Spark/Hive

• Hive 原理
• Spark with Hive
• • SparkSession + Hive Metastore
  • spark-sql CLI + Hive Metastore
  • Beeline + Spark Thrift Server
• Hive on Spark

• Hive 擅长元数据管理
• Spark 擅长高效的分布式计算

Spark + Hive 集成 :

• Hive on Spark : Hive 用 Spark 作为底层的计算引擎时
• Spark with Hive : Spark 把 Hive 当元信息的管理工具

Hive 原理

Hive架构 , 可插拔的第 三方独立组件 :

• User Interface 提供 SQL 接入服务
• CLI 与 Web Interface 在本地接收 SQL 查询语句
• Hive Server 2 提供 JDBC/ODBC 客户端连接，从远程提交 SQL 查询请求

SQL 查询的工作过程 :

1. 收到 SQL 后，Driver 先用 Parser ，将查询语句转化为 AST（Abstract Syntax Tree，查询语法树）
2. Hive 从 Hive Metastore 拿表的元信息，如 : 表名、列名、字段类型、数据文件存储路径、文件格式
3. Planner 根据 AST 生成执行计划
4. Optimizer 优化执行计划
5. Execution 提交执行计划

Spark with Hive

Spark with Hive 集成方式 :

• 创建 SparkSession，访问 Hive Metastore
• 通过 spark-sql CLI，访问本地 Hive Metastore
• 通过 Beeline，访问 Spark Thrift Server

SparkSession + Hive Metastore

启动 Hive Metastore

hive --service metastore

Spark 拿 Metastore 访问地址的两种办法 :

• 创建 SparkSession 时，通过 config 指定 hive.metastore.uris
• 把Hive的 hive-site.xml 拷到 Spark 的 conf 下

spark-shell 下写代码 :

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.DataFrameval hiveHost: String = _// 创建SparkSession实例
val spark = SparkSession.builder().config("hive.metastore.uris", s"thrift://hiveHost:9083").enableHiveSupport().getOrCreate()// 读取Hive表，创建DataFrame
val df: DataFrame = spark.sql(“select * from salaries”)
df.show/** 结果打印
+---+------+
| id|salary|
+---+------+
| 1| 26000|
| 2| 30000|
| 4| 25000|
| 3| 20000|
+---+------+
*/

SparkSession + Hive Metastore 集成方式 :

• Spark 只涉及 Hive 的 Metastore

spark-sql CLI + Hive Metastore

spark-sql CLI 与 Hive Metastore 要在同个节点

• spark-sql CLI 只能访问 本地 Hive Metastore

Beeline + Spark Thrift Server

用 Beeline 客户端，连接 Spark Thrift Server，从而完成 Hive 表的访问与处理

Hive Server 2 (Hive Thrift Server 2) 采用 Thrift RPC 协议框架

Beeline + Spark Thrift Server 集成 ：

• Spark Thrift Server 与 Hive Server 2 的实现逻辑一样。最大区别：SQL 查询接入后的解析、规划、优化与执行

启动 Spark Thrift Server ：

$SPARK_HOME/sbin/start-thriftserver.sh

Spark Thrift Server 启动后，在任意节点上通过 Beeline 就能访问该服务

beeline -u "jdbc:hive2://hostname:10000"

Hive on Spark

Hive on Spark ：Hive 用 Spark 作为分布式执行引擎

• SQL 语句的解析、规划与优化都由 Hive 的 Driver 完成
• Hive on Spark 衔接的部分是 Spark Core

指定 Spark 执行引擎

set hive.execution.engine=spark