDFS数据保存的目录
mapred-site.xml
mapreduce.framework.name			yarn
yarn-site.xml
yarn.resourcemanager.hostname		hive77
yarn.nodemanager.aux-services		mapreduce_shuffle
yarn.resourcemanager.scheduler.class		org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler			Spark on Yarn的方式，需要使用公平调度原则来保证Yarn集群中的任务都能获取到相等的资源运行。

 

c)  启动Hadoop

d) 通过Yarn Web Console检查是否为公平调度原则

五、编译Spark源码

（需要使用Maven，Spark源码包中自带Maven）

a) 执行下面的语句进行编译（执行时间很长，耐心等待）

./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided"

 

b) 编译成功后，会生成：spark-2.0.0-bin-hadoop2-without-hive.tgz

c) 安装和配置Spark

　　1.目录结构如下：

　　2.将下面的配置加入spark-env.sh

export JAVA_HOME=/root/training/jdk1.8.0_144

export HADOOP_CONF_DIR=/root/training/hadoop-2.7.2/etc/hadoop

export YARN_CONF_DIR=/root/training/hadoop-2.7.2/etc/hadoop

export SPARK_MASTER_HOST=hive77

export SPARK_MASTER_PORT=7077

export SPARK_EXECUTOR_MEMORY=512m

export SPARK_DRIVER_MEMORY=512m

export SPARK_WORKER_MEMORY=512m

　　3.将hadoop的相关jar包放入spark的lib目录下，如下：

cp ~/training/hadoop-2.7.2/share/hadoop/common/*.jar jars/

cp ~/training/hadoop-2.7.2/share/hadoop/common/lib/*.jar jars/

cp ~/training/hadoop-2.7.2/share/hadoop/hdfs/*.jar jars/

cp ~/training/hadoop-2.7.2/share/hadoop/hdfs/lib/*.jar jars/

cp ~/training/hadoop-2.7.2/share/hadoop/mapreduce/.jar jars/

cp ~/training/hadoop-2.7.2/share/hadoop/mapreduce/*.jar jars/

cp ~/training/hadoop-2.7.2/share/hadoop/mapreduce/lib/*.jar jars/

cp ~/training/hadoop-2.7.2/share/hadoop/yarn/*.jar jars/

cp ~/training/hadoop-2.7.2/share/hadoop/yarn/lib/*.jar jars/

　　4.在HDFS上创建目录：spark-jars，并将spark的jars上传至该目录。这样在运行Application的时候，就无需每次都分发这些jar包。

• hdfs dfs -mkdir /spark-jars
• hdfs dfs -put jars/*.jar /spark-jars

d) 启动Spark：sbin/start-all.sh，验证Spark是否配置成功
 

六、安装配置Hive

a) 解压Hive安装包，并把mysql的JDBC驱动放到HIve的lib目录下，如下图：

 

b) 设置Hive的环境变量

HIVE_HOME=/root/training/apache-hive-2.3.2-bin

export HIVE_HOME

PATH=$HIVE_HOME/bin:$PATH

export PATH

c) 拷贝下面spark的jar包到Hive的lib目录

1. scala-library
2. spark-core
3. spark-network-common
   

d) 在HDFS上创建目录：/sparkeventlog用于保存log信息

　　hdfs dfs -mkdir /sparkeventlog

 

e) 配置hive-site.xml，如下：

参数	参考值
javax.jdo.option.ConnectionURL	jdbc:mysql://localhost:3306/hive?useSSL=false
javax.jdo.option.ConnectionDriverName	com.mysql.jdbc.Driver
javax.jdo.option.ConnectionUserName	hiveowner
javax.jdo.option.ConnectionPassword	Welcome_1
hive.execution.engine	spark
hive.enable.spark.execution.engine	true
spark.home	/root/training/spark-2.0.0-bin-hadoop2-without-hive
spark.master	yarn-client
spark.eventLog.enabled	true
spark.eventLog.dir	hdfs://hive77:9000/sparkeventlog
spark.serializer	org.apache.spark.serializer.KryoSerializer
spark.executor.memeory	512m
spark.driver.memeory	512m

f) 初始化MySQL数据库：schematool -dbType mysql -initSchema

g) 启动hive shell，并创建员工表，用于保存员工数据
 

h) 导入emp.csv文件：

　　load data local inpath '/root/temp/emp.csv' into table emp1;

 

i) 执行查询，按照员工薪水排序：（执行失败）

　　select * from emp1 order by sal;

j) 检查Yarn Web Console

该错误是由于是Yarn的虚拟内存计算方式导致，可在yarn-site.xml文件中，将yarn.nodemanager.vmem-check-enabled设置为false，禁用虚拟内存检查。

<property>

   <name>yarn.nodemanager.vmem-check-enabled</name>

   <value>false</value>

</property>

 

 

k) 重启：Hadoop、Spark、Hive，并执行查询

 

最后说明一下：由于配置好了Spark on Yarn，我们在执行Hive的时候，可以不用启动Spark集群，因为此时都有Yarn进行管理。