在Spark上使用JDBC连接Trino

Posted 2023-03-04 Laurence Geng

这是一个非常不典型的Spark + Trino的使用场景，本文仅记录测试步骤和结果，不做评论。本文地址：https://laurence.blog.csdn.net/article/details/129097353，转载请注明出处！

1. 测试环境

信息项	设定值	备注
集群环境	AWS EMR 6.9.0
Metastore	Glue Data Catalog
启用服务	Hive、Trino	不能勾选Spark，原因参考：4. 已知问题
Trino端口	8889	有别于开源默认端口8080
命令执行机器	10.0.0.110	集群主节点

2. 测试目标

测试在Spark上使用JDBC读写Trino的可行性。

3. 操作步骤

① 创建EMR集群，选择Hive、Trino并以Glue Data Catalog作为Metastor，集群配置：

[
  
    "Classification": "hive-site",
    "Properties": 
      "hive.metastore.client.factory.class": "com.amazonaws.glue.catalog.metastore.AWSGlueDataCatalogHiveClientFactory",
      "hive.metastore.schema.verification": "false"
    
  ,
  
    "Classification": "trino-connector-hive",
    "Properties": 
      "hive.metastore":"glue"
     
   
]

② 在Hive中创建数据表并插入测试数据：

cat | hive <<EOF
CREATE TABLE IF NOT EXISTS orders (
  orderkey bigint,
  orderstatus string,
  totalprice double,
  orderdate date
);
INSERT INTO orders VALUES (1, 'DONE', 2342, current_date());
INSERT INTO orders VALUES (2, 'DONE', 892, current_date());
INSERT INTO orders VALUES (3, 'DONE', 7843, current_date());
SELECT * FROM orders;
EOF

③ 将Trino JDBC Driver包加入Spark类路径并同时启动spark-shell（备注：EMR 6.9.0上Trino版本是398）

spark-shell --driver-class-path /usr/lib/trino/trino-jdbc/trino-jdbc-398-amzn-0.jar --jars /usr/lib/trino/trino-jdbc/trino-jdbc-398-amzn-0.jar

④ 在Spark中通过JDBC连接Trino并读取数据

spark.read.format("jdbc").option("url", "jdbc:trino://localhost:8889/hive/default").option("driver", "io.trino.jdbc.TrinoDriver").option("user", "hadoop").option("dbtable", "orders").load().show()

输出结果：

+--------+-----------+----------+----------+                                    
|orderkey|orderstatus|totalprice| orderdate|
+--------+-----------+----------+----------+
|       2|       DONE|     892.0|2023-02-17|
|       3|       DONE|    7843.0|2023-02-17|
|       1|       DONE|    2342.0|2023-02-17|
+--------+-----------+----------+----------+

4. 已知问题

在第④步通过JDBC连接Trino时，Spark程序报错：

RuntimeException: Error starting query at http://localhost:8889/v1/statement returned an invalid response: JsonResponsestatusCode=404 ....

这是一个非常诡异的问题。如果你足够细心，你会发现，我们的测试集群其实并没有选装Spark，但在测试过程中，我们却使用了spark-shell，通过登录集群检查发现：EMR在不勾选Spark组件的情况，依然会在集群上提供Spark的程序包，相关命令行工具也会添加到PATH路径中，可直接调用，但是相关配置文件为空（即没有做任何配置，均为默认值），在此情况下，通过spark-shell执行第④步操作是不会出错的。

诡异的地方就在于：按正常情况，我们应该选择安装Spark，但恰恰是安装上Spark之后，反而会出现上述错误。两者差异主要集中在Spark的配置上（有可能是EMR的一个Bug），但是本文不再做深究，关于不安装Spark与安装Spark两种情形下的Spark配置，请参考此文。本文地址：https://laurence.blog.csdn.net/article/details/129097353，转载请注明出处！