3.sparkSQL整合Hive

　　spark SQL經常需要訪問Hive metastore，Spark SQL可以通過Hive metastore獲取Hive表的元數據。從Spark 1.4.0開始，Spark SQL只需簡單的配置，就支持各版本Hive metastore的訪問。注意，涉及到metastore時Spar SQL忽略了Hive的版本。Spark SQL內部將Hive反編譯至Hive 1.2.1版本，Spark SQL的內部操作(serdes, UDFs, UDAFs, etc)都調用Hive 1.2.1版本的class。

原文和作者一起討論:http://www.cnblogs.com/intsmaze/p/6618841.html

　　Spark SQL和hive共用一套元數據庫

　　Spark SQL自己也可創建元數據庫，並不一定要依賴hive創建元數據庫，所以不需要一定啟動hive，只要有元數據庫，Spark SQL就可以使用。但是如果要像hive一樣持久化文件與表的關系就要使用hive，當然可以不啟動hive程序使用spark提供的HiveContext類即可。

 

　　1.將hive的hive-site.xml拷貝到放入$SPARK-HOME/conf目錄下,里面配置的是Hive metastore元數據存放在數據庫的位置，當然如果數據庫不存在，我們可以定義一個數據庫，然后程序在spark集群運行的時候就會自動創建對應的元數據庫。

<configuration>
        <property>
                <name>javax.jdo.option.ConnectionURL</name>
                <value>jdbc:mysql://192.168.19.131:3306/hivedb?createDatabaseIfNotExist=true</value>
        </property>
        <property>
                <name>javax.jdo.option.ConnectionDriverName</name>
                <value>com.mysql.jdbc.Driver</value>
        </property>
        <property>
                <name>javax.jdo.option.ConnectionUserName</name>
                <value>root</value>
        </property>
        <property>
                <name>javax.jdo.option.ConnectionPassword</name>
                <value>hadoop</value>
        </property>
</configuration>

 

2.如果hdfs配置了高可用，則還要把hadoop集群中的hdfs-site.xml和core-site.xml文件拷貝到spark/conf文件夾下面。

 

3.啟動spark-shell時指定mysql連接驅動位置

 

spark集群模式

bin/spark-shell \
 --master spark://intsmaze:7077 \
 --executor-memory 512m \
 --total-executor-cores 2\
 --driver-class-path /home/intsmaze/mysql-connector-java-5.1.35-bin.jar

 

sprk on yarn模式

bin/spark-shell \
 --master yarn \
 --executor-memory 512m \
 --total-executor-cores 2\
 --driver-class-path /home/intsmaze/mysql-connector-java-5.1.35-bin.jar

 

4.執行sql語句

 

　 使用sqlContext.sql調用HQL

　　val rdd=sqlContext.sql("select * from default.person limit 2")//現在就可以直接使用sql語句了，只是要指定查詢哪個庫的哪張表。
　　rdd.write.json("hdfs://192.168.19.131:9000/personresult")

 

　　使用org.apache.spark.sql.hive.HiveContext

import org.apache.spark.sql.hive.HiveContext
val hiveContext = new HiveContext(sc)
hiveContext.sql("select * from default.person ")

 

5.使用sprk-sql命令啟動shell模式

　　啟動spark-sql時指定mysql連接驅動位置(啟動spark-sql那么就和hive的操作一樣，里面可以直接寫sql語句進行操作)

bin/spark-sql\
--master spark://intsmaze:7077 \
--executor-memory 512m \
--total-executor-cores 3 \
--driver-class-path /home/intsmaze/mysql-connector-java-5.1.35-bin.jar

里面直接寫sql語句。

select * from default.person limit 2

　　

　　spark sql如何向元數據中添加數據？因為元數據庫中只是存放表對應數據在hdfs的地址，並沒有存放表的數據信息,spark sql可以創建表，但是無法向表中添加數據比如insert語句。注意與把DF數據存儲到數據庫不是一個概念。

 

6.Thrift JDBC/ODBC server

 

　　 Spark SQL實現Thrift JDBC/ODBC server,這就意味着我們可以像HIVE那樣通過JDBC遠程連接Spark SQL發送SQL語句並執行。在這之前需要先將${HIVE_HOME}/conf/hive-site.xml 拷貝到${SPARK_HOME}/conf目錄下，由於我的hive配置了元數據信息存儲在MySQL中，所以Spark在訪問這些元數據信息時需要mysql連接驅動的支持。

 

添加驅動的方式有三種：

　　第一種是在${SPARK_HOME}/conf目錄下的spark-defaults.conf中添加：spark.jars /intsmaze/lib/mysql-connector-java-5.1.26-bin.jar。

　　第二種是通過添加 ：spark.driver.extraClassPath /intsmaze/lib2/mysql-connector-java-5.1.26-bin.jar這種方式也可以實現添加多個依賴jar，比較方便。

　　第三種是在運行時添加 --jars /intsmaze/lib2/mysql-connector-java-5.1.26-bin.jar。

啟動thrift

　　在spark根目錄下執行：./sbin/start-thriftserver.sh 開啟thrift服務器。

./start-thriftserver.sh --jars /home/hadoop/mysql-connector-java-5.1.35-bin.jar --master yarn

　　start-thriftserver.sh 和spark-submit的用法類似，可以接受所有spark-submit的參數，並且還可以接受--hiveconf 參數。不添加任何參數表示以local方式運行,默認的監聽端口為10000

 

用beeline測試

在spark根目錄下執行：

./bin/beeline

連接 JDBC/ODBC server

beeline> !connect jdbc:hive2://localhost:10000

連接后會提示輸入用戶名和密碼，用戶名可以填當前登陸的linux用戶名，密碼為空即可。

 

在java代碼中用jdbc連接

接下來打開eclipse用jdbc連接hiveserver2，連接hive的步驟同樣如此。

在pom.xml添加以下依賴：

 <dependency>  
        <groupId>org.apache.hive</groupId>  
        <artifactId>hive-jdbc</artifactId>  
        <version>1.2.1</version>  
</dependency>  
   
<dependency>  
        <groupId>org.apache.hadoop</groupId>  
        <artifactId>hadoop-common</artifactId>  
       <version>2.4.1</version>  
</dependency>  
  
<dependency>  
       <groupId>jdk.tools</groupId>  
       <artifactId>jdk.tools</artifactId>  
       <version>1.6</version>  
       <scope>system</scope>  
       <systemPath>${JAVA_HOME}/lib/tools.jar</systemPath>  
   </dependency>  

 

驅動：org.apache.hive.jdbc.HiveDriver

url：jdbc:hive2://192.168.19.131:10000/default

用戶名：hadoop (啟動thriftserver的linux用戶名)

密碼：“”（默認密碼為空）

 

import java.sql.Connection; import java.sql.DriverManager; import java.sql.ResultSet; import java.sql.SQLException; import java.sql.Statement; public class Test1 { public static void main(String[] args) throws SQLException { String url = "jdbc:hive2://192.168.19.131:10000/default"; try { Class.forName("org.apache.hive.jdbc.HiveDriver"); } catch (ClassNotFoundException e) { e.printStackTrace(); } Connection conn = DriverManager.getConnection(url,"hadoop",""); Statement stmt = conn.createStatement(); String sql = "SELECT * FROM personlimit 10"; ResultSet res = stmt.executeQuery(sql); while(res.next()){ System.out.println("id: "+res.getInt(1)+"\tname: "+res.getString(2)+"\tage:" + res.getInt(3)); } } } 

這種方式，可以在yarn的管理界面看到，會長起一個任務，該任務負責跑sql語句，但是不能並行跑sql語句，就是同時為兩個用戶輸入的查詢語句同時跑，必須等一個跑完了再跑第二個。

 

spark sql可視化

第一種方案:
將spark sql代碼打包，sql語句和結果存儲位置作為參數，java代碼收集這些參數后，組裝為命令，調用腳本來向集群提交jar包。

第二種方案：
根據Spark官網所述，Spark SQL實現了Thrift JDBC/ODBC server

最后，這篇文章很久了，一直編輯沒有發布，我現在已經一年不搞spark了，專注java核心技術的研究。