python 之sparkSQL连接hive

可参考 https://blog.csdn.net/m0_46651978/article/details/111618085#comments_14329527

一、首先，linux上

====单节点方法====

1. 先把spark stop了：sbin/stop-all.sh
2. 把hive里面的hive-site.xml拷贝到spark234/conf中
cp /opt/bigdata/hadoop/hive110/conf/hive-site.xml /opt/bigdata/spark/spark234/conf/
3. 把mysql-connector拉到/opt/bigdata/spark/spark234/jars
4. 重启spark:sbin/start-all.sh

====集群方法，集群还是用黑界面吧====
以上过程中第2点增加： 把hive里面的core-site.xml & hdfs-site.xml拷贝到spark234/conf中

二、windows上

====单节点方法====

1. 配环境变量：SPARK_HOME:D:\spark-2.3.4-bin-hadoop2.6
　path ：%SPARK_HOME%\bin

2. 把一中linux中的spark234/conf直接覆盖到spark-2.3.4-bin-hadoop2.6/conf
（注意改hive-site.xml中的地址为虚拟机地址）
3. 把一中linux中的spark234/jars直接覆盖到spark-2.3.4-bin-hadoop2.6/jars 
4.Pycharm中：

settings -> interpreter -> 

+ joblib 存取模型

+ matplotlib

+ numpy

+ pyspark

+ scikit-learn

代码：

if __name__ == '__main__':
    spark=SparkSession.builder.appName("test")\
        .master("spark://192.168.56.111:7077")\
        .enableHiveSupport().getOrCreate()
    df=spark.sql("select * from dm_events.dm_usereventfinal limit 3")
    df.show()

报错：2020-12-24 21:44:54 WARN  TaskSchedulerImpl:66 - Initial job has not accepted any resources; 

解决方法：./spark-shell，使用命令 sc.getConf.getAll.foreach(println) 

 于是改成

from pyspark.sql import SparkSession

if __name__ == '__main__':
    spark=SparkSession.builder.appName("test")\
        .master("local[*]")\
        .enableHiveSupport().getOrCreate()
    df=spark.sql("select * from dm_events.dm_usereventfinal limit 3")
    df.show()

成功！