本文主要介绍如何使用DLA Spark访问用户VPC中的的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虚拟集群创建虚拟集群
  • 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集群云Hbase-Spark集群的交换机id信息EMR交换机Xpack-Spark交换机id
    • 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。安全组
    • 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云Hbase-Spark白名单

操作步骤

  1. 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。图片
    • 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。图片
    • 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
  2. 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 $tableName
            |""".stripMargin)
        dfFromHive.show(10)
      }
    }
  3. 将SparkApplication jar包和依赖上传至OSS中
    详情请参见上传文件
    说明 OSS所在的region和Serverless Spark所在的region需要保持一致。
  4. 在DLA Spark中提交作业并进行计算。
    • 访问Hive, 如果您集群中的HDFS是以高可用部署(即您的集群有一个以上Matser节点/NameNode),详情请参见创建和执行Spark作业作业配置指南
      {
          "args": [
              "hello_dla"
          ],
          "name": "spark-on-hive",
          "className": "com.aliyun.spark.SparkHive",
          "conf": {
          "spark.sql.catalogImplementation":"hive",
          "spark.dla.eni.vswitch.id": "{您的交换机id}",
          "spark.dla.eni.security.group.id": "{您的安全组id}",
          "spark.dla.eni.enable": "true",
          "spark.driver.resourceSpec": "medium",
          "spark.executor.instances": 1,
          "spark.executor.resourceSpec": "medium",
          "spark.dla.job.log.oss.uri": "oss://<指定您存放SparkUI日志的目录/>",
          "spark.hadoop.hive.metastore.uris":"thrift://${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。
      spark.dla.eni.security.group.id 您的安全组id。
      spark.dla.eni.enable 控制开启或关闭ENI。
      spark.hadoop.dfs.nameservices 对应hdfs-site.xml中的dfs.nameservices
      spark.dla.job.log.oss.uri 指定您存放SparkUI日志的oss目录
      spark.hadoop.dfs.client.failover.proxy.provider.${nameservices} 对应hdfs-site.xml中的dfs.client.failover.proxy.provider.${nameservices}
      spark.hadoop.dfs.ha.namenodes.${nameservices} 对应hdfs-site.xml中的dfs.ha.namenodes.${nameservices}
      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。图片
    • 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
      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 控制开启或关闭ENI
      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1中获取相关参数。