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>
<!-- Spark dependency -->
<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
Spark通过Spark-SQL加载hive的配置文件,获取到hive的元数据信息来操作Hivesql,操作hive,底层操作与这个无关。
Copyright © 2024 妖气游戏网 www.17u1u.com All Rights Reserved