官方提供了一个快速上手的 Quick-Start ,不过是采用spark-shell local模式的。我这里在实际集群环境做了下测试,并且记录了下过程,希望对大家有所帮助。
前言
之前专门写过一篇CarbonData的文章;由CarbonData想到了存储和计算的关系。可惜碍于时间问题到现在才开始真正的尝试。
编译打包
截止到本文章发出,CarbonData 明确支持的Spark版本是 1.5.2(默认) 以及 1.6.1。 而相应的,hadoop版本有2.2.0 和 2.7.2,理论上大部分2.0 之后的hadoop版本应该都是兼容的。下载源码:git clone https://github.com/apache/incubator-carbondata.git carbondata安装 thrift (0.9.3)Note:
Thrift 主要是用来编译carbon-format模块用的,里面都是一些thrift文件,需要生成java文件。其他一些版本应该也是可以的,比如我用的就是0.9版本编译打包
打开pom.xml文件,然后找到标签,然后加入
hadoop-2.6.0
2.6.0
之后就可以指定hadoop 2.6.0 编译了。不过这个是可选项,如前所述,理论上大部分版本都是兼容的。
现在可以执行打包指令了:cd carbondatamvn package -DskipTests -Pspark-1.6.1 -Phadoop-2.6.0
我编译过很多次,都没遇到啥问题。如果有问题,不妨留言给我。这个时候你应该得到了carbondata的jar包了:assembly/target/scala-2.10/carbondata_2.10-0.1.0-SNAPSHOT-shade-hadoop2.6.0.jar依赖说明
CarbonData 现阶段依赖于Kettle 以及 Hive Metastore。 依赖于Kettle 是因为一些数据处理逻辑Kettle已经有实现(譬如多线程等),而使用Hive Metastore 则是因为用Hive的人多。后面考虑会去除这些依赖,当前要体验的话,需要额外做些配置。Kettle pluginscd carbondata
cp -r processing/carbonplugins/* carbondata-kettle
tar czvf carbondata-kettle.tar.gz carbondata-kettle
接着将这个包分发到各个Slave节点上(hadoop集群上),假定最后的目录是:/data/soft/lib/java/carbondata-kettle
配置完成后检查下,确保carbondata-kettle下有个.kettle 的隐藏目录,该目录有kettle.properties文件。各个Slave节点都会加载该配置文件Hive MetaStore 配置
首先下载一个mysql-connector,放到你准备提交Spark任务的机器上(有SPARK_HOME的机器上)的某个目录,比如我这里是:/Users/allwefantasy/Softwares/spark-1.6.1-bin-hadoop2.6/lib/mysql-connector-java-6.0.3.jar
然后将你的Hive 的hive-site.xml 文件拷贝到你的SPAKR_HOME/conf 目录下。conf 目录会被自动打包发送到集群上。另外一种选择是在提交的时候通过--files 指定hive-site.xml文件也是OK的,我们推荐第一种方式。
hive-site.xml文件一般会配置两个目录:hive.exec.scratchdirhive.metastore.warehouse.dir
你需要确保你之后需要运行的程序对着两个目录相应的权限。如果权限不足,程序会较为明显的告诉你问题所在,所以关注下命令行的输出即可。
运行CarbonData
在 SPARK_HOME/lib 下还有三个datanucleus开头的包,我们也通过--jars 参数加上./bin/spark-shell \
--master yarn-client \
--num-executors 10 \
--executor-cores 3 \
--executor-memory 5G \
--driver-memory 3G \
--jars /Users/allwefantasy/CSDNWorkSpace/incubator-carbondata/assembly/target/scala-2.10/carbondata_2.10-0.1.0-SNAPSHOT-shade-hadoop2.6.0.jar,/Users/allwefantasy/Softwares/spark-1.6.1-bin-hadoop2.6/lib/datanucleus-api-jdo-3.2.6.jar,/Users/allwefantasy/Softwares/spark-1.6.1-bin-hadoop2.6/lib/datanucleus-core-3.2.10.jar,/Users/allwefantasy/Softwares/spark-1.6.1-bin-hadoop2.6/lib/datanucleus-rdbms-3.2.9.jar,/Users/allwefantasy/Softwares/spark-1.6.1-bin-hadoop2.6/lib/mysql-connector-java-5.1.35.jar
所以--jars 一共有五个包:我们编译好的carbondata_2.10-0.1.0-SNAPSHOT-shade-hadoop2.6.0.jar
我们下载的 mysql-connector-java-5.1.35.jar
SPARK_HOME/lib/datanucleus-api-jdo-3.2.6.jar
SPARK_HOME/lib/datanucleus-core-3.2.10.jar
SPARK_HOME/lib/datanucleus-rdbms-3.2.9.jar
然后就运行起来了,进入spark shell。
构建CarbonContext 对象import org.apache.spark.sql.CarbonContextimport java.io.Fileimport org.apache.hadoop.hive.conf.HiveConf
val cc = new CarbonContext(sc, "hdfs://xxx/data/carbondata01/store")
CarbonContext 的第二个参数是主存储路径,确保你设置的目录,spark-shell 启动账号是具有写入权限。通常我会做如下操作:hdfs dfs -chmod 777 /data/carbondata01/store
一些表信息,索引信息都是存在该目录的。如果写入权限不足,load数据的时候,会出现如下的异常:ERROR 05-07 13:42:49,783 - table:williamtable02 column:bkup generate global dictionary file failed
ERROR 05-07 13:42:49,783 - table:williamtable02 column:bc generate global dictionary file failed
ERROR 05-07 13:42:49,783 - table:williamtable02 column:bid generate global dictionary file failed
ERROR 05-07 13:42:49,783 - generate global dictionary files failed
ERROR 05-07 13:42:49,783 - generate global dictionary failed
ERROR 05-07 13:42:49,783 - main
java.lang.Exception: Failed to generate global dictionary files
at org.carbondata.spark.util.GlobalDictionaryUtil$.org$carbondata$spark$util$GlobalDictionaryUtil$$checkStatus(GlobalDictionaryUtil.scala:441)
at org.carbondata.spark.util.GlobalDictionaryUtil$.generateGlobalDictionary(GlobalDictionaryUtil.scala:485)
如果下次你在启动spark-shell或者提交新的应用时,需要保持这个路径(storePath)的不变,否则会出现表不存在的问题。类似:AUDIT 05-07 16:12:10,889 - [allwefantasy][allwefantasy][Thread-1]Table Not Found: williamtable02
org.spark-project.guava.util.concurrent.UncheckedExecutionException: org.apache.spark.sql.catalyst.analysis.NoSuchTableException
at org.spark-project.guava.cache.LocalCache$LocalLoadingCache.getUnchecked(LocalCache.java:4882)
at org.spark-project.guava.cache.LocalCache$LocalLoadingCache.apply(LocalCache.java:4898)
at org.apache.spark.sql.hive.HiveMetastoreCatalog.lookupRelation(HiveMetastoreCatalog.scala:394)
at
设置Kettle 相关
因为引入了Kettle的库,而该库需要在运行的服务器上读取一些配置文件(如kettle.properties),所以需要做一个配置。我们前面已经将kettle 分发到各个节点了,现在把路径要告诉Carbon,通过如下的方式:cc.setConf("carbon.kettle.home","/data/soft/lib/java/carbondata-kettle")
如果这个目录在Slave节点不存在,你进入Spark 各个节点(Executor)的日志,可以看到很明显的错误,提示 kettle.properties 找不到。 而更明显的现象是,数据载入会不成功。
Hive 相关配置
理论上hive-site.xml的配置里已经有这些信息了,不过也可以显示设置下。cc.setConf("hive.metastore.warehouse.dir", "hdfs://cdncluster/user/hive/warehouse")
cc.setConf(HiveConf.ConfVars.HIVECHECKFILEFORMAT.varname, "false")
生产数据
到目前为止 CarbonContext 已经设置完毕,可以往里面装载数据了。现阶段,CarbonData 支持CSV数据直接装载进CarbonData。
如果你已经有或者可以自己产生csv相关的数据,则可以忽略本节。
另外其实CarbonData 也提供了标准的Spark SQL API(Datasource)方便你导入数据,参看Carbondata-Interfaces。内部本质也是帮你把数据转化成csv然后再导入的:def saveAsCarbonFile(parameters: Map[String, String] = Map()): Unit = { // To avoid derby problem, dataframe need to be writen and read using CarbonContext
require(dataFrame.sqlContext.isInstanceOf[CarbonContext], "Error in saving dataframe to carbon file, must use CarbonContext to save dataframe"
)
val storePath = dataFrame.sqlContext.asInstanceOf[CarbonContext].storePath
val options = new CarbonOption(parameters)
val dbName = options.dbName
val tableName = options.tableName // temporary solution: write to csv file, then load the csv into carbon
val tempCSVFolder = s"$storePath/$dbName/$tableName/tempCSV"
dataFrame.write
.format(csvPackage)
.option("header", "true")
.mode(SaveMode.Overwrite)
.save(tempCSVFolder)
这里也介绍另外一种方式,以从ES导出数据为csv为例:下载一个配置文件配置文件,根据里面的要求进行修改
并且将修改后的配置上传到hdfs上。假设路径是:hdfs://cluster/tmp/test.json下载一个jar包:链接: http://pan.baidu.com/s/1bZWphO 密码: kf5y提交到集群./bin/spark-submit \
--class streaming.core.StreamingApp \
--name "es导出成csv文件" \
--master yarn-cluster \
--executor-memory 2G \
--driver-memory 6G \
--conf "spark.locality.wait=10ms" \
--num-executors 35 \
--executor-cores 3 \\/Users/allwefantasy/CSDNWorkSpace/streamingpro/target/streamingpro-0.2.0-SNAPSHOT-online-1.6.1.jar \
-streaming.name estocsvn \
-streaming.job.file.path hdfs://cluster/tmp/test.json \-streaming.platform spark
这样你就生成了一个csv格式的数据
创建表cc.sql("create table if not exists williamtable04 (sid string, r double,time string,domain string,month Int,day Int,mid string) STORED BY 'org.apache.carbondata.format'")
貌似不支持float,需要用double类型。
装载CSV数据cc.sql(s"load data inpath 'hdfs://cluster/tmp/csv-table1/part-00001.csv' into table williamtable04")
csv文件需要是.csv 为后缀,并且需要带有header。当然,如果你生成的csv文件没有header,也可以通过在load data时指定FIELDHEADER来完成。
查询cc.sql("select count(*) from williamtable04").show
后话
因为现阶段CarbonData 依赖于Hive/Kettle,所以需要做一些额外配置,自身的配置已经足够简单,只需要个storePath。在集群环境里,我们还需要注意权限相关的问题。
作者:祝威廉
链接:https://www.jianshu.com/p/99e4893065d7