Hive On Spark保姆級攻略

宣告：

此部落格參考了官網的配置方式，並結合筆者在實踐網上部分帖子時的踩坑經歷整理而成

這裡貼上官方配置說明：

[官方]: https://cwiki.apache.org//confluence/display/Hive/Hive+on+Spark:+Getting+Started

大前提：

從Hive1.1開始支援使用Spark作為執行引擎，我們配置使用Spark On Yarn時，一定要注意

Hive版本與Spark版本的適配，不適配的需要自己重新編譯使其適配

這裡貼上官方推薦的對應版本

Hive Version Spark Version

master 2.3.0

3.0.x 2.3.0

2.3.x 2.0.0

2.2.x 1.6.0

2.1.x 1.6.0

2.0.x 1.5.0

1.2.x 1.3.1

1.1.x 1.2.0

筆者這裡使用的是hive-3.1.2，按理說應該使用spark-2.3.0作為對應，但出於業務要求需使用spark-3.1.2，故重新編譯hive-3.1.2原始碼使其適配spark-3.1.2
Spark使用的jar包必須是沒有整合Hive的

因spark包自帶hive，其支援的版本與我們使用的版本衝突(如spark-3.1.2預設支援的hive版本為2.3.7)，故我們只需spark自身即可，不需其自帶的hive模組

兩種方式去獲得去hive的jar包
- 從官網下載完整版的jar包，解壓後將其jars目錄下的hive相關jar包全部刪掉(本文即使用此種方法)
- 重新編譯spark，但不指定-Phive
注：網上部分帖子中所說使用“純淨版”，其實指的就是去hive版，而不是官方提供的without-hadoop版

Hive Version	Spark Version
master	2.3.0
3.0.x	2.3.0
2.3.x	2.0.0
2.2.x	1.6.0
2.1.x	1.6.0
2.0.x	1.5.0
1.2.x	1.3.1
1.1.x	1.2.0

下面進入正題

部署環境：CentOS 7.4 x86_64

Hive版本：3.1.2(重新編譯過，修改了Spark版本和Scala版本，替換修改了部分原始碼，如有需要後續會出編譯指導)

Spark版本：3.1.2(spark-3.1.2-bin-hadoop3.2.tgz，官網直接下載)

Hadoop版本：3.1.3(與Spark3.1.2自帶hadoop版本3.2只差一個小版本，可直接使用,不用重新編譯)

JDK版本：1.8.0_172

myql版本：5.7.32

步驟：

在機器上部署spark

解壓

tar -zxvf spark-3.1.2-bin-hadoop3.2.tgz

設定環境變數

echo '#SPARK_HOME' >> /etc/profile

echo 'export SPARK_HOME=/data/apps/spark-3.1.2-bin-hadoop3.2' >> /etc/profile

echo 'export PATH=$PATH:$SPARK_HOME/bin' >> /etc/profile

準備去hive版本的spark-jars(！！！除了hive-storage-api-2.7.2.jar這個包！！！，如果用的spark是重新編譯的且沒有指定-Phive，這步可以省略)

cd $SPARK_HOME                         //進目錄

mv jars/hive-storage-api-2.7.2.jar .   //把這包先移出去

rm -rf jars/*hive*                     //刪

mv hive-storage-api-2.7.2.jar jars/    //再移回去

將剛做好的spark-jars上傳到hdfs

hdfs dfs -mkdir -p /spark-jars

hdfs dfs -put jars/* /spark-jars/

hdfs上建立spark-history存日誌

hdfs dfs -mkdir -p /spark-history

在機器上部署hive

解壓

tar -zxvf apache-hive-3.1.2-bin.tar.gz

注：解壓後的hive還需要一些額外的包放在lib下，比如因元資料庫換為mysql需要一個mysql-connector-java-5.1.48.jar，比如為了處理hive-3.1.2和hadoop-3.1.3中guava包版本衝突的問題需要把原lib下的guava19刪了放一個guava27，再比如為了處理slf4j包衝突問題將lib下面log4j-slf4j-impl-2.10.0.jar刪嘍，這裡都不做詳細說明(已經夠詳細了吧/doge)；且這些問題都可以通過重新編譯hive解決，不過要費一番功夫

改名（非必要)

mv apache-hive-3.1.2-bin hive-3.1.2

設定環境變數

echo '#HIVE_HOME' >> /etc/profile

echo 'export HIVE_HOME=/data/apps/hive-3.1.2' >> /etc/profile

echo 'export PATH=$PATH:$HIVE_HOME/bin' >> /etc/profile

修改配置檔案

hive-site.xml

注：該檔案首先需要從hive-default.xml.template複製一份出來，裡面引數根據自己需要調整，這裡只講hive-on-spark需要修改或新增的引數

  <!--Spark依賴位置，上面上傳jar包的hdfs路徑-->

<property>

  <name>spark.yarn.jars</name>

  <value>hdfs://bdp3install:8020/spark-jars/*</value>

</property>

<!--Hive執行引擎，使用spark-->

<property>

  <name>hive.execution.engine</name>

  <value>spark</value>

</property>

<!--Hive連線spark-client超時時間-->

<property>

  <name>hive.spark.client.connect.timeout</name>

  <value>30000ms</value>

</property>

hive-env.sh

注：該檔案首先需要從hive-env.sh.template複製一份出來，裡面引數根據自己需要調整，這裡只講hive-on-spark需要修改或新增的引數

# Set HADOOP_HOME to point to a specific hadoop install directory

HADOOP_HOME=${HADOOP_HOME:-/data/apps/hadoop-3.1.3}

export HIVE_HOME=${HIVE_HOME:-/data/apps/hive-3.1.2}

# Hive Configuration Directory can be controlled by:

export HIVE_CONF_DIR=${HIVE_CONF_DIR:-/data/apps/hive-3.1.2/conf}

export METASTORE_PORT=9083

export HIVESERVER2_PORT=10000

spark-default.conf

注：直接vim生成吧，不用從spark目錄再拷過來，更多的引數可以參考最上面的官方地址

spark.master             yarn

spark.eventLog.enabled   true

spark.eventLog.dir       hdfs://bdp3install:8020/spark-history

spark.executor.memory    4g

spark.driver.memory      4g

spark.serializer         org.apache.spark.serializer.KryoSerializer

spark.executor.cores     2

spark.yarn.driver.memoryOverhead    400m

啟動hive

cd $HIVE_HOME

nohup bin/hive --service metastore &

等metastore啟完(9083埠被監聽了)

nohup bin/hive --service hiveserver2 &

等hiveserver2啟完(10000埠被監聽了)

4. 客戶端連線測試

beeline

!connect jdbc:hive2://localhost:10000 hive ""

執行一些insert，同時觀察下yarn，如果任務成功了，yarn上也有相應的application成功了，那就妥了

注：hive on spark任務是以每個spark session為單位提交到yarn的，每個yarn任務都有一次從hdfs載入spark-jars到容器中的過程，所以每次通過客戶端執行命令時，第一次執行的速度會比較慢(因為載入jars，大約有200M)，後續就很快了。

常見問題：

java.lang.NoClassDefFoundError: org/apache/hadoop/hive/ql/exec/vector/ColumnVector

原因：spark-jars裡少hive-storage-api-2.7.2.jar這個包

2. Could not load YARN classes. This copy of Spark may not have been compiled with YARN support.

原因：hiveserver2所在機器沒有部署spark或spark非完整版，或spark版本與hive版本不對應

3. 各種各樣的ClassNotFound，NoClassDefFoundError

原因：spark-jars不完整，一定要是去hive的完整版jar包(一般都是少hadoop的包)

此文章首發於部落格園，希望能對大家有所幫助，如有遺漏或問題歡迎補充指正。

Hive On Spark保姆級攻略