Spark - 使用SparkSQL集成Hive教程（命令行中集成、代码中集成）

2024-07-16 发布：hangge 阅读：58

一、基本介绍

（1）SparkSQL 集成 Hive，就是在 SparkSQL 中直接操作 Hive 的表。通过这种方式，可以利用 Spark 的计算引擎提高计算效率，并且不需要每次使用时临时在 SparkSQL 中创建表，从而省略了创建表的复杂过程。

注意：在 SparkSQL 中操作 Hive 表，底层走的就不是 MapReduce 计算引擎了，而是 Spark 引擎。SparkSQL 会读取 Hive 中的元数据，以及存储在 HDFS 上的数据，最终通过 Spark 引擎进行计算。

（2）SparkSQL 集成 Hive 常见的有两种用法：

在 SparkSQL 命令行中集成 Hive：这种方式便于在 SparkSQL 命令行中进行调试，主要在调试阶段会使用。
在 SparkSQL 代码中集成 Hive：这种方式是在代码中通过 SparkSQL 直接操作 Hive 中的表，针对例行化的定时任务一般都是使用这种方式。

二、在 SparkSQL 命令行中集成Hive

1，安装配置

（1）将 hive 的 conf 目录下的 hive-site.xml 文件复制到 spark 的 conf 目录下：

cp /usr/local/hive/conf/hive-site.xml /usr/local/spark-3.4.1-bin-hadoop3/conf/

（2）将 mysql 的驱动 jar 包拷贝到 spark 的 jar 目录中：

cp /usr/local/hive/lib/mysql-connector-j-8.2.0.jar /usr/local/spark-3.4.1-bin-hadoop3/jars/

2，使用测试

（1）首先执行如下命令启动 Spark SQL shell，并配置指定 Spark 应用程序在 YARN 上运行

./bin/spark-sql --master yarn

（2）然后执行如下命令创建一张 s1 表：

create table s1(name string,age int);

（3）接着查看库中的所有表，可以发现里面有我们刚刚创建的 s1 表：

show tables;

（4）然后执行如下命令往表中插入一条数据：

insert into s1(name,age) values('hangge',66);

（5）接着我们查询该表的数据：

select * from s1;

（6）前面 sparksql 使用的就是 hive 的元数据了，所以在 sparksql 中创建的表会存储到 hive 中，在 hive 中也可以使用。我们先查看一下 hive 中的元数据，是可以看到刚才创建的表信息的。

（7）然后在 hive 命令行中确认一下是否可以操作：

show tables;
select * from s1;

（8）我们还可以在 hive 命令行中确认一下这个表的表结构信息，以及数据存储的位置。可以发现通过 SparkSQL 创建的表和 Hive 创建的表没有什么区别。

在 LOCATION 中可以看到这个表的存储目录是在 hive 的默认存储目录中。
在 TBLPROPERTIES 可以看到 spark.sql.create.version，表示这个表是通过 sparksql 创建的。

show create table s1;

三、在 SparkSQL 代码中集成 Hive

1，安装配置

（1）想要通过 SparkSQL 代码操作 Hive，首先需要在 pom.xml 文件中引入额外引入 spark-hive 相关的依赖：

<dependencies>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.12</artifactId>
        <version>3.4.1</version>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-sql_2.12</artifactId>
        <version>3.4.1</version>
    </dependency>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-hive_2.12</artifactId>
        <version>3.4.1</version>
    </dependency>
    <dependency>
        <groupId>mysql</groupId>
        <artifactId>mysql-connector-java</artifactId>
        <version>8.0.16</version>
    </dependency>
</dependencies>

（2）接着将 hive 的 conf 目录下的 hive-site.xml 文件复制到项目的 resouces 目录中：

注意：如果集群中用到了 HDFS 的 HA 架构，还需要引入 HDFS 相关的配置文件。

2，使用测试

（1）我们编写一测试类来读取 hive 中的 s1 表，并将结果数据打印出来：

import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession

object SparkSQLReadHive{
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setMaster("local")

    //获取SparkSession，为了操作SparkSQL
    val sparkSession = SparkSession
      .builder()
      .appName("SparkSQLReadHive")
      .config(conf)
      //开启对Hive的支持，支持连接Hive的MetaStore、Hive的序列化、Hive的自定义函数
      .enableHiveSupport()
      .getOrCreate()

    //执行sql查询
    sparkSession.sql("select * from s1").show()

    sparkSession.stop()
  }
}

（2）代码执行以后可以看到控制台输出如下内容，说明 SparkSQL 代码集成 Hive 成功：