Hive on Spark和Spark sql on Hive，你能分的清楚么

Posted 2022-02-01 华为云开发者社区

摘要：结构上Hive On Spark和SparkSQL都是一个翻译层，把一个SQL翻译成分布式可执行的Spark程序。

本文分享自华为云社区《Hive on Spark和Spark sql on Hive有啥区别？》，作者：dayu_dls 。

结构上Hive On Spark和SparkSQL都是一个翻译层，把一个SQL翻译成分布式可执行的Spark程序。Hive和SparkSQL都不负责计算。Hive的默认执行引擎是mr，还可以运行在Spark和Tez。Spark可以连接多种数据源，然后使用SparkSQL来执行分布式计算。

Hive On Spark 配置

（1）首先安装包要选择对，否则就没有开始了。

Hive版本:apache-hive-2.1.1-bin.tar

spark版本:spark-1.6.3-bin-hadoop2.4-without-hive(不需要把Hive编译进去)

（2）假设你已经安装好Hive（元数据为Derby）和spark，那么默认Hive走mr，需要修改以下配置让Hive走spark

<property>
    <name>hive.execution.engine</name>
    <value>spark</value>
</property>

（3）配置环境变量及运行时参数

在hive-site.xml中配置SPARK_HOME；

在hive-site.xml或者或者spark-default.conf或者spark-env.conf配置spark运行时参数，也可以在Hive运行环境中设置临时参数：

set spark.master=<Spark Master URL>
set spark.eventLog.enabled=true;
set spark.eventLog.dir=<Spark event log folder (must exist)>
set spark.executor.memory=512m;            
set spark.serializer=org.apache.spark.serializer.KryoSerializer;

将编译好的Spark安装包中lib目录下的spark-assembly-*.jar包添加至HIVE_HOME/lib中

（4）启动Hive

/opt/hive/bin/hive --service metastore

（5）启动Hive命令行窗口

beeline -u jdbc:hive2://localhost:10000  或者  /opt/hive/bin/hive

（6）开启你的Hive on spark之旅

0: jdbc:hive2://localhost:10000> create table test (f1 string,f2 string) stored as orc;

No rows affected (2.018 seconds)

0: jdbc:hive2://localhost:10000> insert into test values(1,2);

Spark sql on Hive

（1）获取包

Hive版本:apache-hive-2.1.1-bin.tar

spark版本:spark-1.6.3-bin-hadoop2.4(需要把Hive编译进去)

（2）在$SPARK_HOME/conf目录创建hive-site.xml文件，内容如下：

<configuration>  
<property>  
    <name>hive.metastore.uris</name>  
    <value>thrift://master1:9083</value>  
    <description>Thrift URI for the remote metastore. Used by metastore client to connect to remote metastore.</description>  
  </property>  
</configuration>

（3）如果你使用的元数据库是mysql,那么请把mysql驱动放到$SPARK_HOME/lib下，否则跳过。

（4）启动Hive元数据服务，待spark运行时访问。

（5）执行命令

./bin/spark-shell --master spark://master:7077
scala> val hc = new org.apache.spark.sql.hive.HiveContext(sc);
scala> hc.sql("show tables").collect.foreach(println)
[sougou,false]
[t1,false]

Sparkthriftserver启用

spark提供了spark-sql命令可以直接操作hive或impala，可以启用sparkthriftserver服务，然后利用beeline远程连接spark，利用spark sql。sparksql的诞生其实就是为了代替hsql。Sparksql的元数据也是使用hive的metastore进行管理，所以需要配置hive.metastore.uris参数。

这里说下sparkthriftserver和hivethriftserver的区别，二者的端口一定要区分：

hivethriftserver：hive服务端的服务，远程通过jdbc或者beeline连接，使用hsql操作hive。

sparkthriftserver：spark的服务，远程通过jdbc或者beeline连接spark，使用spark sql操作hive。

（1）在$SPARK_HOME/conf目录创建hive-site.xml文件，内容如下：

<configuration>  
<property>  
    <name>hive.metastore.uris</name>  
    <value>thrift://master1:9083</value>  
    <description>Thrift URI for the remote metastore. Used by metastore client to connect to remote metastore.</description>  
  </property>  
<!--Thrift JDBC/ODBC server-->
   <property>
       <name>hive.server2.thrift.min.worker.threads</name>
       <value>5</value>
   </property>
   <property>
       <name>hive.server2.thrift.max.worker.threads</name>
       <value>500</value>
   </property>
   <property>
       <name>hive.server2.thrift.port</name>
       <value>10001</value>
   </property>
   <property>
       <name>hive.server2.thrift.bind.host</name>
       <value>master</value>
   </property>
</configuration>  

（2）启动sparkthriftserver

./start-thriftserver.sh --hiveconf hive.server2.thrift.port=10000 --master yarn --driver-class-path /data/spark-2.2.0-bin-hadoop2.7/jars/mysql-connector-java-5.1.43-bin.jar --executor-memory 5g --total-executor-cores 5

启动sparkthriftserver后，后台默认会执行spark-sql命令，实际上是用spark-submit向yarn提交一个任务。这样就会在yarn的8088页面任务栏中起一个常驻任务，用来执行spark sql。

（3）连接spark

./beeline -u jdbc:hive2://172.168.108.6:10001 -n root

（4）这里的sql可以在8088页面看到执行过程。

点击关注，第一时间了解华为云新鲜技术~