Spark Sql写代码方式（yarn）以及 spark sql整合hive详解

引入部分：通常我们在IDEA中写spark代码中如果设置了loacl参数，基本都是在IDEA本地运行，不会提交到 standalone或yarn上运行，在前几篇文章中写的大多数都是该种形式的spark代码，但也写到了如何将spark代码提交到standalone或yarn上运行，但是提交的代码都是spark-core形式的代码,今天我们谈一谈使用Spark Sql写代码的几种方式，并在yarn上执行。

一、IDEA里面将代码编写好打包上传并提交打到yarn上运行

提交命令：

spark-submit --master yarn --deploy-mode client/cluster --class 主类名 --conf spark.sql.shuffle.partitions=1 jar包名

注意：--conf spark.sql.shuffle.partitions=1该参数为指定分区数

参数的优先级（从高到低）：代码的参数 > 命令行设置的参数 > 配置文件设置的参数

这种方式在前面文章中写过，在此不再赘述，文章链接：http://t.csdnimg.cn/gN6tj

二、Spark Shell(repl)

repl:read-eval-print loop

简介：类似于写python代码的jupyter notebook，spark shell是spark中的交互式命令行客户端，可以在spark shell中使用scala编写spark程序。spark-shell的本质是在后台调用了spark-submit脚本来启动应用程序的，启动命令为

spark-shell --master xxx

注意：

--master用来设置context将要连接并使用的资源主节点，master的值是standalone模式中spark的集群地址、或yarn、或mesos集群的URL，或是一个local地址

例如指定本地核数为2:spark-shell --master local[2]

如果需要指定jar包路径，也可以在后面加参数 --jars jar包路径

回归正题，我们现在使用以下命令与yarn交互：

spark-shell --master yarn --deploy-mode client

可以看到yarn已经开了一个任务供使用,可以在yarn上查看

此时我们就可以在spark shell中写代码了

注意：

1、spark-shell中可以写scala， python(启动pyspark服务)，spark-core，spark sql，spark streaming等形式的代码

2、spark-shell不支持yarn-cluster，如果我们的启动命令是spark-shell --master yarn --deploy-mode cluster，那么会报错，spark-shell启动不了

三、Spark SQL 命令行界面（CLI）

简介：Spark SQL 命令行界面（CLI）是一个交互式工具，允许用户直接通过 SQL 语句来查询和分析存储在 Spark 集群中的数据。它提供了一个方便的方式来查询各种数据源，如 Hive、Parquet、JSON、CSV 等，并返回结果给用户。当启动 Spark SQL CLI 时，它会连接到 Spark 集群，并为你提供一个类似于传统 SQL 数据库管理系统的命令行界面。在这个界面中，你可以输入 SQL 语句，然后 Spark SQL 会将这些语句转换为 Spark 作业，在集群上执行，并将结果返回。

启动命令：

spark-sql --master yarn --deploy-mode client

注意：与Spark Shell中类似，spark-sql --master yarn --deploy-mode cluster 命令是不能启动一个交互式的 Spark SQL 命令行界面（CLI）。

使用流程：

1、首先在linux环境中创建一个文件夹

mkdir spark-sql-master

2、进入该文件夹中并启动CLI

spark-sql --master yarn --deploy-mode client

在此界面我们可以只能写纯sql语法，就像使用传统的SQL 数据库一样。

现在进入spark-sql-master文件夹下，发现多出了一些文件，这些文件存储的就是刚刚在命令行创建数据库、数据表的信息数据，元数据信息，以及日志信息。如果我们将此文件夹删除，那么在就意味着创建的数据库、数据表等信息也将不存在。

这种启动方式的数据库是以文件的形式存储在本地的，但观察启动时的日志发现，其实默认应该是在hive中的，只是我们没有指定，所以就在本地存储了。

现在，我们开始使用spark sql去整合hive，hive底层默认是使用MapReduce框架进行计算的，因此速度很慢，现在使用spark框架结合hive，能使速度大大提升。

四、spark sql整合hive

1、vim hive-site.xml

在hive的hive-site.xml修改以下配置，增加了这一行配置之后，以后在使用hive之前都需要先启动元数据服务。其实这个配置我们在hive启动beline模式时就已经配置过，否则beline模式是开启不了的。

<property>
<name>hive.metastore.uris</name>
<value>thrift://master:9083</value>
</property>

2、将hive-site.xml 复制到spark conf目录下

使spark jars共用hive的元数据信息

cp /usr/local/soft/hive-3.1.2/conf/hive-site.xml /usr/local/soft/spark-3.1.3/conf/

3、将mysql 驱动包复制到spark jars目录下

cp /usr/local/soft/hive-3.1.2/lib/mysql-connector-java-8.0.29.jar /usr/local/soft/spark-3.1.3/jars/

4、整合好之后在spark-sql里面就可以使用hive的表了

4.1启动hive元数据服务与hiveserver2服务

nohup hive --service metastore &

nohup hiveserver2 &

4.2 进入Spark SQL 命令行界面

spark-sql --master yarn --deploy-mode client

如果测试的资源不够，也可以指定参数进入：

spark-sql --master yarn --deploy-mode client --conf spark.sql.shuffer.partitions=1 --executor-memory 512m --total-executor-cores 1

此时，我们查询的数据库或表就是hive中的了：

4.3 spark sql 与 hive sql 查询速度对比

执行以下sql语句，对比查询速度：

SELECT clazz, COUNT(1) AS stu_num FROM datax_students GROUP BY clazz ORDER BY stu_num DESC;

经过测试使用spark差不多速度比hive要快10倍左右（spark官网写的是100倍 ^_^）

五、在IDEA使用代码操作spark整合的hive

1、添加以下依赖

<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.12</artifactId>
</dependency>

<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
</dependency>

<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
</dependency>

<dependency>
<groupId>com.fasterxml.jackson.core</groupId>
<artifactId>jackson-databind</artifactId>
<version>2.10.0</version>
</dependency>

<dependency>
<groupId>com.fasterxml.jackson.core</groupId>
<artifactId>jackson-core</artifactId>
<version>2.10.0</version>
<dependency>

2、将以下四个配置文件加入到资源文件夹下

hive中的hive-site.xml和hadoop中的其他三个文件

3、编写代码测试

import org.apache.spark.sql.SparkSessionobject SparkSqLOnHive {def main(args: Array[String]): Unit = {val sparkSession: SparkSession = SparkSession.builder().master("local").appName("spark读取hive数据").enableHiveSupport().config("spark.sql.shuffle.partitions", 1).getOrCreate()import sparkSession.implicits._import org.apache.spark.sql.functions._sparkSession.sql("show databases")sparkSession.sql("select * from bigdata29.emp").show()}}

结果：