Carbondata编译适配Spark3

背景

当前carbondata版本2.3.1-rc1中项目源码适配的spark版本最高为3.1,我们需要进行spark3.3版本的编译适配。

原始编译

linux系统下载源码后，安装maven3.6.3，然后执行：

mvn -DskipTests -Pspark-3.1 clean package

会遇到一些网络问题，命令不变继续尝试编译即可：
例如：[INFO] Apache CarbonData :: Flink … FAILURE [09:57 min]

使用上述命令可编译成功。

适配Spark3.3

unzip carbondata-parent-apache-carbondata-2.3.1-rc1-source-release.zip
mv carbondata-parent-apache-carbondata-2.3.1-rc1 carbondata-spark33
cd carbondata-spark33/ 

# 编辑一下根目录的pom文件，<profile>模块的spark-3.1复制一份修改为spark3.3

继续编译，果不其然报错了很多内容：

使用IDEA打开源码逐个分析怎么解决。

• error: object CombineLimits is not a member of package org.apache.spark.sql.catalyst.optimizer
• error: value hints is not a member of org.apache.spark.sql.catalyst.plans.logical.Statistics
• error: not enough arguments for method apply: (child: org.apache.spark.sql.catalyst.plans.logical.LogicalPlan

分析上下文发现这里应该是编译路径选择了spark2.x版本造成的，查看源码发现mv模块下缺少spark3.3目录及profile。

因此先进行一步简单修改pom试下：

vim ./mv/plan/pom.xml
# 复制spark3.1的相关内容改为3.3，复制比较麻烦也可以直接改

拷贝一份源码：

cd carbondata-spark33/mv/plan/src/main
cp spark3.1 spark3.3

报错：
[INFO] Compiling 24 source files to /opt/qzy/carbondata-spark33/mv/plan/target/classes at 1708917290440
[ERROR] /opt/qzy/carbondata-spark33/mv/plan/src/main/scala/org/apache/carbondata/mv/plans/modular/AggregatePushDown.scala:131: error: wrong number of arguments for pattern org.apache.spark.sql.catalyst.expressions.aggregate.Sum(child:

解决办法：修改AggregatePushDown.scala:131，给SUM加上第二个参数false；

org.apache.spark.sql.catalyst.expressions.Expression,useAnsiAdd: Boolean)
[ERROR] /opt/qzy/carbondata-spark33/mv/plan/src/main/scala/org/apache/carbondata/mv/plans/modular/AggregatePushDown.scala:193: error: wrong number of arguments for pattern org.apache.spark.sql.catalyst.expressions.aggregate.Average(child: org.apache.spark.sql.catalyst.expressions.Expression,useAnsiAdd: Boolean)

解决办法：修改AggregatePushDown.scala:193，给Average加上第二个参数false；
还有更多报错：

终止适配！太多地方要改，入不敷出。

快速测试

https://carbondata.apache.org/quick-start-guide.html

按照官网指导运行本地测试时报错如下：

以Spark local模式打开客户端:

spark-sql --conf spark.sql.extensions=org.apache.spark.sql.CarbonExtensions --jars /usr/hdp/3.0.1.0-187/spark3/carbondata/carbon.jar --master local

sql客户端中执行创建表:

CREATE TABLE IF NOT EXISTS test_carbon (
  id string,
  name string,
  city string,
  age Int)
STORED AS carbondata;

报错找不到类：
java.lang.ClassNotFoundException: org.apache.carbondata.hive.MapredCarbonInputFormat

jar包是确实存在的，实际需要在spark.sql.hive.metastore.jars所指示的路径添加这个jar才可以本地运行。

官网在后面YARN章节有提到。

If use Spark + Hive 1.1.X, it needs to add carbondata assembly jar and carbondata-hive jar into parameter ‘spark.sql.hive.metastore.jars’ in spark-default.conf file.

创建本地示例数据，后面会用到sample.csv：

cd carbondata
cat > sample.csv << EOF
id,name,city,age
1,david,shenzhen,31
2,eason,shenzhen,27
3,jarry,wuhan,35
EOF

然后可以正常创建表，执行加载数据和查询命令，注意加载数据路径要写file开头的符号。

LOAD DATA INPATH 'file:///usr/hdp/3.0.1.0-187/spark3/carbondata/sample.csv' INTO TABLE test_carbon;

SELECT * FROM test_carbon;

SELECT city, avg(age), sum(age)
FROM test_carbon
GROUP BY city;

local查询正常，待测yarn模式。

结论

• Spark3.3接口改变过多，与当前最新2.3.1-rc分支不兼容！
• Spark3.1 + Carbondata build 初步测试功能正常！