Как подключиться к удаленному серверу улья от искры

Я запускаю искру локально и хочу получить доступ к таблицам Hive, которые находятся в удаленном кластере Hadoop.

Я могу получить доступ к таблицам улей, опуская beeline под SPARK_HOME

[[email protected] spark-2.0.0]$./bin/beeline 
Beeline version 1.2.1.spark2 by Apache Hive
beeline> !connect jdbc:hive2://remote_hive:10000
Connecting to jdbc:hive2://remote_hive:10000
Enter username for jdbc:hive2://remote_hive:10000: root
Enter password for jdbc:hive2://remote_hive:10000: ******
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/home/ml/spark/spark-2.0.0/jars/slf4j-log4j12-1.7.16.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/hadoop/share/hadoop/common/lib/slf4j-log4j12-1.7.10.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
16/10/12 19:06:39 INFO jdbc.Utils: Supplied authorities: remote_hive:10000
16/10/12 19:06:39 INFO jdbc.Utils: Resolved authority: remote_hive:10000
16/10/12 19:06:39 INFO jdbc.HiveConnection: Will try to open client transport with JDBC Uri: jdbc:hive2://remote_hive:10000
Connected to: Apache Hive (version 1.2.1000.2.4.2.0-258)
Driver: Hive JDBC (version 1.2.1.spark2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://remote_hive:10000>

Как я могу получить доступ к удаленным таблицам улья программно из искры?

Ответ 1

JDBC не требуется

Spark подключается напрямую к метасольве Hive, а не через HiveServer2. Чтобы настроить это,

Поместите hive-site.xml в ваш hive-site.xml к classpath и укажите hive.metastore.uri в том месте, где размещалось ваше хранилище метаданных улья. Также см. Как подключиться к метасольве Hive программно в SparkSQL?
Импортируйте org.apache.spark.sql.hive.HiveContext, так как он может выполнять SQL-запросы к таблицам Hive.
Определите val sqlContext = new org.apache.spark.sql.hive.HiveContext(sc)
Проверьте sqlContext.sql("show tables") чтобы увидеть, работает ли он

SparkSQL на таблицах Hive

Вывод: если вы должны пойти с JDBC путь

Посмотрите, как удаленно соединяется apache spark с apache hive.

Обратите внимание, что Билайн также подключается через jdbc. из вашего журнала это само по себе очевидно.

[ml @master spark-2.0.0] $./bin/beeline Beeline версия 1.2.1.spark2 от Apache Hive beeline>! connect jdbc: hive2://remote_hive: 10000

Подключение к jdbc: hive2://remote_hive: 10000

Поэтому, пожалуйста, взгляните на эту интересную статью.

Способ 1: вытянуть таблицу в Spark с помощью JDBC
Способ 2: использование Spark JdbcRDD с драйвером Jives HiveServer2
Способ 3: выборка набора данных на стороне клиента, а затем создание RDD вручную

В настоящее время драйвер HiveServer2 не позволяет нам использовать "сверкающий" метод 1 и 2, мы можем полагаться только на метод 3

Ниже приведен пример фрагмента кода, который может быть достигнут

Загрузка данных из одного кластера Hadoop (он же "удаленный") в другой (где мой Spark живет как "домашний") через соединение HiveServer2 JDBC.

import java.sql.Timestamp
import scala.collection.mutable.MutableList

case class StatsRec (
  first_name: String,
  last_name: String,
  action_dtm: Timestamp,
  size: Long,
  size_p: Long,
  size_d: Long
)

val conn: Connection = DriverManager.getConnection(url, user, password)
val res: ResultSet = conn.createStatement
                   .executeQuery("SELECT * FROM stats_201512301914")
val fetchedRes = MutableList[StatsRec]()
while(res.next()) {
  var rec = StatsRec(res.getString("first_name"), 
     res.getString("last_name"), 
     Timestamp.valueOf(res.getString("action_dtm")), 
     res.getLong("size"), 
     res.getLong("size_p"), 
     res.getLong("size_d"))
  fetchedRes += rec
}
conn.close()
val rddStatsDelta = sc.parallelize(fetchedRes)
rddStatsDelta.cache()




 // Basically we are done. To check loaded data:

println(rddStatsDelta.count)
rddStatsDelta.collect.take(10).foreach(println)

Ответ 2

После предоставления конфигурации hive-ste.xml для SPARK и после запуска службы метастазирования HIVE,

В сеансе SPARK при подключении к HIVE необходимо настроить две вещи:

Поскольку Spark SQL подключается к метасольве Hive с помощью Thrift, нам необходимо предоставить URI Thrift- сервера при создании сеанса Spark.
Хранилище Metastore Hive - это каталог, в котором Spark SQL хранит таблицы. Используйте свойство "spark.sql.warehouse.dir", соответствующее "hive.metastore.warehouse.dir" (так как в Spark 2.0 это не рекомендуется)

Что-то вроде:

    SparkSession spark=SparkSession.builder().appName("Spark_SQL_5_Save To Hive").enableHiveSupport().getOrCreate();
    spark.sparkContext().conf().set("spark.sql.warehouse.dir", "/user/hive/warehouse");
    spark.sparkContext().conf().set("hive.metastore.uris", "thrift://localhost:9083");

Надеюсь, это было полезно!