Spark SQL & Spark Hive编程开发， 并和Hive执行效率对比

Spark SQL也公布了很久，今天写了个程序来看下Spark SQL、Spark Hive以及直接用Hive执行的效率进行了对比。以上测试都是跑在YARN上。
　　首先我们来看看我的环境：

1. 3台DataNode，2台NameNode，每台机器20G内存，24核
2. 数据都是lzo格式的，共336个文件，338.6 G
3. 无其他任务执行

如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号： iteblog_hadoop

三个测试都是执行

select count(*), host, module from ewaplog group by host, module order by host, module;

下面我们先来看看Spark SQL核心的代码（关于Spark SQL的详细介绍请参见Spark官方文档，这里我就不介绍了。）：

/**   * User: 过往记忆   * Date: 14-8-13   * Time: 下午23:16   * bolg: https://www.iteblog.com   * 本文地址：https://www.iteblog.com/archives/1090   * 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货   * 过往记忆博客微信公共帐号：iteblog_hadoop   */   public static class Entry implements Serializable {          private String host;          private String module;          private String content;            public Entry(String host, String module, String content) {              this .host = host;              this .module = module;              this .content = content;          }            public String getHost() {              return host;          }            public void setHost(String host) {              this .host = host;          }            public String getModule() {              return module;          }            public void setModule(String module) {              this .module = module;          }            public String getContent() {              return content;          }            public void setContent(String content) {              this .content = content;          }            @Override          public String toString() {              return "[" + host + "\t" + module + "\t" + content + "]" ;          } }   .......   JavaSparkContext ctx = ... JavaSQLContext sqlCtx = ... JavaRDD<Entry> stringJavaRDD = ctx.textFile(args[ 0 ]).map(        new Function<String, Entry>() {              @Override              public Entry call(String str) throws Exception {                  String[] split = str.split( "\u0001" );                  if (split.length < 3 ) {                      return new Entry( "" , "" , "" );                  }                    return new Entry(split[ 0 ], split[ 1 ], split[ 2 ]);              } });   JavaSchemaRDD schemaPeople = sqlCtx.applySchema(stringJavaRDD, Entry. class ); schemaPeople.registerAsTable( "entry" ); JavaSchemaRDD teenagers = sqlCtx.sql( "select count(*), host, module " +                  "from entry " +                  "group by host, module " +                  "order by host, module" );   List<String> teenagerNames = teenagers.map( new Function<Row, String>() {       public String call(Row row) {            return row.getLong( 0 ) + "\t" +                    row.getString( 1 ) + "\t" + row.getString( 2 );       } }).collect();   for (String name : teenagerNames) {              System.out.println(name); }

Spark Hive核心代码：

/**   * User: 过往记忆   * Date: 14-8-23   * Time: 下午23:16   * bolg: https://www.iteblog.com   * 本文地址：https://www.iteblog.com/archives/1090   * 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货   * 过往记忆博客微信公共帐号：iteblog_hadoop   */ JavaHiveContext hiveContext =....; JavaSchemaRDD result = hiveContext.hql( "select count(*), host, module " +                  "from ewaplog " +                  "group by host, module " +                  "order by host, module" ); List<Row> collect = result.collect(); for (Row row : collect) {      System.out.println(row.get( 0 ) + "\t" + row.get( 1 ) + "\t" + row.get( 2 )); }

　　大家可以看到Spark Hive核心代码里面的SQL语句和直接在Hive上面执行一样，在执行这个代码的时候，需要确保ewaplog存在。而且在运行这个程序的时候需要依赖Hive的一些jar包，需要依赖Hive的元数据等信息。对Hive的依赖比较大。而Spark SQL直接读取lzo文件，并没有涉及到Hive，相比Spark Hive依赖性这方便很好。Spark SQL直接读取lzo文件，然后将数据存放在RDD中，applySchema方法将JavaRDD转换成JavaSchemaRDD，我们来看看文档是怎么来描述的

　　At the core of this component is a new type of RDD, SchemaRDD. SchemaRDDs are composed Row objects along with a schema that describes the data types of each column in the row. A SchemaRDD is similar to a table in a traditional relational database. A SchemaRDD can be created from an existing RDD, Parquet file, a JSON dataset, or by running HiveQL against data stored in Apache Hive.

转换成JavaSchemaRDD之后，我们可以用用registerAsTable将它注册到表中，之后就可以通过JavaSQLContext的sql方法来执行相应的sql语句了。
　　用Maven编译完上面的程序之后，放到Hadoop集群上面运行：

iteblog @Spark $ spark-submit --master yarn-cluster                                --jars lib/spark-sql_2. 10 - 1.0 . 0 .jar                               -- class SparkSQLTest                               --queue queue1                               ./spark- 1.0 -SNAPSHOT.jar                               /home/wyp/test/*.lzo

分别经过了20分钟左右的时间，Spark SQL和Spark Hive都可以运行完，结果如下：

39511517    bokingserver1   CN1_hbase_android_client 59141803    bokingserver1   CN1_hbase_iphone_client 39544052    bokingserver2   CN1_hbase_android_client 59156743    bokingserver2   CN1_hbase_iphone_client 23472413    bokingserver3   CN1_hbase_android_client 35251936    bokingserver3   CN1_hbase_iphone_client 23457708    bokingserver4   CN1_hbase_android_client 35262400    bokingserver4   CN1_hbase_iphone_client 19832715    bokingserver5   CN1_hbase_android_client 51003885    bokingserver5   CN1_hbase_iphone_client 19831076    bokingserver6   CN1_hbase_android_client 50997314    bokingserver6   CN1_hbase_iphone_client 30526207    bokingserver7   CN1_hbase_android_client 50702806    bokingserver7   CN1_hbase_iphone_client 54844214    bokingserver8   CN1_hbase_android_client 88062792    bokingserver8   CN1_hbase_iphone_client 54852596    bokingserver9   CN1_hbase_android_client 88043401    bokingserver9   CN1_hbase_iphone_client 54864322    bokingserver10  CN1_hbase_android_client 88041583    bokingserver10  CN1_hbase_iphone_client 54891529    bokingserver11  CN1_hbase_android_client 88007489    bokingserver11  CN1_hbase_iphone_client 54613917    bokingserver12  CN1_hbase_android_client 87623763    bokingserver12  CN1_hbase_iphone_client

　　为了比较基于Spark的任务确实比基于Mapreduce的快，我特意用Hive执行了同样的任务，如下：

hive> select count(*), host, module from ewaplog      > group by host, module order by host, module;   Job 0 : Map: 2845  Reduce: 364   Cumulative CPU: 17144.59 sec HDFS Read: 363542156311 HDFS Write: 36516 SUCCESS Job 1 : Map: 1  Reduce: 1   Cumulative CPU: 4.82 sec HDFS Read: 114193 HDFS Write: 1260 SUCCESS Total MapReduce CPU Time Spent: 0 days 4 hours 45 minutes 49 seconds 410 msec OK 39511517    bokingserver1   CN1_hbase_android_client 59141803    bokingserver1   CN1_hbase_iphone_client 39544052    bokingserver2   CN1_hbase_android_client 59156743    bokingserver2   CN1_hbase_iphone_client 23472413    bokingserver3   CN1_hbase_android_client 35251936    bokingserver3   CN1_hbase_iphone_client 23457708    bokingserver4   CN1_hbase_android_client 35262400    bokingserver4   CN1_hbase_iphone_client 19832715    bokingserver5   CN1_hbase_android_client 51003885    bokingserver5   CN1_hbase_iphone_client 19831076    bokingserver6   CN1_hbase_android_client 50997314    bokingserver6   CN1_hbase_iphone_client 30526207    bokingserver7   CN1_hbase_android_client 50702806    bokingserver7   CN1_hbase_iphone_client 54844214    bokingserver8   CN1_hbase_android_client 88062792    bokingserver8   CN1_hbase_iphone_client 54852596    bokingserver9   CN1_hbase_android_client 88043401    bokingserver9   CN1_hbase_iphone_client 54864322    bokingserver10  CN1_hbase_android_client 88041583    bokingserver10  CN1_hbase_iphone_client 54891529    bokingserver11  CN1_hbase_android_client 88007489    bokingserver11  CN1_hbase_iphone_client 54613917    bokingserver12  CN1_hbase_android_client 87623763    bokingserver12  CN1_hbase_iphone_client Time taken: 1818.706 seconds, Fetched: 24 row(s)

　　从上面的显示我们可以看出，Hive执行同样的任务用了30分钟，而Spark用了20分钟，也就是省了1/3的时间，还是很快的。在运行的过程中，我发现Spark消耗内存比较大，在程序运行期间，三个子节点负载很高，整个队列的资源消耗了一半以上。我想如果集群的机器数据更多的话，Spark的运行速度应该还会有一些提升。好了今天就说到这，欢迎关注本博客。