Hive3.1.2整合Spark3.0.0-HiveOnSpark

一，整合原理

1，HiveOnSpark

Hive是一个Sql解析引擎，其不具备计算能力，Hive将Sql解析为物理执行计划，将物理执行计划转换为计算任务，交由计算引擎执行，默认的引擎是MapReduce，但MapReduce执行速度慢，随着Spark的崛起，Hive支持Spark作为计算引擎，这就是HiveOnSpark

2，SparkOnHive

比较容易混淆，二者差距还是很大的，SparkOnHive只是使用了Hive的元数据服务，Sql解析由Spark完成、计算也由Spark完成。

3，Hive 3.1.2与spark 3的兼容性问题

Hive3.1.2默认支持Spark2.3.0，默认支持的意思是Hive在调用Spark的Api时，使用的是2.3.0版本的Api，这些Api在Spark3时可能已经被移除了，或者签名变了。如果Hive运行在Spark3的环境中，必然出现ClassNotFound或者NoMethodDef之类的异常。

解决办法是修改Hive源码。

二，整合步骤

• 1，安装hadoop，主要是yarn和hdfs，配置环境变量
• 2，安装spark，配置spark环境变量
• 3，安装hive，配置环境变量

三，安装hadoop

1，将Hadoop的压缩包上传到服务器，解压
2，配置core-site.xml，其中最重要的两个配置如下

<property>
   <!-- namenode的端口，对hdfs的访问要通过该端口进行 -->
    <name>fs.defaultFS</name>
    <value>hdfs://node1:8080</value>
  </property>
  
  <!-- hdfs文件在本地磁盘的存储位置 -->
  <property>
    <name>hadoop.tmp.dir</name>
    <value>/export/atguigu/soft/hadoop-3.1.3/data</value>
  </property>

3，配置hdfs-site.xml文件

配置hdfs web服务的服务器和访问端口
配置副本数

<property>
    <name>dfs.namenode.http-address</name>
    <value>node1:9870</value>
  </property>
  <property>
    <name>dfs.replication</name>
    <value>3</value>
  </property>
  <property>
    <name>dfs.namenode.secondary.http-address</name>
    <value>node3:9686</value>
  </property>

4，配置yarn-site.xml

配置ResourceManager的位置
配置日志聚合

<property>
   <name>yarn.resourcemanager.hostname</name>
   <value>node2</value>
 </property>
 <property>
   <name>yarn.log.server.url</name>
   <value>http://node2:19888/jobhistory/logs</value>
 </property>
 <property>
   <name>mapreduce.log-aggregation.retain-seconds</name>
   <value>604800</value>
 </property>

5，/etc/profile中配置Hadoop的环境变量

export HADOOP_HOME=/export/soft/hadoop-3.1.3
export PATH=:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH
export HADOOP_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export HADOOP_CLASSPATH=`hadoop classpath`

6，将hadoop根目录和环境变量在hadoop集群所有节点上按如上步骤配置，可以通过scp分发的方式快速完成。

四，Spark安装

1，上传、解压Spark3.0.0安装包
2，配置spark环境变量

export SPARK_HOME=/export/soft/spark-3.0.0-bin-hadoop3.2/
export PATH=:$PATH:$SPARK_HOME/bin

PS:spark的作用是提供spark任务的执行环境，Hive会通过spark-submit提交spark任务，spark将任务分发到spark集群各个节点。

3，在集群所有节点上安装spark，配置环境变量。

五，安装Hive

1，上传、解压Hive安装包
2，配置环境变量：

export SPARK_HOME=/opt/module/spark
export PATH=$PATH:$SPARK_HOME/bin

3，hive安装目录下，创建如下文件

hive/conf/spark-defaults.conf

内容如下，指定提交spark任务的各种参数：

spark.master                               yarn
spark.eventLog.enabled                   true
spark.eventLog.dir                        hdfs://node1:8080/spark-history
spark.executor.memory                    1g
spark.driver.memory					   1g

4，创建上一步配置中的hdfs文件夹，存储历史日志

hadoop fs -mkdir /spark-history

5，将纯净版的spark3.0.0的jar上传到hdfs，所谓纯净版，就是没有掺杂hadoop和hive的jar包。主要原因是spark3.0.0默认支持的hadoop和hive都是2.x.x，hive3在将物理执行计划转换为spark任务时会使用到spark的jar包，如果这里的jar包含了hive2的jar包，会出现冲突，所以不适用集群上安装的spark自带的jar包，而是将纯净版的sparkjar包上传到hdfs上，作为hive的专用包。

先创建hdfs文件夹：

hadoop fs -mkdir /spark-jars

6，上传纯净版spark jar到hdfs

hadoop fs -put spark-3.0.0-bin-without-hadoop/jars/* /spark-jars

7，hive配置文件指定使用spark引擎和spark jar包位置

vim /opt/module/hive/conf/hive-site.xml

<property>
    <name>spark.yarn.jars</name>
    <value>hdfs://hadoop102:8020/spark-jars/*</value>
</property>
  
<property>
    <name>hive.execution.engine</name>
    <value>spark</value>
</property>

六，测试

• 启动hive客户端

 bin/hive

• 创建一张测试表

hive (default)> create table student(id int, name string);

• 通过insert测试效果

hive (default)> insert into table student values(1,'abc');

出现如下界面表示整合成功：