Java客户端读取Hive 3.0任务进度（一）

通过查阅网上大神的博客可以发现，博客中读取Hive进度的方法都是通过Hive的日志去读取。但是我在查看Hive3.0的日志后，发现Hive3.0的日志中不会记录实时的任务进度，只会记录实时进度以外的其他数据。所以必须另辟蹊径，以解决这个问题。

如何才能读取到Hive的任务进度？

通过观察可以发现，Hive的任务可以分为两种：

1. 不需要执行MapReduce的简单任务，可以瞬时完成。
2. 需要执行MapReduce的复杂任务，如：需要表关联、统计等任务，需要执行一段时间。

所以我们可以看出，我们只要读取需要执行MapReduce的Hive任务进度即可，并且这个任务进度应该就是MapReduce的任务进度。在CLI执行Hive SQL时可以发现，HIve能在命令行显示出MapReduce任务的进度。那么Hive是通过何种方式读取到MapReduce的任务进度的呢？

HIve自身是如何读取任务进度？

通过分析源码，我发现Hive自身是通过Hadoop所提供的API接口，去读取MapReduce的任务进度。通过查阅文档和实际测试我们可以发现在http://slave2.hadoop:8088/ws/v1/cluster/apps/application_1430424020775_0001这个接口下，可以由application_1430424020775_0001这个MapReduce任务ID，拿到对应任务状态的JSON格式数据，如下（hadoop 3.0）

{
    "app": {
        "id": "application_1545745555642_0008",
        "user": "hdfs",
        "name": "HIVE-f33a32e4-5932-46a9-8473-dc755616a595",
        "queue": "default",
        "state": "FINISHED",
        "finalStatus": "SUCCEEDED",
        "progress": 100,
        "trackingUI": "History",
        "trackingUrl": "http://slave2.hadoop:8088/proxy/application_1545745555642_0008/",
        "diagnostics": "Session timed out, lastDAGCompletionTime=1548319082823 ms, sessionTimeoutInterval=600000 ms\nSession stats:submittedDAGs=1, successfulDAGs=1, failedDAGs=0, killedDAGs=0\n",
        "clusterId": 1545745555642,
        "applicationType": "TEZ",
        "applicationTags": "hive_20190124163742_0a204765-22a4-4a35-b08c-c629a8244758",
        "priority": 0,
        "startedTime": 1548319064617,
        "finishedTime": 1548319741514,
        "elapsedTime": 676897,
        "amContainerLogs": "http://slave3.hadoop:8042/node/containerlogs/container_e12_1545745555642_0008_01_000001/hdfs",
        "amHostHttpAddress": "slave3.hadoop:8042",
        "amRPCAddress": "slave3.hadoop:45439",
        "masterNodeId": "slave3.hadoop:45454",
        "allocatedMB": -1,
        "allocatedVCores": -1,
        "reservedMB": -1,
        "reservedVCores": -1,
        "runningContainers": -1,
        "memorySeconds": 12773007,
        "vcoreSeconds": 692,
        "queueUsagePercentage": 0,
        "clusterUsagePercentage": 0,
        "resourceSecondsMap": {
            "entry": {
                "key": "vcores",
                "value": "692"
            }
        },
        "preemptedResourceMB": 0,
        "preemptedResourceVCores": 0,
        "numNonAMContainerPreempted": 0,
        "numAMContainerPreempted": 0,
        "preemptedMemorySeconds": 0,
        "preemptedVcoreSeconds": 0,
        "preemptedResourceSecondsMap": {},
        "logAggregationStatus": "SUCCEEDED",
        "unmanagedApplication": false,
        "amNodeLabelExpression": "",
        "timeouts": {
            "timeout": [
                {
                    "type": "LIFETIME",
                    "expiryTime": "UNLIMITED",
                    "remainingTimeInSeconds": -1
                }
            ]
        }
    }
}

可以发现其中的progress就是任务的状态。（需要注意的是，这个接口获取的任务状态，在任务进行时是准确的，但是任务一旦完成或者失败，这个任务的进度就会变为0，而不是100或者其他数字。其次，在hive连续提交任务时，多个hive任务会共用一个app_id）。

初步思路

我们可以通过读取Hive的日志获取到，MapReduce的app_id，然后在通过这个id和yarn的接口获取到任务进度。

即：

1. 读取到HIve的日志，从日志中获取MapReduce的任务id
2. 通过任务id和接口获取到任务的状态对应的JSON格式的数据