spark sql读写hive的过程

Posted 2022-02-07 sf_www

Spark sql读写hive需要hive相关的配置，所以一般将hive-site.xml文件放到spark的conf目录下。代码调用都是简单的，关键是源码分析过程，spark是如何与hive交互的。

1. 代码调用

读取hive代码

SparkSession sparkSession = SparkSession.builder()
                           .appName("read_hive").enableHiveSupport().getOrCreate();
Dataset<Row> data = sparkSession.sql(sqlText); //select 语句即可 data就是读取的表数据集

写hive代码

SparkSession sparkSession = SparkSession.builder()
                           .appName("write_hive").enableHiveSupport().getOrCreate();
/*初始化要写入hive表的数据集
可以是读取文件 sparkSession.read().text/csv/parquet()
或者读取jdbc表sparkSession.read().format("jdbc").option(...).load()
*/
Dataset<Row> data = xxx;
data.createOrReplaceTempView("srcTable"); //创建临时表
sparkSession.sql("insert into tablex select c1,c2... from srcTable") //将临时表数据写入tablex表

注意如果是写parquet格式的表，要使hivesql也能访问，则需要在SparkSession上加个配置项 .config("spark.sql.parquet.writeLegacyFormat", true)。这样hivesql才能访问，不然会报错。

2. 源码相关的分析

spark sql与hive相关的源码就在以下目录：

对于spark sql的执行流程这里不再介绍，整体架构就是：

 

读写hive的关键操作就是enableHiveSupport()方法，在里面会首先检查是否已经加载了hive的类，然后设置配置项spark.sql.catalogImplementation值为hive。这样在Sparksession初始化SessionState对象时，根据配置获取到的就是hive相关的HiveSessionStateBuilder，然后调用build创建hive感知的SessionState。

/**
     * Enables Hive support, including connectivity to a persistent Hive metastore, support for
     * Hive serdes, and Hive user-defined functions.
     *
     * @since 2.0.0
     */
    def enableHiveSupport(): Builder = synchronized 
      if (hiveClassesArePresent) 
        config(CATALOG_IMPLEMENTATION.key, "hive")
       else 
        throw new IllegalArgumentException(
          "Unable to instantiate SparkSession with Hive support because " +
            "Hive classes are not found.")
      
    

/**
   * State isolated across sessions, including SQL configurations, temporary tables, registered
   * functions, and everything else that accepts a [[org.apache.spark.sql.internal.SQLConf]].
   * If `parentSessionState` is not null, the `SessionState` will be a copy of the parent.
   *
   * This is internal to Spark and there is no guarantee on interface stability.
   *
   * @since 2.2.0
   */
  @InterfaceStability.Unstable
  @transient
  lazy val sessionState: SessionState = 
    parentSessionState
      .map(_.clone(this))
      .getOrElse 
        val state = SparkSession.instantiateSessionState(
          SparkSession.sessionStateClassName(sparkContext.conf),
          self)
        initialSessionOptions.foreach  case (k, v) => state.conf.setConfString(k, v) 
        state
      
  
 
/**
   * Helper method to create an instance of `SessionState` based on `className` from conf.
   * The result is either `SessionState` or a Hive based `SessionState`.
   */
  private def instantiateSessionState(
                                       className: String,
                                       sparkSession: SparkSession): SessionState = 
    try 
      // invoke `new [Hive]SessionStateBuilder(SparkSession, Option[SessionState])`
      val clazz = Utils.classForName(className)
      val ctor = clazz.getConstructors.head
      ctor.newInstance(sparkSession, None).asInstanceOf[BaseSessionStateBuilder].build()
     catch 
      case NonFatal(e) =>
        throw new IllegalArgumentException(s"Error while instantiating '$className':", e)
    
  

private def sessionStateClassName(conf: SparkConf): String = 
    conf.get(CATALOG_IMPLEMENTATION) match 
      case "hive" => HIVE_SESSION_STATE_BUILDER_CLASS_NAME
      case "in-memory" => classOf[SessionStateBuilder].getCanonicalName
    
  

 SessionState的创建通过BaseSessionStateBuilder.build()来创建

/**
   * Build the [[SessionState]].
   */
  def build(): SessionState = 
    new SessionState(
      session.sharedState,
      conf,
      experimentalMethods,
      functionRegistry,
      udfRegistration,
      () => catalog,
      sqlParser,
      () => analyzer,
      () => optimizer,
      planner,
      streamingQueryManager,
      listenerManager,
      () => resourceLoader,
      createQueryExecution,
      createClone)
  

hive感知的SessionState是通过HiveSessionStateBuilder来创建的。HiveSessionStateBuilder继承BaseSessionStateBuilder，即相应的catalog/analyzer/planner等都会被HiveSessionStateBuilder重写的变量或方法代替。
下面将分析HiveSessionCatalog/Analyzer/SparkPlanner

HiveSessionCatalog
SessionCatalog只是一个代理类，只提供调用的接口，真正与底层系统交互的是ExternalCatalog。而在hive场景下，HiveSessionCatalog继承于SessionCatalog，HiveExternalCatalog继承于ExternalCatalog。

可以看以下类说明：

/**
 * An internal catalog that is used by a Spark Session. This internal catalog serves as a
 * proxy to the underlying metastore (e.g. Hive Metastore) and it also manages temporary
 * views and functions of the Spark Session that it belongs to.
 *
 * This class must be thread-safe.
 */
class SessionCatalog(
    val externalCatalog: ExternalCatalog,
    globalTempViewManager: GlobalTempViewManager,
    functionRegistry: FunctionRegistry,
    conf: SQLConf,
    hadoopConf: Configuration,
    parser: ParserInterface,
    functionResourceLoader: FunctionResourceLoader) extends Logging 
	

/**
 * Interface for the system catalog (of functions, partitions, tables, and databases).
 *
 * This is only used for non-temporary items, and implementations must be thread-safe as they
 * can be accessed in multiple threads. This is an external catalog because it is expected to
 * interact with external systems.
 *
 * Implementations should throw [[NoSuchDatabaseException]] when databases don't exist.
 */
abstract class ExternalCatalog
  extends ListenerBus[ExternalCatalogEventListener, ExternalCatalogEvent] 
  import CatalogTypes.TablePartitionSpec

在HiveExternalCatalog 中，对数据库、数据表、数据分区和注册函数等信息的读取与操作都通过 HiveClient 完成， Hive Client 是用来与 Hive 进行交互的客户端，在 Spark SQL 中是定义了各种基本操作的接口，具体实现为 HiveClientimpl 对象。然而在实际场景中，因为历史遗留的原因，往往会涉及多种Hive版本，为了有效地支持不同版本，Spark SQL HiveClient的实现由HiveShim通过适配Hive 版本号（HiveVersion）来完成。
在HiveExternalCatalog 中有创建HiveClient的操作，但是最终是调用了IsolatedClientLoader来创建。一般spark sql只会通过HiveClient来访问Hive中的类，为了更好的隔离，IsolatedClientLoader 将不同的类分成3种，不同种类的加载和访问规则各不相同：
-共享类(Shared classes)：包括基本的Java、Scala Logging和Spark 中的类。这些类通过当前上下文的 ClassLoader 加载，调用 HiveClient 返回的结果对于外部来说是可见的。
-Hive类(Hive classes)：通过加载 Hive 的相关 Jar 包得到的类。默认情况下，加载这些类的ClassLoader 和加载共享类的 ClassLoader 并不相同，因此，无法在外部访问这些类
-桥梁类(Barrier classes)：一般包括 HiveClientlmpl和Shim 类，在共享类与 Hive 类之间起到了桥梁的作用，Spark SQL 能够通过这个类访问 Hive 中的类。每个新的 HiveClientlmpl实例都对应一个特定的 Hive 版本。

Analyzer
逻辑执行计划，有着特定于hive的分析规则。
在hive场景中，比基础的多了ResolveHiveSerdeTable、DetermineTableStats、RelationConversions、HiveAnalysis规则。

SparkPlanner
物理执行计划，有着特定于hive的策略。
在hive场景中，比基础的多了HiveTableScans, Scripts策略。

HiveTableScans最终对应的节点HiveTableScanExec，执行hive表的scan操作，分区属性和
晒筛选谓词都可以下推到这里。
Spark sql经过Catalyst的解析，最终转化成的物理执行计划，与hive相关的TreeNode主要就是HiveTableScanExec（读数据）和InsertIntoHiveTable（写数据）。下面主要介绍下这两个类的实现原理。
HiveTableScanExec
HiveTableScanExec的构造方法参数中比较重要的有两个，
Relation（HiveTableRelation）, partitionPruningPred（Seq[Expression]）
relation中有着hive表相关的信息，而partitionPruningPred中有着hive分区相关的谓词。
读取是由hadoopReader（HadoopTableReader）来进行的，不是分区表则执行
hadoopReader.makeRDDForTable，是分区表则执行hadoopReader.makeRDDForPartitionedTable。
makeRDDForTable里根据hive表的数据目录位置创建HadoopRDD，再调用
HadoopTableReader.fillObject将原始的Writables数据转化成Rows。

 

InsertIntoHiveTable

InsertIntoHiveTable的执行流程就是获取到HiveExternalCatalog、hadoop相关的配置、hive

表信息、临时写入的目录位置等，然后调用processInsert方法插入，最终再删除临时写入位

置。processInsert方法里会依次调用saveAsHiveFile将RDD写到临时目录文件中，然后再调

用HiveExternalCatalog的loadTable方法（HiveClient.loadTable -> HiveShim.loadTable -> Hive.loadTable即最终会通过反射调用Hive的loadTable方法）将临时写入目录位置的文件

加载到hive表中。

在上面读写的过程中，就会涉及到Sparksql Row与Hive数据类型的映射。该转换功能主要
就是由HiveInspectors来实现。