Hive on Spark安裝配置詳解（都是坑啊）

個人主頁：http://www.linbingdong.com
簡書地址：http://www.jianshu.com/p/a7f75b868568

簡介

本文主要記錄如何安裝配置Hive on Spark，在執行以下步驟之前，請先確保已經安裝Hadoop集群，Hive，MySQL，JDK，Scala，具體安裝步驟不再贅述。

背景

Hive默認使用MapReduce作為執行引擎，即Hive on mr。實際上，Hive還可以使用Tez和Spark作為其執行引擎，分別為Hive on Tez和Hive on Spark。由於MapReduce中間計算均需要寫入磁盤，而Spark是放在內存中，所以總體來講Spark比MapReduce快很多。因此，Hive on Spark也會比Hive on mr快。為了對比Hive on Spark和Hive on mr的速度，需要在已經安裝了Hadoop集群的機器上安裝Spark集群（Spark集群是建立在Hadoop集群之上的，也就是需要先裝Hadoop集群，再裝Spark集群，因為Spark用了Hadoop的HDFS、YARN等），然后把Hive的執行引擎設置為Spark。

Spark運行模式分為三種1、Spark on YARN 2、Standalone Mode 3、Spark on Mesos。
Hive on Spark默認支持Spark on YARN模式，因此我們選擇Spark on YARN模式。Spark on YARN就是使用YARN作為Spark的資源管理器。分為Cluster和Client兩種模式。

一、環境說明

本教程Hadoop相關軟件全部基於CDH5.5.1，用yum安裝，系統環境如下：

• 操作系統：CentOS 7.2
• Hadoop 2.6.0
• Hive1.1.0
• Spark1.5.0
• MySQL 5.6
• JDK 1.8
• Maven 3.3.3
• Scala 2.10

各節點規划如下：

192.168.117.51     Goblin01           nn1  jn1  rm1  worker  master  hive  metastore  mysql
192.168.117.52     Goblin02    zk2    nn2  jn2  rm2  worker          hive
192.168.117.53     Goblin03    zk3    dn1  jn3       worker          hive
192.168.117.54     Goblin04    zk4    dn2            worker          hive

說明：Goblin01~04是每台機器的hostname，zk代表zookeeper，nn代表hadoop的namenode，dn代表datanode，jn代表journalnode，rm代表resourcemanager，worker代表Spark的slaves，master代表Spark的master

二、編譯和安裝Spark（Spark on YARN）

2.1 編譯Spark源碼

要使用Hive on Spark，所用的Spark版本必須不包含Hive的相關jar包，hive on spark 的官網上說“Note that you must have a version of Spark which does not include the Hive jars”。在spark官網下載的編譯的Spark都是有集成Hive的，因此需要自己下載源碼來編譯，並且編譯的時候不指定Hive。

我們這里用的Spark源碼是spark-1.5.0-cdh5.5.1版本,下載地址如下：

http://archive.cloudera.com/cdh5/cdh/5/spark-1.5.0-cdh5.5.1-src.tar.gz

下載完后用 tar xzvf 命令解壓，進入解壓完的文件夾，准備編譯。

注意：編譯前請確保已經安裝JDK、Maven和Scala，maven為3.3.3及以上版本，並在/etc/profile里配置環境變量。

命令行進入在源碼根目錄下，執行

  ./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.6,parquet-provided"

若編譯過程出現內存不足的情況，需要在運行編譯命令之前先運行：

export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m"

來設置Maven的內存。

編譯過程由於要下載很多Maven依賴的jar包，需要時間較長（大概一兩個小時），要保證網絡狀況良好，不然很容易編譯失敗。若出現以下結果，則編譯成功：

編譯成功后，會在源碼根目錄下多出一個文件(紅色部分）：

spark-1.5.0-cdh5.5.1-bin-hadoop2-without-hive.tgz

2.2 安裝Spark

• 將編譯完生成的spark-1.5.0-cdh5.5.1-bin-hadoop2-without-hive.tgz拷貝到Spark的安裝路徑，並用 tar -xzvf 命令解壓

• 配置環境變量

  $vim /etc/profile
  export SPARK_HOME=spark安裝路徑
  $source /etc/profile
  

2.3 配置Spark

配置spark-env.sh、slaves和spark-defaults.conf三個文件

• spark-env.sh

主要配置JAVA_HOME、SCALA_HOME、HADOOP_HOME、HADOOP_CONF_DIR、SPARK_MASTER_IP等

export JAVA_HOME=/usr/lib/jvm/java
export SCALA_HOME=/root/scala
export HADOOP_HOME=/usr/lib/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop 
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SPARK_LAUNCH_WITH_SCALA=0
export SPARK_WORKER_MEMORY=1g
export SPARK_DRIVER_MEMORY=1g
export SPARK_MASTER_IP=192.168.117.51
export SPARK_LIBRARY_PATH=/root/spark-without-hive/lib
export SPARK_MASTER_WEBUI_PORT=18080
export SPARK_WORKER_DIR=/root/spark-without-hive/work
export SPARK_MASTER_PORT=7077
export SPARK_WORKER_PORT=7078
export SPARK_LOG_DIR=/root/spark-without-hive/log
export SPARK_PID_DIR='/root/spark-without-hive/run'

• slaves（將所有節點都加入，master節點同時也是worker節點）

Goblin01
Goblin02
Goblin03
Goblin04

• spark-defaults.conf

 spark.master                     yarn-cluster
 spark.home                       /root/spark-without-hive
 spark.eventLog.enabled           true
 spark.eventLog.dir               hdfs://Goblin01:8020/spark-log
 spark.serializer                 org.apache.spark.serializer.KryoSerializer
 spark.executor.memory            1g
 spark.driver.memory              1g
 spark.executor.extraJavaOptions  -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"

spark.master指定Spark運行模式，可以是yarn-client、yarn-cluster...

spark.home指定SPARK_HOME路徑

spark.eventLog.enabled需要設為true

spark.eventLog.dir指定路徑，放在master節點的hdfs中，端口要跟hdfs設置的端口一致（默認為8020），否則會報錯

spark.executor.memory和spark.driver.memory指定executor和dirver的內存，512m或1g，既不能太大也不能太小，因為太小運行不了，太大又會影響其他服務

三、配置YARN

配置yarn-site.xml，跟hdfs-site.xml在同一個路徑下（$HADOOP_HOME/etc/hadoop)

<property>
  <name>yarn.resourcemanager.scheduler.class</name>
  <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value>
</property>

四、配置Hive

• 添加spark依賴到hive(將spark-assembly-1.5.0-cdh5.5.1-hadoop2.6.0.jar拷貝到$HIVE_HOME/lib目錄下）

進入SPARK_HOME

cp spark-assembly-1.5.0-cdh5.5.1-hadoop2.6.0.jar /usr/lib/hive/lib

• 配置hive-site.xml

配置的內容與spark-defaults.conf相同，只是形式不一樣,以下內容是追加到hive-site.xml文件中的,並且注意前兩個配置，如果不設置hive的spark引擎用不了，在后面會有詳細的錯誤說明。

<property>
  <name>hive.execution.engine</name>
  <value>spark</value>
</property>

<property>
  <name>hive.enable.spark.execution.engine</name>
  <value>true</value>
</property>

<property>
  <name>spark.home</name>
  <value>/root/spark-without-hive</value>
</property>
<property>
  <name>spark.master</name>
  <value>yarn-client</value>
</property>
<property>
  <name>spark.enentLog.enabled</name>
  <value>true</value>
</property>
<property>
  <name>spark.enentLog.dir</name>
  <value>hdfs://Goblin01:8020/spark-log</value>
</property>
<property>
  <name>spark.serializer</name>
  <value>org.apache.spark.serializer.KryoSerializer</value>
</property>
<property>
  <name>spark.executor.memeory</name>
  <value>1g</value>
</property>
<property>
  <name>spark.driver.memeory</name>
  <value>1g</value>
</property>
<property>
  <name>spark.executor.extraJavaOptions</name>
  <value>-XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"</value>
</property>

五、驗證是否安裝配置成功

1.驗證Spark集群

注意：在啟動Spark集群之前，要確保Hadoop集群和YARN均已啟動

• 進入$SPARK_HOME目錄，執行：

./sbin/start-all.sh

用jps命令查看51節點上的master和worker，52、53、54節點上的worker是否都啟動了

• 同樣在$SPARK_HOME目錄下，提交計算Pi的任務，驗證Spark集群是否能正常工作，運行如下命令

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

若無報錯，並且算出Pi的值，說明Spark集群能正常工作

2.驗證Hive on Spark是否可用

• 命令行輸入 hive，進入hive CLI
• set hive.execution.engine=spark; (將執行引擎設為Spark，默認是mr，退出hive CLI后，回到默認設置。若想讓引擎默認為Spark，需要在hive-site.xml里設置）
• create table test(ts BIGINT,line STRING); (創建表）
• select count(*) from test;
• 若整個過程沒有報錯，並出現正確結果，則Hive on Spark配置成功。

六、遇到的問題

0

編譯spark基於maven有兩種方式

• 用mvn 命令編譯

./build/mvn -Pyarn -Phadoop-2.6 -Dhadoop.version=2.6.0 -DskipTests clean package 

編譯到倒數MQTT模塊一直報錯，而且編譯出的文件比較大，不適合安裝集群，因此不推薦。使用Intellij IDEA maven 插件報錯如下：

• 使用spark提供的預編譯腳本，網絡狀況穩定，會編譯出需要的安裝版本，推薦。命令

./make-distribution.sh --name "hadoop2-without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.6,parquet-provided"

結果如上文所述。

1

運行：

./bin/spark-submit --class org.apache.spark.examples.SparkPi  --master yarn  lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

報錯：

原因：

hdfs的默認端口為8020 ，而我們在spark-default.conf中配置成了8021端口，導致連接不上HDFS報錯

spark.eventLog.enabled           true
spark.eventLog.dir              hdfs://Goblin01:8021/spark-log

解決：

配置spark-default.conf中的spark.eventLog.dir 為本地路徑，也就是不持久化日志到hdfs上，也就沒有和hdfs的通行

or

spark-default.conf 注釋掉 spark.eventLog.enabled   true

or

在spark-default.conf里配置的eventLog端口跟hdfs的默認端口（8020）一致

or

由於配置的hdfs是高可用的，51,52都可以作為namenode,我們的spark集群的主節點在51上，當51上的namenode變成standby，導致無法訪問hdfs的8020端口（hdfs默認端口），也就是說在51上讀不出hdfs上spark-log的內容，在spark-default.conf中配置為spark.eventLog.dir hdfs://Goblin01:8021/spark-log，如果發生這種情況，直接kill掉52，讓namenode只在51上運行。（這個后面要搭建spark的高可用模式解決）

2

運行：

在hive里設置引擎為spark，執行select count(*) from a;

報錯：

Failed to execute spark task, with exception 'org.apache.hadoop.hive.ql.metadata.HiveException(Unsupported execution engine: Spark. Please set hive.execution.engine=mr)'

解決：

這是因為CDH版的Hive默認運行支持Hive on Spark（By default, Hive on Spark is not enabled）.

需要用cloudera manager（cloudera官網給的的方法，但是要裝cloudera manager，比較麻煩，不建議）

Go to the Hive service.
Click the Configuration tab.
Enter Enable Hive on Sparkin the Search field.
Check the box for Enable Hive on Spark (Unsupported).
Locate the Spark On YARN Service and click SPARK_ON_YARN.
Click Save Changes to commit the changes.

或者

在hive-site.xml添加配置(簡單、推薦）

<property>
<name>hive.enable.spark.execution.engine</name>
<value>true</value>
</property>

3

終端輸入hive無法啟動hive CLI

原因：namenode掛了

解決：重啟namenode

4

運行：

./bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode client lib/spark-examples-1.5.0-cdh5.5.1-hadoop2.6.0.jar 10

問題：

沒有報錯，但是出現以下情況，停不下來

原因：

1. ResourceManager或者NodeManager掛掉，一直沒有NodeManager響應，任務無法執行，所有停不下來。
2. 還有一種情況是spark有別的application在運行，導致本次spark任務的等待或者失敗

解決：

1. 對於原因1，重啟ResourceManager和NodeManager。

service hadoop-yarn-resourcemanager start;
service hadoop-yarn-nodemanager start;

2. 對於原因2，解決辦法是在hadoop配置文件中設置yarn的並行度，在/etc/hadoop/conf/capacity-scheduler.xml文件中配置yarn.scheduler.capacity.maximum-am-resource-percent from 0.1 to 0.5

 <property>
    <name>yarn.scheduler.capacity.maximum-am-resource-percent</name>
    <value>0.5</value>
    <description>
      Maximum percent of resources in the cluster which can be used to run
      application masters i.e. controls number of concurrent running
      applications.
    </description>
  </property>

七、參考資料

• https://cwiki.apache.org/confluence/display/Hive/Hive+on+Spark:+Getting+Started

• http://www.cloudera.com/documentation/enterprise/5-5-x/topics/admin_hos_config.html

• http://spark.apache.org/docs/latest/building-spark.html

• http://stackoverflow.com/questions/31743586/apache-spark-running-locally-giving-refused-connection-error

• http://stackoverflow.com/questions/30828879/application-report-for-application-state-accepted-never-ends-for-spark-submi

• http://www.voidcn.com/blog/tianyiii/article/p-5986990.html

• http://www.imooc.com/article/8613

• http://lxw1234.com/archives/2016/05/673.htm

歡迎進入博客 ：linbingdong.com 獲取最新文章哦~

歡迎關注公眾號: FullStackPlan 獲取更多干貨哦~