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:  * 本文地址：/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:  * 本文地址：/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。

转载自过往记忆（https://www.iteblog.com/）