簡介

本文主要記錄如何安裝配置Hive on Spark，在執行以下步驟之前，請先確保已經安裝Hadoop叢集，Hive，MySQL，JDK，Scala，具體安裝步驟不再贅述。

背景

Hive預設使用MapReduce作為執行引擎，即Hive on mr。實際上，Hive還可以使用Tez和Spark作為其執行引擎，分別為Hive on Tez和Hive on Spark。由於MapReduce中間計算均需要寫入磁碟，而Spark是放在記憶體中，所以總體來講Spark比MapReduce快很多。因此，Hive on Spark也會比Hive on mr快。為了對比Hive on Spark和Hive on mr的速度，需要在已經安裝了Hadoop叢集的機器上安裝Spark叢集（Spark叢集是建立在Hadoop叢集之上的，也就是需要先裝Hadoop叢集，再裝Spark叢集，因為Spark用了Hadoop的HDFS、YARN等），然後把Hive的執行引擎設定為Spark。

Spark執行模式分為三種1、Spark on YARN 2、Standalone Mode 3、Spark on Mesos。
Hive on Spark預設支援Spark on YARN模式，因此我們選擇Spark on YARN模式。Spark on YARN就是使用YARN作為Spark的資源管理器。分為Cluster和Client兩種模式。

一、環境說明

本教程Hadoop相關軟體全部基於CDH5.5.1，用yum安裝，系統環境如下：

• 作業系統：CentOS 7.2
• Hadoop 2.6.0
• Hive1.1.0
• Spark1.5.0
• MySQL 5.6
• JDK 1.8
• Maven 3.3.3
• Scala 2.10

各節點規劃如下：

192.168.117.51     Goblin01           nn1  jn1  rm1  worker  master  hive  metastore  mysql
192.168.117.52     Goblin02    zk2    nn2  jn2  rm2  worker          hive
192.168.117.53     Goblin03    zk3    dn1  jn3       worker          hive
192.168.117.54     Goblin04    zk4    dn2            worker
 
          hive

說明：Goblin01~04是每臺機器的hostname，zk代表zookeeper，nn代表hadoop的namenode，dn代表datanode，jn代表journalnode，rm代表resourcemanager，worker代表Spark的slaves，master代表Spark的master

二、編譯和安裝Spark（Spark on YARN）

2.1 編譯Spark原始碼

要使用Hive on Spark，所用的Spark版本必須不包含Hive的相關jar包，hive on spark 的官網上說“Note that you must have a version of Spark which does not include the Hive jars”。在spark官網下載的編譯的Spark都是有整合Hive的，因此需要自己下載原始碼來編譯，並且編譯的時候不指定Hive。

我們這裡用的Spark原始碼是spark-1.5.0-cdh5.5.1版本,下載地址如下：

下載完後用 tar xzvf 命令解壓，進入解壓完的資料夾，準備編譯。

注意：編譯前請確保已經安裝JDK、Maven和Scala，maven為3.3.3及以上版本，並在/etc/profile裡配置環境變數。

命令列進入在原始碼根目錄下，執行

  ./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.6,parquet-provided"

若編譯過程出現記憶體不足的情況，需要在執行編譯命令之前先執行：

export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m"

來設定Maven的記憶體。

編譯過程由於要下載很多Maven依賴的jar包，需要時間較長（大概一兩個小時），要保證網路狀況良好，不然很容易編譯失敗。若出現以下結果，則編譯成功：

編譯成功後，會在原始碼根目錄下多出一個檔案(紅色部分）：

spark-1.5.0-cdh5.5.1-bin-hadoop2-without-hive.tgz

2.2 安裝Spark

• 將編譯完生成的spark-1.5.0-cdh5.5.1-bin-hadoop2-without-hive.tgz拷貝到Spark的安裝路徑，並用 tar -xzvf 命令解壓

• 配置環境變數

$vim /etc/profile export SPARK_HOME=spark安裝路徑 $source /etc/profile

2.3 配置Spark

配置spark-env.sh、slaves和spark-defaults.conf三個檔案

• spark-env.sh

主要配置JAVA_HOME、SCALA_HOME、HADOOP_HOME、HADOOP_CONF_DIR、SPARK_MASTER_IP等

export JAVA_HOME=/usr/lib/jvm/java
export SCALA_HOME=/root/scala
export HADOOP_HOME=/usr/lib/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop 
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SPARK_LAUNCH_WITH_SCALA=0
export SPARK_WORKER_MEMORY=1g
export SPARK_DRIVER_MEMORY=1g
export SPARK_MASTER_IP=192.168.117.51
export SPARK_LIBRARY_PATH=/root/spark-without-hive/lib
export SPARK_MASTER_WEBUI_PORT=18080
export SPARK_WORKER_DIR=/root/spark-without-hive/work
export SPARK_MASTER_PORT=7077
export SPARK_WORKER_PORT=7078
export SPARK_LOG_DIR=/root/spark-without-hive/log
export SPARK_PID_DIR='/root/spark-without-hive/run'

• slaves（將所有節點都加入，master節點同時也是worker節點）

Goblin01
Goblin02
Goblin03
Goblin04

• spark-defaults.conf

 spark.master                     yarn-cluster
 spark.home                       /root/spark-without-hive
 spark.eventLog.enabled           true
 spark.eventLog.dir               hdfs://Goblin01:8020/spark-log
 spark.serializer                 org.apache.spark.serializer.KryoSerializer
 spark.executor.memory            1g
 spark.driver.memory              1g
 spark.executor.extraJavaOptions  -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"

spark.master指定Spark執行模式，可以是yarn-client、yarn-cluster...

spark.home指定SPARK_HOME路徑

spark.eventLog.enabled需要設為true

spark.eventLog.dir指定路徑，放在master節點的hdfs中，埠要跟hdfs設定的埠一致（預設為8020），否則會報錯

spark.executor.memory和spark.driver.memory指定executor和dirver的記憶體，512m或1g，既不能太大也不能太小，因為太小執行不了，太大又會影響其他服務

三、配置YARN

配置yarn-site.xml，跟hdfs-site.xml在同一個路徑下（$HADOOP_HOME/etc/hadoop)

<property>
  <name>yarn.resourcemanager.scheduler.class</name>
  <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value>
</property>

四、配置Hive

• 新增spark依賴到hive(將spark-assembly-1.5.0-cdh5.5.1-hadoop2.6.0.jar拷貝到$HIVE_HOME/lib目錄下）

進入SPARK_HOME

cp spark-assembly-1.5.0-cdh5.5.1-hadoop2.6.0.jar /usr/lib/hive/lib

• 配置hive-site.xml

配置的內容與spark-defaults.conf相同，只是形式不一樣,以下內容是追加到hive-site.xml檔案中的,並且注意前兩個配置，如果不設定hive的spark引擎用不了，在後面會有詳細的錯誤說明。

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

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

<property>
  <name>spark.home</name>
  <value>/root/spark-without-hive</value>
</property>
<property>
  <name>spark.master</name>
  <value>yarn-client</value>
</property>
<property>
  <name>spark.enentLog.enabled</name>
  <value>true</value>
</property>
<property>
  <name>spark.enentLog.dir</name>
  <value>hdfs://Goblin01:8020/spark-log</value>
</property>
<property>
  <name>spark.serializer</name>
  <value>org.apache.spark.serializer.KryoSerializer</value>
</property>
<property>
  <name>spark.executor.memeory</name>
  <value>1g</value>
</property>
<property>
  <name>spark.driver.memeory</name>
  <value>1g</value>
</property>
<property>
  <name>spark.executor.extraJavaOptions</name>
  <value>-XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"</value>
</property>

五、驗證是否安裝配置成功

1.驗證Spark叢集

注意：在啟動Spark叢集之前，要確保Hadoop叢集和YARN均已啟動

• 進入$SPARK_HOME目錄，執行：

./sbin/start-all.sh

用jps命令檢視51節點上的master和worker，52、53、54節點上的worker是否都啟動了

• 同樣在$SPARK_HOME目錄下，提交計算Pi的任務，驗證Spark叢集是否能正常工作，執行如下命令

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

若無報錯，並且算出Pi的值，說明Spark叢集能正常工作

2.驗證Hive on Spark是否可用

• 命令列輸入 hive，進入hive CLI
• set hive.execution.engine=spark; (將執行引擎設為Spark，預設是mr，退出hive CLI後，回到預設設定。若想讓引擎預設為Spark，需要在hive-site.xml裡設定）
• create table test(ts BIGINT,line STRING); (建立表）
• select count(*) from test;
• 若整個過程沒有報錯，並出現正確結果，則Hive on Spark配置成功。

六、遇到的問題

0

編譯spark基於maven有兩種方式

• 用mvn 命令編譯

./build/mvn -Pyarn -Phadoop-2.6 -Dhadoop.version=2.6.0 -DskipTests clean package 

編譯到倒數MQTT模組一直報錯，而且編譯出的檔案比較大，不適合安裝叢集，因此不推薦。使用Intellij IDEA maven 外掛報錯如下：

• 使用spark提供的預編譯指令碼，網路狀況穩定，會編譯出需要的安裝版本，推薦。命令

./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.6,parquet-provided"

結果如上文所述。

1

執行：

./bin/spark-submit --class org.apache.spark.examples.SparkPi  --master yarn  lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

報錯：

原因：

hdfs的預設埠為8020 ，而我們在spark-default.conf中配置成了8021埠，導致連線不上HDFS報錯

spark.eventLog.enabled           true
spark.eventLog.dir              hdfs://Goblin01:8021/spark-log

解決：

配置spark-default.conf中的spark.eventLog.dir 為本地路徑，也就是不持久化日誌到hdfs上，也就沒有和hdfs的通行

or

spark-default.conf 註釋掉 spark.eventLog.enabled   true

or

在spark-default.conf裡配置的eventLog埠跟hdfs的預設埠（8020）一致

or

由於配置的hdfs是高可用的，51,52都可以作為namenode,我們的spark叢集的主節點在51上，當51上的namenode變成standby，導致無法訪問hdfs的8020埠（hdfs預設埠），也就是說在51上讀不出hdfs上spark-log的內容，在spark-default.conf中配置為spark.eventLog.dir hdfs://Goblin01:8021/spark-log，如果發生這種情況，直接kill掉52，讓namenode只在51上執行。（這個後面要搭建spark的高可用模式解決）

2

執行：

在hive裡設定引擎為spark，執行select count(*) from a; 

報錯：

Failed to execute spark task, with exception 'org.apache.hadoop.hive.ql.metadata.HiveException(Unsupported execution engine: Spark. Please set hive.execution.engine=mr)'

解決：

這是因為CDH版的Hive預設執行支援Hive on Spark（By default, Hive on Spark is not enabled）.

需要用cloudera manager（cloudera官網給的的方法，但是要裝cloudera manager，比較麻煩，不建議）

Go to the Hive service.
Click the Configuration tab.
Enter Enable Hive on Sparkin the Search field.
Check the box for Enable Hive on Spark (Unsupported).
Locate the Spark On YARN Service and click SPARK_ON_YARN.
Click Save Changes to commit the changes.

或者

在hive-site.xml新增配置(簡單、推薦）

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

3

終端輸入hive無法啟動hive CLI

原因：namenode掛了

解決：重啟namenode

4

執行：

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

問題：

沒有報錯，但是出現以下情況，停不下來

原因：

1. ResourceManager或者NodeManager掛掉，一直沒有NodeManager響應，任務無法執行，所有停不下來。
2. 還有一種情況是spark有別的application在執行，導致本次spark任務的等待或者失敗

解決：

1. 對於原因1，重啟ResourceManager和NodeManager。

service hadoop-yarn-resourcemanager start;
service hadoop-yarn-nodemanager start;

1. 對於原因2，解決辦法是在hadoop配置檔案中設定yarn的並行度，在/etc/hadoop/conf/capacity-scheduler.xml檔案中配置yarn.scheduler.capacity.maximum-am-resource-percent from 0.1 to 0.5

 <property>
    <name>yarn.scheduler.capacity.maximum-am-resource-percent</name>
    <value>0.5</value>
    <description>
      Maximum percent of resources in the cluster which can be used to run
      application masters i.e. controls number of concurrent running
      applications.
    </description>
  </property>