Hive on Spark
一、版本如下
注意：Hive on Spark对版本有着严格的要求，下面的版本是经过验证的版本
a) apache-hive-2.3.2-bin.tar.gz
b) hadoop-2.7.2.tar.gz
c) jdk-8u144-linux-x64.tar.gz
d) mysql-5.7.19-1.el7.x86_64.rpm-bundle.tar
e) mysql-connector-java-5.1.43-bin.jar
f) spark-2.0.0.tgz（spark源码包，需要从源码编译）
g) Redhat Linux 7.4 64位
二、安装Linux和JDK、关闭防火墙
三、安装和配置MySQL数据库
a) 解压MySQL 安装包
b) 安装MySQL
yum remove mysql-libs
rpm -ivh mysql-community-common-5.7.19-1.el7.x86_64.rpm
rpm -ivh mysql-community-libs-5.7.19-1.el7.x86_64.rpm
rpm -ivh mysql-community-client-5.7.19-1.el7.x86_64.rpm
rpm -ivh mysql-community-server-5.7.19-1.el7.x86_64.rpm
rpm -ivh mysql-community-devel-5.7.19-1.el7.x86_64.rpm （可选）
c) 启动MySQL
systemctl start mysqld.service
d) 查看并修改root用户的密码
查看root用户的密码：cat /var/log/mysqld.log | grep password
登录后修改密码：alter user 'root'@'localhost' identified by 'Welcome_1';
e) 创建hive的数据库和hiveowner用户：
- 创建一个新的数据库：create database hive;
- 创建一个新的用户：
create user 'hiveowner'@'%' identified by ‘Welcome_1’; - 给该用户授权
grant all on hive.* TO 'hiveowner'@'%';
grant all on hive.* TO 'hiveowner'@'localhost' identified by 'Welcome_1';
四、安装Hadoop（以伪分布式为例）
由于Hive on Spark默认支持Spark on Yarn的方式，所以需要配置Hadoop。
a) 准备工作：
- 配置主机名（编辑/etc/hosts文件）
- 配置免密码登录
b) Hadoop的配置文件如下：
|
hadoop-env.sh |
|||||
|
JAVA_HOME |
/root/training/jdk1.8.0_144 |
|
|||
|
hdfs-site.xml |
|||||
|
dfs.replication |
1 |
数据块的冗余度，默认是3 |
|||
|
dfs.permissions |
false |
是否开启HDFS的权限检查 |
|||
|
core-site.xml |
|||||
|
fs.defaultFS |
hdfs://hive77:9000 |
NameNode的地址 |
|||
|
hadoop.tmp.dir |
/root/training/hadoop-2.7.2/tmp/ |
HDFS数据保存的目录 |
|||
|
mapred-site.xml |
|||||
|
mapreduce.framework.name |
yarn |
|
|||
|
yarn-site.xml |
|||||
|
yarn.resourcemanager.hostname |
hive77 |
|
|||
|
yarn.nodemanager.aux-services |
mapreduce_shuffle |
|
|||
|
yarn.resourcemanager.scheduler.class |
org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler |
Spark on Yarn的方式，需要使用公平调度原则来保证Yarn集群中的任务都能获取到相等的资源运行。 |
|||
c) 启动Hadoop
d) 通过Yarn Web Console检查是否为公平调度原则
五、编译Spark源码
（需要使用Maven，Spark源码包中自带Maven）
a) 执行下面的语句进行编译（执行时间很长，耐心等待）
./dev/make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided"
b) 编译成功后，会生成：spark-2.0.0-bin-hadoop2-without-hive.tgz
c) 安装和配置Spark
1.目录结构如下：
2.将下面的配置加入spark-env.sh
export JAVA_HOME=/root/training/jdk1.8.0_144
export HADOOP_CONF_DIR=/root/training/hadoop-2.7.2/etc/hadoop
export YARN_CONF_DIR=/root/training/hadoop-2.7.2/etc/hadoop
export SPARK_MASTER_HOST=hive77
export SPARK_MASTER_PORT=7077
export SPARK_EXECUTOR_MEMORY=512m
export SPARK_DRIVER_MEMORY=512m
export SPARK_WORKER_MEMORY=512m
3.将hadoop的相关jar包放入spark的lib目录下，如下：
cp ~/training/hadoop-2.7.2/share/hadoop/common/*.jar jars/
cp ~/training/hadoop-2.7.2/share/hadoop/common/lib/*.jar jars/
cp ~/training/hadoop-2.7.2/share/hadoop/hdfs/*.jar jars/
cp ~/training/hadoop-2.7.2/share/hadoop/hdfs/lib/*.jar jars/
cp ~/training/hadoop-2.7.2/share/hadoop/mapreduce/.jar jars/
cp ~/training/hadoop-2.7.2/share/hadoop/mapreduce/*.jar jars/
cp ~/training/hadoop-2.7.2/share/hadoop/mapreduce/lib/*.jar jars/
cp ~/training/hadoop-2.7.2/share/hadoop/yarn/*.jar jars/
cp ~/training/hadoop-2.7.2/share/hadoop/yarn/lib/*.jar jars/
4.在HDFS上创建目录：spark-jars，并将spark的jars上传至该目录。这样在运行Application的时候，就无需每次都分发这些jar包。
- hdfs dfs -mkdir /spark-jars
- hdfs dfs -put jars/*.jar /spark-jars
d) 启动Spark：sbin/start-all.sh，验证Spark是否配置成功
六、安装配置Hive
a) 解压Hive安装包，并把mysql的JDBC驱动放到HIve的lib目录下，如下图：
b) 设置Hive的环境变量
HIVE_HOME=/root/training/apache-hive-2.3.2-bin
export HIVE_HOME
PATH=$HIVE_HOME/bin:$PATH
export PATH
c) 拷贝下面spark的jar包到Hive的lib目录
- scala-library
- spark-core
- spark-network-common
d) 在HDFS上创建目录：/sparkeventlog用于保存log信息
hdfs dfs -mkdir /sparkeventlog
e) 配置hive-site.xml，如下：
|
参数 |
参考值 |
|
javax.jdo.option.ConnectionURL |
jdbc:mysql://localhost:3306/hive?useSSL=false |
|
javax.jdo.option.ConnectionDriverName |
com.mysql.jdbc.Driver |
|
javax.jdo.option.ConnectionUserName |
hiveowner |
|
javax.jdo.option.ConnectionPassword |
Welcome_1 |
|
hive.execution.engine |
spark |
|
hive.enable.spark.execution.engine |
true |
|
spark.home |
/root/training/spark-2.0.0-bin-hadoop2-without-hive |
|
spark.master |
yarn-client |
|
spark.eventLog.enabled |
true |
|
spark.eventLog.dir |
hdfs://hive77:9000/sparkeventlog |
|
spark.serializer |
org.apache.spark.serializer.KryoSerializer |
|
spark.executor.memeory |
512m |
|
spark.driver.memeory |
512m |
f) 初始化MySQL数据库：schematool -dbType mysql -initSchema
g) 启动hive shell，并创建员工表，用于保存员工数据
h) 导入emp.csv文件：
load data local inpath '/root/temp/emp.csv' into table emp1;
i) 执行查询，按照员工薪水排序：（执行失败）
select * from emp1 order by sal;
j) 检查Yarn Web Console
该错误是由于是Yarn的虚拟内存计算方式导致，可在yarn-site.xml文件中，将yarn.nodemanager.vmem-check-enabled设置为false，禁用虚拟内存检查。
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
k) 重启：Hadoop、Spark、Hive，并执行查询
最后说明一下：由于配置好了Spark on Yarn，我们在执行Hive的时候，可以不用启动Spark集群，因为此时都有Yarn进行管理。
