Spark on Hive 还是 Hive on Spark？（scpsite-19）

我们在前面的文章中说，Hadoop的底层计算引擎MapReduce不是唯一和必须的，其他计算引擎如tez、spark、storm可以将其替换，以提升计算性能。而在lanbda架构中，Spark又可以作为批计算引擎，对数据进行集成计算。以至于有很多小伙伴一下子有了疑惑，这两个Spark到底是啥情况，如何整合，这种架构到底是hive on Spark还是Spark on Hive？今天我们就来分析一下。

一、用Spark 替换MapReduce——Hive on Spark

相比MapReduce数据计算每次读写数据都进行磁盘IO，Spark是一个快速、通用的内存计算系统，它将计算的中间步骤存储在内存中，每次数据的读写都在内存中进行，因此提供了比MapReduce更高效、更方便的数据处理方式。

我们先来看MapReduce程序，一个mapreduce程序主要包括三部分：Mapper类、Reducer类、执行类。

首先添加依赖：

<dependencies> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>3.3.0</version> </dependency> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.12</version> <scope>test</scope> </dependency> <dependency> <groupId>org.slf4j</groupId> <artifactId>slf4j-api</artifactId> <version>1.7.30</version> </dependency> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>3.8.2</version> </dependency> <dependency> <groupId>junit</groupId> <artifactId>junit</artifactId> <version>4.12</version> <scope>compile</scope> </dependency> </dependencies>

mapper类：

import org.apache.hadoop.io.longWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import org.apache.hadoop.util.StringUtils; import Java.io.IOException; public class WordCountMapper extends Mapper<LongWritable,Text,Text,LongWritable> { @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { //如果当前数据不为空 if (value!=null){ //获取每一行的数据 String line = value.toString(); //将一行数据根据空格分开 // String[] words = line.split(" "); String[] words = StringUtils.split(line,' ');//hadoop的StringUtils.split方法对大数据来说比Java自带的拥有更好的性能 //输出键值对 for (String word : words) { context.write(new Text(word),new LongWritable(1)); } } } } Reducer类： import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Reducer; import java.io.IOException; public class WordCountReducer extends Reducer<Text, LongWritable,Text,LongWritable> { @Override protected void reduce(Text key, Iterable<LongWritable> values, Context context) throws IOException, InterruptedException { //累加单词的数量 long sum = 0; //遍历单词计数数组,将值累加到sum中 for (LongWritable value : values) { sum = value.get(); } //输出每次最终的计数结果 context.write(key,new LongWritable(sum)); } }

执行类：

import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.conf.Configured; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; import org.apache.hadoop.util.Tool; import org.apache.hadoop.util.ToolRunner; public class WordCountRunner extends Configured implements Tool { public static void main(String[] args) throws Exception { ToolRunner.run(new Configuration(),new WordCountRunner(),args); } @Override public int run(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "word count"); job.setJarByClass(WordCountRunner.class); job.setMapperClass(WordCountMapper.class); job.setReducerClass(WordCountReducer.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(LongWritable.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(LongWritable.class); //设置统计文件输入的路径,将命令行的第一个参数作为输入文件的路径 //读取maven项目下resources目录的文档 String path = getClass().getResource("/words.txt").getPath(); FileInputFormat.setInputPaths(job,path); //设置结果数据存放路径,将命令行的第二个参数作为数据的输出路径 //输出目录必须不存在!!! FileOutputFormat.setOutputPath(job,new Path("./output")); return job.waitForCompletion(true) ? 0 : 1; } }

这个程序基本的操作可以总结为：

map: (K1,V1) ➞ list(K2,V2)

reduce: (K2,list(V2)) ➞ list(K3,V3)

第一步是分布式计算，各个分布节点进行节点上的map操作，第二步即是reduce操作，进行计算的汇总。

那，如果用spark去替换这个程序又是怎样的呢？

添加Maven依赖：

<dependencies>  <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.12</artifactId> <version>3.1.1</version> </dependency> </dependencies>

程序：

import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaPairRDD; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import scala.Tuple2; public class WordCount { public static void main(String[] args) { SparkConf conf = new SparkConf().setAppName("WordCount").setMaster("local"); JavaSparkContext sc = new JavaSparkContext(conf); // 读取输入文件 JavaRDD<String> input = sc.textFile("words.txt"); // 切分为单词 JavaRDD<String> words = input.flatMap(s -> Arrays.asList(s.split(" ")).iterator()); // 转换为键值对 JavaPairRDD<String, Integer> pairs = words.mapToPair(word -> new Tuple2<>(word, 1)); // 按键进行聚合 JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey((a, b) -> a b); // 输出结果 wordCounts.foreach(t -> System.out.println(t._1 ": " t._2)); sc.stop(); } }

一句话总结：在Spark中，实际是把数据是通过弹性分布式数据集（RDD）来进行处理的。

二、用Spark 连接Hive——Spark on Hive

在这个操作前，要保证Spark知道MetaStore的IP和端口号，当然MetaStore必须是活跃的。

1.将hive-site.xml拷贝到spark安装路径conf目录

cd /export/server/hive/conf cp hive-site.xml /export/server/spark/conf/ scp hive-site.xml root@bigdata02:/export/server/spark/conf/ scp hive-site.xml root@bigdata3:/export/server/spark/conf/

2.将mysql的连接驱动包拷贝到spark的jars目录下

cd /export/server/hive/lib cp mysql-connector-java-5.1.32.jar /export/server/spark/jars/ scp mysql-connector-java-5.1.32.jar root@bigdata2:/export/server/spark/jars/ scp mysql-connector-java-5.1.32.jar root@bigdata3:/export/server/spark/jars/

3.在Hive中开启MetaStore服务

修改 hive/conf/hive-site.xml新增如下配置，远程模式部署metastore服务地址。

<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <property> <name>hive.metastore.uris</name> <value>thrift://master:9083</value> </property> </configuration>

启动MetaStore：

nohup /export/server/hive/bin/hive --service metastore 2>&1 >> /var/log.log &

测试SparkSQL

cd /export/server/spark ./bin/spark-shell

如果这里测试import org.apache.spark.sql.hive.HiveContext会报错，说明我们的Spark版本并不能支持hive。这个时候就要重新下载支持的版本或者编译Spark，让它支持hive。编译命令如下：

./dev/make-distribution.sh —tgz —name h27hive -Pyarn -Phadoop-2.7 -Dhadoop.version=2.7.1 -Phive -Phive-thriftserver -DskipTests

编译后，重新安装spark，启动shell。

执行sparkSql即可。

三、总结

Hive on Spark

即是将hive查询依赖的底层计算引擎mapreduce(Hadoop计算引擎)操作替换为Spark RDD操作，改其为内存计算模式。

Spark on Hive