Spark SQL整合Hive

1. Spark SQL整合Hive

为什么要进行整合？
由于hive原生是基于MapReduce的，导致其查询耗时较长。而SparkSQL底层是spark core(RDD)，在内存中计算数据，且是粗粒度资源调度。
为了保留Hive的架构解决方案，并优化查询速度，采用SparkSql与hive整合(spark on hive)，通过SparkSQL读取hive中表的元数据，把HiveHQL底层采用MapReduce处理任务导致性能慢的特点，改为更加强大的Spark core引擎来进行相应的计算处理。

环境搭建准备 ( 搭建步骤前面写过 )

1. 搭建hadoop集群
2. 安装hive构建数据仓库
3. 安装spark集群

SparkSQL整合hive
Spark SQL的其中一个分支就是Spark on Hive，就是使用Hive中HQL的解析逻辑、执行计划翻译、执行计划优化等逻辑，可认为将物理执行Task从MR作业替换成了Spark作业。
Spark SQL整合hive就是获取hive表中的元数据信息（在mysql中），然后通过Spark SQL来操作数据。
整合步骤：

2. SparkSQL与Hive共用元数据

2.1 开启Hive元数据服务

2.1.1 修改hive配置

在hive的 hive-site.xml 修改一行配置，增加了这一行配置之后，以后在使用hive之前都 需要先启动元数据服务
开启hive元数据服务的目的: 是让spark sql 可以获取到hive的元数据

<property>
<name>hive.metastore.uris</name>
<value>thrift://master:9083</value>
</property>

2.1.2 启动hive元数据服务

启动Hive元数据服务，并验证Hive是否可用
启动命令：

nohup  hive --service metastore >> metastore.log 2>&1 &

验证hive是否可用：hive

2.2 拷贝hive-site.xml和mysql驱动

将hive-site.xml 复制到spark conf目录下
cp hive-site.xml /usr/local/soft/spark-2.4.5/conf/
将 mysql 驱动包复制到saprk jars目录下
cp mysql-connector-java-5.1.17.jar /usr/local/soft/spark-2.4.5/jars/

2.3 启动SparkSQL

使用yarn-client模式启动，不能使用yarn-cluster模式
使用命令启动：spark-sql --master yarn-client

2.4 测试

1、在spark-sql中设置运行参数：set spark.sql.shuffle.partitions=2;
SparkSQL默认使用的并行度是200个，可以根据数据量的大小进行调。由于student库中的student表数据量较小，将之调整为2
2、统计每个班级的人数
select clazz,count(1) from student group by clazz;