文章目录
Hive 引擎简介环境配置 （ssh已经搭好）JDK准备Hadoop 准备配置集群启动集群LZO压缩配置 Hive 准备Hive 元数据配置到 MySQL Spark 准备Hive on Spark 配置Hive on Spark测试Spark on yarn & spark on hive配置Hive 引擎简介
Hive 引擎包括：默认 MR、tez、spark
最底层的引擎就是MR （Mapreduce）无需配置，Hive运行自带
Hive on Spark：Hive 既作为存储元数据又负责 SQL 的解析优化，语法是 HQL 语法，执行引擎变成了 Spark，Spark 负责采用 RDD 执行。
Spark on Hive : Hive 只作为存储元数据，Spark 负责 SQL 解析优化，语法是 Spark SQL语法，Spark 负责采用 RDD 执行。
环境配置 （ssh已经搭好）
Java 1.8.0+Hadoop 2.7.0MySQLHive 3.1.2Spark 2.3.0为了方便只用单台虚拟机去跑，多台和单台一个套路，分发即可
JDK准备
1）卸载现有JDK
sudo rpm -qa | grep -i java | xargs -n1 sudo rpm -e --nodeps
2）解压JDK到/opt/module目录下
tar -zxvf jdk-8u212-linux-x64.tar.gz -C /opt/module/
3）配置JDK环境变量
1）进入 /etc/profile
添加如下内容，然后保存（:wq）退出
#JAVA_HOMEexport JAVA_HOME=/opt/module/jdk1.8.0_212export PATH=$PATH:$JAVA_HOME/bin
2）让环境变量生效
source /etc/profile
3）测试JDK是否安装成功
java -version
Hadoop 准备
部署
1）进入到Hadoop安装包路径下
cd /opt/software/
2）解压安装文件到/opt/module下面
/release/2.7.0.html
wget /dist/hadoop/common/hadoop-2.7.0/hadoop-2.7.0.tar.gztar -zxvf hadoop-2.7.0.tar.gz -C /opt/module/
3）将Hadoop添加到环境变量
1）获取Hadoop安装路径
/opt/module/hadoop-2.7.0
（2）打开/etc/profile文件
sudo vim /etc/profile在profile文件末尾添加JDK路径：（shitf+g）#HADOOP_HOMEexport HADOOP_HOME=/opt/module/hadoop-2.7.0export PATH=$PATH:$HADOOP_HOME/binexport PATH=$PATH:$HADOOP_HOME/sbin
(3)
source /etc/profile
配置集群
1）核心配置文件
配置core-site.xml (hadoop-2.7.0/etc/hadoop/core-site.xml )
<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><!-- 指定NameNode的地址 --><property><name>fs.defaultFS</name><value>hdfs://192.168.1.250:8020</value></property><!-- 指定hadoop数据的存储目录 --><property><name>hadoop.tmp.dir</name><value>/mnt/data_online/hadoop-data</value></property><property><name>hadoop.http.staticuser.user</name><value>atomecho</value></property><!-- 配置该luanhao(superUser)允许通过代理访问的主机节点 --><property><name>hadoop.proxyuser.atomecho.hosts</name><value>*</value></property><!-- 配置该luanhao(superUser)允许通过代理用户所属组 --><property><name>hadoop.proxyuser.atomecho.groups</name><value>*</value></property><!-- 配置该luanhao(superUser)允许通过代理的用户--><property><name>hadoop.proxyuser.atomecho.groups</name><value>*</value></property><property><name>pression.codecs</name><value>org.apache.press.GzipCodec,org.apache.press.DefaultCodec,org.apache.press.BZip2Codec,org.apache.press.SnappyCodec,pression.lzo.LzoCodec,pression.lzo.LzopCodec</value></property><property><name>pression.codec.lzo.class</name><value>pression.lzo.LzoCodec</value></property></configuration>
2）HDFS配置文件
配置hdfs-site.xml
<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><!-- nn web端访问地址--><property><name>dfs.namenode.http-address</name><value>192.168.1.250:9870</value></property><!-- 2nn web端访问地址--><property><name>dfs.namenode.secondary.http-address</name><value>192.168.1.250:9868</value></property><!-- 测试环境指定HDFS副本的数量1 --><property><name>dfs.replication</name><value>1</value></property></configuration>
3）YARN配置文件
配置yarn-site.xml
<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><!-- 指定MR走shuffle --><property><name>yarn.nodemanager.aux-services</name><value>mapreduce_shuffle</value></property><!-- 指定ResourceManager的地址--><property><name>yarn.resourcemanager.hostname</name><value>192.168.1.250</value></property><!-- 环境变量的继承 --><property><name>yarn.nodemanager.env-whitelist</name><value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value></property><!-- yarn容器允许分配的最大最小内存 --><property><name>yarn.scheduler.minimum-allocation-mb</name><value>512</value></property><property><name>yarn.scheduler.maximum-allocation-mb</name><value>12288</value></property><!-- yarn容器允许管理的物理内存大小 --><property><name>yarn.nodemanager.resource.memory-mb</name><value>12288</value></property><!-- 关闭yarn对物理内存和虚拟内存的限制检查 --><property><name>yarn.nodemanager.pmem-check-enabled</name><value>false</value></property><property><name>yarn.nodemanager.vmem-check-enabled</name><value>false</value></property><!-- 开启日志聚集功能 --><property><name>yarn.log-aggregation-enable</name><value>true</value></property><!-- 设置日志聚集服务器地址 --><property><name>yarn.log.server.url</name><value>http://192.168.1.250:19888/jobhistory/logs</value></property><!-- 设置日志保留时间为7天 --><property><name>yarn.log-aggregation.retain-seconds</name><value>604800</value></property></configuration>
4）MapReduce配置文件
配置mapred-site.xml
<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><!-- 指定MapReduce程序运行在Yarn上 --><property><name>mapreduce.framework.name</name><value>yarn</value></property><!-- 历史服务器端地址 --><property><name>mapreduce.jobhistory.address</name><value>192.168.1.250:10020</value></property><!-- 历史服务器web端地址 --><property><name>mapreduce.jobhistory.webapp.address</name><value>192.168.1.250:19888</value></property></configuration>
5）配置workers
192.168.1.250
6）配置hadoop-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_212
启动集群
（1）如果集群是第一次启动，需要在192.168.1.250节点格式化NameNode（注意格式化之前，一定要先停止上次启动的所有namenode和datanode进程，然后再删除data和log数据）
bin/hdfs namenode -format
(2）启动HDFS
sbin/start-dfs.sh
（3）在配置了ResourceManager的节点启动YARN
sbin/start-yarn.sh
（4）Web端查看HDFS的Web页面：http://192.168.1.250:9870
（5）Web端查看SecondaryNameNode : http://192.168.1.250:9868/status.html （单机模式下面什么都没有）
6）Web端查看ResourceManager ： http://192.168.1.250:8088/cluster
LZO压缩配置
编译hadoop-lzowget /opensource/lzo/download/lzo-2.10.tar.gztar -zxvf lzo-2.10.tar.gzcd lzo-2.10./configure --enable-shared --prefix /usr/local/lzo-2.10make && sudo make install# build hadoop-lzoC_INCLUDE_PATH=/usr/local/lzo-2.10/include \LIBRARY_PATH=/usr/local/lzo-2.10/lib \mvn clean package
2）将编译好后的 hadoop-lzo-0.4.20.jar 放入 /opt/module/hadoop-2.7.0/share/hadoop/common/
$ pwd/opt/module/hadoop-2.7.0/share/hadoop/common/$ lshadoop-lzo-0.4.20.jar
2）core-site.xml 增加配置支持 LZO 压缩
<configuration><property><name>pression.codecs</name><value>org.apache.press.GzipCodec,org.apache.press.DefaultCodec,org.apache.press.BZip2Codec,org.apache.press.SnappyCodec,pression.lzo.LzoCodec,pression.lzo.LzopCodec</value></property><property><name>pression.codec.lzo.class</name><value>pression.lzo.LzoCodec</value></property></configuration>
Hadoop 2.x 端口号 总结
MySQL准备
安装mysql
1）进入msyql 库
mysql> use mysql
2）查询 user 表
mysql> select user, host from user;
3）修改 user 表，把 Host 表内容修改为%
mysql> update user set host="%" where user="root";
4）刷新
mysql> flush privileges;
Hive 准备
下载hive：/hive/
1）把 apache-hive-3.1.2-bin.tar.gz上传到 linux 的/opt/software 目录下
2）解压 apache-hive-3.1.2-bin.tar.gz 到/opt/module目录下面
tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/
3）修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive
mv /opt/module/apache-hive-3.1.2-bin/ /opt/module/hive
4）修改/etc/profile，添加环境变量
sudo vim /etc/profile添加内容#HIVE_HOMEexport HIVE_HOME=/opt/module/hiveexport PATH=$PATH:$HIVE_HOME/bin
source 一下 /etc/profile 文件，使环境变量生效
source /etc/profile
Hive 元数据配置到 MySQL
拷贝驱动下载mysql JDBC： /maven2/mysql/mysql-connector-java/8.0.30/
将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下
cp /opt/software/mysql-connector-j-8.0.33.jar /opt/module/hive/lib/
配置 Metastore 到 MySQL
在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件
vim hive-site.xml
添加如下内容
<?xml version="1.0"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration><property><name>javax.jdo.option.ConnectionURL</name><value>jdbc:mysql://192.168.1.249:3306/metastore?useSSL=false</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>Lettcue2kg</value></property><property><name>hive.metastore.warehouse.dir</name><value>/user/hive/warehouse</value></property><property><name>hive.metastore.schema.verification</name><value>false</value></property><property><name>hive.server2.thrift.port</name><value>10000</value></property><property><name>hive.server2.thrift.bind.host</name><value>192.168.1.249</value></property><property><name>hive.metastore.event.db.notification.api.auth</name><value>false</value></property><property><name>hive.cli.print.header</name><value>true</value></property><property><name>hive.cli.print.current.db</name><value>true</value></property><!--Spark 依赖位置（注意：端口号 8020 必须和 namenode 的端口号一致）--><property><name>spark.yarn.jars</name><value>hdfs://192.168.1.250:8020/spark-jars/*</value></property><!--Hive 执行引擎--><property><name>hive.execution.engine</name><value>spark</value></property><!--Hive 和 Spark 连接超时时间--><property><name>hive.spark.client.connect.timeout</name><value>10000ms</value></property></configuration>
启动 Hive
初始化元数据库
1）登陆MySQL
mysql -uroot -p
2）新建 Hive 元数据库
mysql> create database metastore;mysql> quit;
3）初始化 Hive 元数据库
schematool -initSchema -dbType mysql -verbose
启动 hive 客户端
1）启动 Hive 客户端
bin/hive
2）查看一下数据库
hive (default)> show databases;OKdatabase_namedefault
Spark 准备
（1）Spark 官网下载 jar 包地址：
/downloads.html
（2）上传并解压解压 spark-2.3.0-bin-hadoop2.7.tgz
wget /dist/spark/spark-2.3.0/spark-2.3.0-bin-hadoop2.7.tgztar -zxvf spark-2.3.0-bin-hadoop2.7.tgz -C /opt/module/ mv /opt/module/spark-2.3.0-bin-hadoop2.7 /opt/module/spark
（3）配置 SPARK_HOME 环境变量
sudo vim /etc/profile添加如下内容# SPARK_HOMEexport SPARK_HOME=/opt/module/sparkexport PATH=$PATH:$SPARK_HOME/bin
source 使其生效
source /etc/profile
（4）在hive 中创建 spark 配置文件
vim /opt/module/hive/conf/spark-defaults.conf添加如下内容（在执行任务时，会根据如下参数执行）spark.master yarnspark.eventLog.enabled truespark.eventLog.dir hdfs://192.168.1.250:8020/spark-historyspark.executor.memory 2gspark.driver.memory 1g
在 HDFS 创建如下路径，用于存储历史日志
hadoop fs -mkdir /spark-history
（5）向 HDFS 上传 Spark 纯净版 jar 包
上传并解压 spark-2.3.0-bin-without-hadoop.tgz
tar -zxvf /opt/software/spark-2.3.0-bin-without-hadoop.tgz
6）上传 Spark 纯净版 jar 包到 HDFS
hadoop fs -mkdir /spark-jarshadoop fs -put spark-2.3.0-bin-without-hadoop/jars/* /spark-jars
Hive on Spark 配置
修改 hive-site.xml 文件
vim /opt/module/hive/conf/hive-site.xml添加如下内容<!--Spark 依赖位置（注意：端口号 8020 必须和 namenode 的端口号一致）--><property><name>spark.yarn.jars</name><value>hdfs://192.168.1.250:8020/spark-jars/*</value></property><!--Hive 执行引擎--><property><name>hive.execution.engine</name><value>spark</value></property><!--Hive 和 Spark 连接超时时间--><property><name>hive.spark.client.connect.timeout</name><value>10000ms</value></property>
1）兼容性说明
注意：官网下载的 Hive3.1.2 和 Spark3.0.0 默认是不兼容的。因为 Hive3.1.2 支持的 Spark版本是 2.4.5，所以需要我们重新编译 Hive3.1.2 版本。
编译步骤：官网下载 Hive3.1.2 源码，修改 pom 文件中引用的 Spark 版本为 3.0.0，如果编译通过，直接打包获取 jar 包。如果报错，就根据提示，修改相关方法，直到不报错，打包获取 jar 包。
Hive on Spark测试
1）启动 hive 客户端
bin/hive
（2）创建一张测试表
hive (default)> create table huanhuan(id int, name string);
hive (default)> show tables;OKtab_namehuanhuanTime taken: 0.117 seconds, Fetched: 1 row(s)
3）通过 insert 测试效果
hive (default)> insert into huanhuan values(1,'haoge');Query ID = root_0604114221_a1118af6-6182-455b-80fa-308382ddbee0Total jobs = 1Launching Job 1 out of 1In order to change the average load for a reducer (in bytes):set hive.exec.reducers.bytes.per.reducer=<number>In order to limit the maximum number of reducers:set hive.exec.reducers.max=<number>In order to set a constant number of reducers:set mapreduce.job.reduces=<number>Running with YARN Application = application_1685849514092_0001Kill Command = /opt/module/hadoop-2.7.0/bin/yarn application -kill application_1685849514092_0001Hive on Spark Session Web UI URL: http://192.168.1.250:43725Query Hive on Spark job[0] stages: [0, 1]Spark job[0] status = RUNNING--------------------------------------------------------------------------------------STAGES ATTEMPT STATUS TOTAL COMPLETED RUNNING PENDING FAILED--------------------------------------------------------------------------------------Stage-0 ........ 0FINISHED11 0 0 0Stage-1 ........ 0FINISHED11 0 0 0--------------------------------------------------------------------------------------STAGES: 02/02 [==========================>>] 100% ELAPSED TIME: 23.28 s--------------------------------------------------------------------------------------Spark job[0] finished successfully in 23.28 second(s)Loading data to table default.huanhuanOKcol1col2Time taken: 98.25 seconds
Spark on yarn & spark on hive配置
编辑 SPARK_HOME/conf/spark-defaults.confspark.master yarnspark.driver.memory 512mspark.yarn.am.memory 512mspark.executor.memory 512m# 配置spark日志spark.eventLog.enabled truespark.eventLog.dir hdfs://192.168.1.250:8020/spark-logsspark.history.provider org.apache.spark.deploy.history.FsHistoryProviderspark.history.fs.logDirectory hdfs://192.168.1.250:8020/spark-logsspark.history.fs.update.interval 10sspark.history.ui.port 18080
编辑/etc/profile
export HADOOP_HOME=/opt/module/hadoop-2.7.0export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoopexport LD_LIBRARY_PATH=$HADOOP_HOME/lib/native:$LD_LIBRARY_PATH
source/etc/profile
source /etc/profile
拷贝hadoop和hive的配置到spark
把hadoop下的
core-site.xml
hdfs-site.xml
拷贝到 SPARK_HOME/conf/
hive下的配置
hive-site.xml
拷贝到 SPARK_HOME/conf/
拷贝mysql的驱动
cp mysql-connector-java-5.1.38-bin.jar $SPARK_HOME/jars/
例子
main.py
import pysparkfrom pyspark.sql import SparkSessionfrom pyspark.sql import Rowspark = SparkSession.builder.enableHiveSupport().getOrCreate()df=spark.sql("show databases")df.show()# https://www.projectpro.io/recipes/write-csv-data-table-hive-pyspark
提交脚本
submit.sh
SPARK_PATH=/opt/module/sparkYARN_QUEUE=default# DEPLOY_MODE=clusterDEPLOY_MODE=client${SPARK_PATH}/bin/spark-submit \--master yarn \--name "spark_demo_lr" \--queue ${YARN_QUEUE} \--deploy-mode ${DEPLOY_MODE} \--driver-memory 4g \--driver-cores 2 \--executor-memory 4g \--executor-cores 2 \--num-executors 2 \--conf spark.default.parallelism=10 \--conf spark.executor.memoryOverhead=2g \--conf spark.driver.memoryOverhead=1g \--conf spark.yarn.maxAppAttempts=1 \--conf spark.yarn.submit.waitAppCompletion=true \./main.py
