Hive交互
Apache Hive 是 Hadoop 上的 SQL 引擎,Spark SQL编译时可以包含 Hive 支持,也可以不包含。
包含 Hive 支持的 Spark SQL 可以支持 Hive 表访问、UDF (用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的一点是,如果要在 Spark SQL 中包含Hive 的库,并不需要事先安装 Hive。一般来说,最好还是在编译Spark SQL时引入Hive支持,这样就可以使用这些特性了。如果你下载的是二进制版本的 Spark,它应该已经在编译时添加了 Hive 支持。
若要把 Spark SQL 连接到一个部署好的 Hive 上,你必须把 hive-site.xml 复制到 Spark的配置文件目录中($SPARK_HOME/conf)。即使没有部署好 Hive,Spark SQL 也可以运行,需要注意的是,如果你没有部署好Hive,Spark SQL 会在当前的工作目录中创建出自己的 Hive 元数据仓库,叫作 metastore_db。此外,对于使用部署好的Hive,如果你尝试使用 HiveQL 中的 CREATE TABLE (并非 CREATE EXTERNAL TABLE)语句来创建表,这些表会被放在你默认的文件系统中的 /user/hive/warehouse 目录中(如果你的 classpath 中有配好的 hdfs-site.xml,默认的文件系统就是 HDFS,否则就是本地文件系统)。
spark-shell默认是Hive支持的;代码中是默认不支持的,需要手动指定(加一个参数即可)。
使用内嵌Hive
- Hive 的元数据存储在 derby 中, 仓库地址:$SPARK_HOME/spark-warehouse
- 如果使用 Spark 内嵌的 Hive, 则什么都不用做, 直接使用即可.
外部Hive应用
如果Spark要接管Hive外部已经部署好的Hive,需要通过以下几个步骤。
确定原有Hive是正常工作的
需要把hive-site.xml拷贝到spark的conf/目录下
如果以前hive-site.xml文件中,配置过Tez相关信息,注释掉
把Mysql的驱动copy到Spark的jars/目录下
如果访问不到hdfs,则需要把core-site.xml和hdfs-site.xml拷贝到