Hive - 云原生数据湖分析 DLA

本文主要介绍如何使用DLA Spark访问用户VPC中的Hive集群。

前提条件

您已开通数据湖分析DLA（Data Lake Analytics）服务，详情请参见开通云原生数据湖分析服务并在云原生数据湖分析DLA控制台上创建了Spark虚拟集群
您已开通对象存储OSS（Object Storage Service）服务，详情请参见开通OSS服务
准备创建Spark计算节点所需要的交换机id和安全组id，可以选择已有的交换机和安全组，也可以新建交换机和安全组。交换机和安全组需要满足以下条件。
- 交换机需要与您的Hive服务集群在同一VPC下。可使用您Hive集群控制台上的交换机id，如下图所示分别是EMR集群和云Hbase-Spark集群的交换机id信息
- 安全组需要与您的Hive服务集群在同一VPC下。您可以前往ECS控制台-网络与安全-安全组按照专有网络(VPC)id搜索该VPC下的安全组，任意选择一个安全组id即可。
- 如果您的Hive服务有白名单控制，需要您将交换机网段加入到您Hive服务的白名单中。如下图所示是给云Hbase-Spark集群添加交换机网段白名单

操作步骤

如果您的Hive元数据使用的是独立的RDS且表数据存放在OSS中，则可以使用下列配置并跳过后续步骤，否则请您从第二步开始配置。

{
    
    "name": "spark-on-hive",
    "className": "com.aliyun.spark.SparkHive", #连接Hive的测试代码，按需修改名称
    "jars": [
        "oss://path/to/mysql-connector-java-5.1.47.jar"
    ],
    "conf": {
        "spark.dla.eni.vswitch.id": "<交换机id>",    
        "spark.dla.eni.security.group.id": "<安全组id>",
        "spark.dla.eni.enable": "true",
        "spark.driver.resourceSpec": "medium",
        "spark.dla.connectors": "oss",
        "spark.executor.instances": 1,
        "spark.sql.catalogImplementation": "hive",
        "spark.executor.resourceSpec": "medium",
        "spark.hadoop.javax.jdo.option.ConnectionDriverName": "com.mysql.jdbc.Driver",
        "spark.hadoop.javax.jdo.option.ConnectionUserName": "<hive_user_name>", #Hive RDS的用户名 
        "spark.hadoop.javax.jdo.option.ConnectionPassword": "<your_pass_word>", #Hive RDS的密码
        "spark.hadoop.javax.jdo.option.ConnectionURL": "<jdbc连接>", #Hive RDS 的jdbc链接
        "spark.dla.job.log.oss.uri": "<日志目录路径>"
    },
    "file": "<oss://主资源jar包路径>"
}

说明 jars中指定的jar包是mysql的jdbc连接器，可从官方maven仓库，并上传到oss。

获取需要在DLA Spark配置的Hive相关参数。
说明如果您无法在您的Hive服务所在的集群中执行spark作业，可以跳过这步。
我们提供了工具来读取你Hive服务所在的集群的配置，您可以按照下面的地址下载spark-examples-0.0.1-SNAPSHOT-shaded.jar并上传至OSS, 然后提交Spark作业到您的Hive服务所在集群上执行，即可在作业输出中获得访问您Hive集群所需的配置。
```
wget https://dla003.oss-cn-hangzhou.aliyuncs.com/GetSparkConf/spark-examples-0.0.1-SNAPSHOT-shaded.jar
```
- EMR集群用户将Jar包上传至OSS后，可以通过以下命令提交作业到EMR集群获取配置作业：
```
--class com.aliyun.spark.util.GetConfForServerlessSpark
--deploy-mode client
ossref://{path/to}/spark-examples-0.0.1-SNAPSHOT-shaded.jar
get hive hadoop
```
  作业运行完毕后，可以通过SparkUI查看driver的stdout输出或者从作业详情中的提交日志中查看输出的配置。
- 云Hbase-Spark用户可以将Jar包上传至资源管理目录后，用以下命令提交获取配置作业：
```
--class com.aliyun.spark.util.GetConfForServerlessSpark
/{path/to}/spark-examples-0.0.1-SNAPSHOT-shaded.jar
get hive hadoop
```
  等待作业完成后，通过SparkUI的driver中的stdout查看输出配置。
- 其他Hive集群，如果您在集群上未设置HIVE_CONF_DIR环境变量，则需要手动输入HIVE_CONF_DIR路径。
```
--class com.aliyun.spark.util.GetConfForServerlessSpark
--deploy-mode client
/{path/to}/spark-examples-0.0.1-SNAPSHOT-shaded.jar
get --hive-conf-dir </path/to/your/hive/conf/dir> hive hadoop
```

编写访问Hive的SparkApplication

以下示例代码可以首先根据用户传入的表名，在用户default namespace创建一个表，该表只有一列字符串类型的数据，内容为hello, dla-spark，然后从该表读出这一列数据，并打印到stdout：

package com.aliyun.spark

import org.apache.spark.sql.SparkSession

object SparkHive {
  def main(args: Array[String]): Unit = {
    val sparkSession = SparkSession
      .builder()
      .appName("Spark HIVE TEST")
      .enableHiveSupport()
      .getOrCreate()

    val welcome = "hello, dla-spark"

    //Hive表名
    val tableName = args(0)

    import sparkSession.implicits._
    //将只有一行 一列数据的DataFrame: df 存入到Hive, 表名为用户传进来的tableName, 列名为welcome_col
    val df = Seq(welcome).toDF("welcome_col")
    df.write.format("hive").mode("overwrite").saveAsTable(tableName)

    //从Hive中读取表 tableName
    val dfFromHive = sparkSession.sql(
      s"""
        |select * from $tableName
        |""".stripMargin)
    dfFromHive.show(10)
  }
}

将SparkApplication jar包和依赖上传至OSS中
详情请参见上传文件。

说明 OSS所在的region和Serverless Spark所在的region需要保持一致。

在DLA Spark中提交作业并进行计算。

访问Hive, 如果您集群中的HDFS是以高可用部署(即您的集群有一个以上Matser节点/NameNode)，详情请参见创建和执行Spark作业和作业配置指南。

{
    "args": [
        "hello_dla"
    ],
    "name": "spark-on-hive",
    "className": "com.aliyun.spark.SparkHive",
    "conf": {
    "spark.sql.catalogImplementation":"hive",
    "spark.dla.eni.vswitch.id": "{您的交换机id}",
    "spark.dla.eni.security.group.id": "{您的安全组id}",
    "spark.dla.eni.enable": "true",
    "spark.driver.resourceSpec": "medium",
    "spark.executor.instances": 1,
    "spark.executor.resourceSpec": "medium",
    "spark.dla.job.log.oss.uri": "oss://<指定您存放SparkUI日志的目录/>",
    "spark.hadoop.hive.metastore.uris":"thrift://${ip}:${port},thrift://${ip}:${port}",
    "spark.hadoop.dfs.nameservices":"{您的nameservices名称}",
    "spark.hadoop.dfs.client.failover.proxy.provider.${nameservices}":"{您的failover proxy provider实现类全路径名称}",
    "spark.hadoop.dfs.ha.namenodes.${nameservices}":"{您的nameservices所属namenode列表}",
    "spark.hadoop.dfs.namenode.rpc-address.${nameservices}.${nn1}":"namenode0所属的ip:port",
    "spark.hadoop.dfs.namenode.rpc-address.${nameservices}.${nn2}":"namenode1所属的ip:port"
    },
    "file": "oss://{您的jar包所属的oss路径}"
}

参数说明如下：


参数	说明	备注
spark.hadoop.hive.metastore.uris	配置访问HiveMetaStore的Uri，对应${HIVE_CONF_DIR}/hive-site.xml中的hive.metastore.uris配置项。注意，一般该配置项的值都是域名:端口的形式，用户在serverless spark中配置参数的时候需要将它替换为对应ip+端口的形式。	域名和ip的映射关系，一般可以登录集群的master节点查看本机的/etc/hosts, 或者在master节点，直接使用ping + 域名的方式获取，您也可以采用步骤2获取对应的配置参数。
spark.dla.eni.vswitch.id	您的交换机id。	无
spark.dla.eni.security.group.id	您的安全组id。	无
spark.dla.eni.enable	控制开启或关闭ENI。	无
spark.hadoop.dfs.nameservices	对应hdfs-site.xml中的dfs.nameservices	无
spark.dla.job.log.oss.uri	指定您存放SparkUI日志的oss目录	无
spark.hadoop.dfs.client.failover.proxy.provider.${nameservices}	对应hdfs-site.xml中的dfs.client.failover.proxy.provider.${nameservices}	无
spark.hadoop.dfs.ha.namenodes.${nameservices}	对应hdfs-site.xml中的dfs.ha.namenodes.${nameservices}	无
spark.hadoop.dfs.namenode.rpc-address.${nameservices}.${nn1/nn2}	对应hdfs-site.xml中的dfs.namenode.rpc-address.${nameservices}.${nn1/nn2}	注意该配置项应该写成ip:端口的形式，用户可以通过用户集群master节点中的/etc/hosts文件查看域名和ip的对应关系或者在master节点，直接使用ping + 域名的方式获取，您也可以采用步骤2获取对应的配置参数。

作业运行成功后，单击操作 > 日志，查看作业日志。

访问Hive, 如果您集群中的HDFS是以非高可用部署的（即只有一个Matser节点/NameNode）。

{
    "args": [
        "hello_dla"
    ],
    "name": "spark-on-hive",
    "className": "com.aliyun.spark.SparkHive",
    "conf": {
        "spark.sql.catalogImplementation":"hive",
        "spark.dla.eni.vswitch.id": "{您的交换机id}",
        "spark.dla.eni.security.group.id": "{您的安全组id}",
        "spark.dla.eni.enable": "true",
        "spark.driver.resourceSpec": "medium",
        "spark.executor.instances": 1,
        "spark.executor.resourceSpec": "medium",
        "spark.dla.job.log.oss.uri": "oss://<指定您存放SparkUI日志的目录/>","
        "spark.hadoop.hive.metastore.uris":"thrift://${ip}:${port},thrift://${ip}:${port}",
        "spark.dla.eni.extra.hosts":"${ip0} ${hostname_0} ${hostname_1} ${hostname_n}"
    },
    "file": "oss://{您的jar包所属的oss路径}"
}


参数	说明	备注
spark.hadoop.hive.metastore.uris	配置访问HiveMetaStore的Uri，对应${HIVE_CONF_DIR}/hive-site.xml中的hive.metastore.uris配置项。注意，一般该配置项的值都是域名+端口的形式，用户在serverless spark中配置参数的时候需要将它替换为对应ip:端口的形式。	域名和ip的映射关系，一般可以登录集群的master节点查看本机的/etc/hosts, 或者在master节点，直接使用ping + 域名的方式获取，用户也可以采用步骤1获取对应的配置参数。
spark.dla.job.log.oss.uri	指定您存放SparkUI日志的oss目录	无
spark.dla.eni.vswitch.id	您的交换机id	无
spark.dla.eni.security.group.id	您的安全组id	无
spark.dla.eni.enable	控制开启或关闭ENI	无
spark.dla.eni.extra.hosts	Spark解析Hive表位置时，需要额外传入的ip 和表格存储节点host的映射关系,以便Spark能正确表格解析位置的域名信息。注意 ip 和域名之间用空格隔开。多个ip 和域名用逗号隔开，如 "ip0 master0, ip1 master1"	该值可从用户集群${Hive_CONF_DIR}/core-site.xml的fs.defaultFS获取。示例用户fs.defaultFs的值为: "hdfs://master-1:9000", 则需要配置spark.dla.eni.extra.hosts的值为: "${master-1的ip} master-1"。ip和域名的对应关系，您可以登录自建集群的master节点，从/etc/hosts中查看ip和域名的对应关系。您也可以从步骤2中获取相关参数。