3.sparkSQL整合Hive

　　spark SQL经常需要访问Hive metastore，Spark SQL可以通过Hive metastore获取Hive表的元数据。从Spark 1.4.0开始，Spark SQL只需简单的配置，就支持各版本Hive metastore的访问。注意，涉及到metastore时Spar SQL忽略了Hive的版本。Spark SQL内部将Hive反编译至Hive 1.2.1版本，Spark SQL的内部操作(serdes, UDFs, UDAFs, etc)都调用Hive 1.2.1版本的class。

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

　　Spark SQL和hive共用一套元数据库

　　Spark SQL自己也可创建元数据库，并不一定要依赖hive创建元数据库，所以不需要一定启动hive，只要有元数据库，Spark SQL就可以使用。但是如果要像hive一样持久化文件与表的关系就要使用hive，当然可以不启动hive程序使用spark提供的HiveContext类即可。

 

　　1.将hive的hive-site.xml拷贝到放入$SPARK-HOME/conf目录下,里面配置的是Hive metastore元数据存放在数据库的位置，当然如果数据库不存在，我们可以定义一个数据库，然后程序在spark集群运行的时候就会自动创建对应的元数据库。

<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，则还要把hadoop集群中的hdfs-site.xml和core-site.xml文件拷贝到spark/conf文件夹下面。

 

3.启动spark-shell时指定mysql连接驱动位置

 

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.执行sql语句

 

　 使用sqlContext.sql调用HQL

　　val rdd=sqlContext.sql("select * from default.person limit 2")//现在就可以直接使用sql语句了，只是要指定查询哪个库的哪张表。
　　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命令启动shell模式

　　启动spark-sql时指定mysql连接驱动位置(启动spark-sql那么就和hive的操作一样，里面可以直接写sql语句进行操作)

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

里面直接写sql语句。

select * from default.person limit 2

　　

　　spark sql如何向元数据中添加数据？因为元数据库中只是存放表对应数据在hdfs的地址，并没有存放表的数据信息,spark sql可以创建表，但是无法向表中添加数据比如insert语句。注意与把DF数据存储到数据库不是一个概念。

 

6.Thrift JDBC/ODBC server

 

　　 Spark SQL实现Thrift JDBC/ODBC server,这就意味着我们可以像HIVE那样通过JDBC远程连接Spark SQL发送SQL语句并执行。在这之前需要先将${HIVE_HOME}/conf/hive-site.xml 拷贝到${SPARK_HOME}/conf目录下，由于我的hive配置了元数据信息存储在MySQL中，所以Spark在访问这些元数据信息时需要mysql连接驱动的支持。

 

添加驱动的方式有三种：

　　第一种是在${SPARK_HOME}/conf目录下的spark-defaults.conf中添加：spark.jars /intsmaze/lib/mysql-connector-java-5.1.26-bin.jar。

　　第二种是通过添加 ：spark.driver.extraClassPath /intsmaze/lib2/mysql-connector-java-5.1.26-bin.jar这种方式也可以实现添加多个依赖jar，比较方便。

　　第三种是在运行时添加 --jars /intsmaze/lib2/mysql-connector-java-5.1.26-bin.jar。

启动thrift

　　在spark根目录下执行：./sbin/start-thriftserver.sh 开启thrift服务器。

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

　　start-thriftserver.sh 和spark-submit的用法类似，可以接受所有spark-submit的参数，并且还可以接受--hiveconf 参数。不添加任何参数表示以local方式运行,默认的监听端口为10000

用beeline测试

在spark根目录下执行：

./bin/beeline

连接 JDBC/ODBC server

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

连接后会提示输入用户名和密码，用户名可以填当前登陆的linux用户名，密码为空即可。

 

在java代码中用jdbc连接

接下来打开eclipse用jdbc连接hiveserver2，连接hive的步骤同样如此。

在pom.xml添加以下依赖：

 <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>  

 

驱动：org.apache.hive.jdbc.HiveDriver

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

用户名：hadoop (启动thriftserver的linux用户名)

密码：“”（默认密码为空）

 

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)+"	name: "+res.getString(2)+"	age:" + res.getInt(3));  
        }  
    }  
} 

这种方式，可以在yarn的管理界面看到，会长起一个任务，该任务负责跑sql语句，但是不能并行跑sql语句，就是同时为两个用户输入的查询语句同时跑，必须等一个跑完了再跑第二个。

spark sql可视化

第一种方案:
将spark sql代码打包，sql语句和结果存储位置作为参数，java代码收集这些参数后，组装为命令，调用脚本来向集群提交jar包。

第二种方案：
根据Spark官网所述，Spark SQL实现了Thrift JDBC/ODBC server

最后，这篇文章很久了，一直编辑没有发布，我现在已经一年不搞spark了，专注java核心技术的研究。