phpHiveAdmin 软件开发和知识整理 （hive 读取后台log）

访问Hive接口有thrift，这没有太多可说的，只要调用封装好的方法就行了。之前因为Socket的阻塞问题，经常会发生Hive接口读取超时，修改一下Thrift里面的TSocket.php就好了。修改方法参看之前的php开发Hive web查询，跟网上的其他相关文章还是略有区别。

 

数据库的管理方面主要就是获取网页变量，然后拼sql字符串，这好像也没啥可讲的。多看Hive手册就会了。

 

核心内容是查询部分，这个是比较有趣的地方，最早的一版查询是完全用thrift完成的，查询特别慢不说，关键是没有进度返回，而且如果中间关闭窗口就彻底找不到任务了。当时十分羡慕淘宝的Hive界面，有map/reduce进度条。于是自己调了两天，写了一个获取map/reduce进度的方法，虽然没有进度条，但是可以读取到Hive执行的map/reduce进度，并实时返回。其核心思路是既然hive命令行可以将mr进度打印到控制台上的stdout和stderr，那就写个程序读命令行执行的stdout和stderr就好了。但是要实时输出到网页的话，就需要边读边写，这对php来说就比较难了。对于php程序员来说，绝大多数是开发网页的，用到线程和进程管理的非常少，极少。根据php针对网页的特点。如果不用ajax，php本身无法对进程进行异步处理。但是系统执行是在后端的，跟网页无关，所以其实这是一个php在操作系统方面进行异步执行的问题。pcntl是子进程管理，比较方便，但是需要在php编译的时候enable，我不想给自己找麻烦，特别是不想给其他用户造成困难，所以最后选择了proc_open来新开一个进程完成异步的处理。至于为什么没有选择Java开发，或者python开发，也是考虑其实相比于php，java和python在网页方面的开发还是偏小众，配置LNMP可能会更大众化，或许可以让大家上手大数据更轻松一些。但是也不排除将来会用java或者python再写一版，反正写完交给别人自己查数管集群，我也没事干，闲着也是闲着。

 

所以核心就在下面。

 

一个hive查询通过页面发送给命令行执行，网页会在服务器上通过proc_open创建一个php进程，然后读取Hive命令行执行返回的stdout和stderr，将执行过程的输出写入到一个临时文件。然后前端的页面会读取这个文件，将内容倒排后返回给网页，这样就完成了map/reduce的实时读取。说起来简单，写起来还是比较难的。中间还要涉及到Linux基本环境的配置，对HADOOP,HIVE,JAVA环境变量的输出。通常php工作在nobody或者www这样的用户下面，这种用户的默认shell是/sbin/nologin，似乎这类用户不会获得任何环境变量。所以必须在发送Hive命令行查询之前，将环境变量发给操作系统。整个这一套新开进程加发现环境变量问题等等，调通用了整整两天。

 

public function NonBlockingRun($pCmd,$pTimestamp,$pFilename,$pType,&$pCode)
{
    global $env;
    $descriptorspec = array(
        0 => array("pipe", "r"),
        1 => array("pipe", "w"),
        2 => array("pipe", "w")
    );

    $pipes= array();

    $process = proc_open($pCmd, $descriptorspec, $pipes);

    $output= "";

    if (!is_resource($process))
    {
        return false;
    }

    fclose($pipes[0]);

    stream_set_blocking($pipes[1],0);
    stream_set_blocking($pipes[2],0);

    $todo= array($pipes[1],$pipes[2]);

    $fp = fopen($pFilename,"w");
    #fwrite($fp,$pTimestamp."\n\n");
    while( true )
    {
        $read= array();
        #if( !feof($pipes[1]) ) $read[]= $pipes[1];
        if( !feof($pipes[$pType]) ) $read[]= $pipes[$pType];// get system stderr on real time

        if (!$read)
        {
            break;
        }

        $ready= stream_select($read, $write=NULL, $ex= NULL, 2);

        if ($ready === false)
        {
            break; #should never happen - something died
        }

        foreach ($read as $r)
        {
            $s= fread($r,128);
            $output .= $s;
            fwrite($fp,$s);
        }

    }

    fclose($fp);

    fclose($pipes[1]);
    fclose($pipes[2]);

    $pCode= proc_close($process);

    return $output;
}

这段就是主要用来读取Hive命令行输出的代码，这样做的好处是，所有Hive发行版通吃，只要他能够在命令行输出内容，就能用phpHiveAdmin。什么Apache版，Cloudera版，都能用。不方便的地方是，必须在运行phpHiveAdmin的机器上部署一个Hive和Hadoop(无需运行Hadoop，只要能访问集群即可)，phpHiveAdmin依赖于Hive可执行文件。但是并没有因此抛弃thrift接口，thrift用来获取库名表名，执行Hive管理什么alter,drop,create,insert命令还是非常好用的。

 

回顾一下现在的工作，也是个挺神奇的事情，当吐个槽吧，最早刚进公司并不是以数据部门的名额被招进来的，只是个php web程序员，做在线部门的开发。那时候的那个领导姓张，上班第一天就让我做项目，我用了大概两周的时间，搭建了一整套基于scribe和awk的日志采集和分析系统，除了生成报表，基本我一人全包了。awk脚本都写好了，然后那家伙跟我说，你水平太差，你还是走吧。上班两周做完一项目，然后要开掉我。当时震惊的无以复加，就去找人事说了一下这个情况，人事帮我转到了数据部门。正好数据部门在搞hadoop，阴差阳错。当时觉得hadoop安装太费劲，就在老赵调研的基础上写了个脚本。然后觉得Hive操作不方便，就写了phpHiveAdmin。在童小军的帮助下，phpHiveAdmin在2012年1月29日开源到github；EasyHadoop第一版安装脚本在2012年1月31日开源到github。

 

在这里要特别感谢公司里的3个人，首先是在线部门姓张的领导，如果不是因为你想让我干完项目就开掉我，我是不会到数据部门接触Hadoop的，不接触Hadoop就写不了EHM和PHA，写不了EHM和PHA我的博客就没啥可写的。所以，尽管我非常厌恶你，但是还是需要感谢一下，因为有你的逆天存在，我才有机会写出这篇博客。真心感谢，不是吐槽高级黑。虽然我也很想趁你走夜路的时候拍板砖，不为我，为那些被你排挤走的优秀的同事。所以骂归骂，该感谢还是得感谢。

其次感谢的是数据部门的前任领导童小军，也是现在EasyHadoop社区扛大旗的人，基于他的鼓励和工作协调下，我才能够有时间开发和维护这两个项目。也正是基于他的努力，才有了一个开源，开放的社区。

还有前任同事赵修湘，教会了我很多Hadoop生态圈的相关知识，盼望我们再次共事的那一天。

 

十分感谢公司数据组的每一位同事，有你们帮我分担MR任务，才有EHM的PHA的诞生，你们是最棒的。