3.数仓环境搭建

3.数仓环境搭建 3.数仓环境搭建 3.1 Hive环境搭建 3.1.1 Hive引擎简介

--Hive引擎包括：默认MR、tez、spark
--Hive on Spark：Hive既作为存储元数据又负责SQL的解析优化，语法是HQL语法，执行引擎变成了Spark，Spark负责采用RDD执行。
--Spark on Hive : Hive只作为存储元数据，Spark负责SQL解析优化，语法是Spark SQL语法，Spark负责采用RDD执行。

备注：本项目采用hive on spark，因为hive可以兼容的其他软件更多，如Azkaban。

3.1.2 Hive on Spark 配置

兼容性说明：

官网下载的Hive3.1.2和Spark3.0.0默认是不兼容的。因为Hive3.1.2支持的Spark版本是2.4.5，所以需要我们重新编译Hive3.1.2版本。

编译步骤：官网下载Hive3.1.2源码，修改pom文件中引用的Spark版本为3.0.0，如果编译通过，直接打包获取jar包。如果报错，就根据提示，修改相关方法，直到不报错，打包获取jar包。

1）在Hive所在节点部署Spark

如果之前已经部署了Spark，则该步骤可以跳过，但要检查SPARK_HOME的环境变量配置是否正确。

Spark官网下载jar包地址：

http://spark.apache.org/downloads.html

（2）上传并解压解压spark-3.0.0-bin-hadoop3.2.tgz

[atqwz@hadoop111 software]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/

[atqwz@hadoop111 software]$ mv /opt/module/spark-3.0.0-bin-hadoop3.2 /opt/module/spark

（3）配置SPARK_HOME环境变量

[atqwz@hadoop111 software]$ sudo vim /etc/profile.d/my_env.sh

添加如下内容

# SPARK_HOME
export SPARK_HOME=/opt/module/spark
export PATH=$PATH:$SPARK_HOME/bin

source 使其生效

[atqwz@hadoop111 software]$ source /etc/profile.d/my_env.sh

３）在hive中创建spark配置文件

[atqwz@hadoop111 software]$ vim /opt/module/hive/conf/spark-defaults.conf

添加如下内容（在执行任务时，会根据如下参数执行）

spark.master                               yarn
spark.eventLog.enabled                   true
spark.eventLog.dir                        hdfs://hadoop111:8020/spark-history
spark.executor.memory                    1g
spark.driver.memory					   1g

在HDFS创建如下路径，用于存储历史日志

[atqwz@hadoop111 software]$ hadoop fs -mkdir /spark-history

４）向HDFS上传Spark纯净版jar包

​ 说明1：由于Spark3.0.0非纯净版默认支持的是hive2.3.7版本，直接使用会和安装的Hive3.1.2出现兼容性问题。所以采用Spark纯净版jar包，不包含hadoop和hive相关依赖，避免冲突。

​ 说明2：Hive任务最终由Spark来执行，Spark任务资源分配由Yarn来调度，该任务有可能被分配到集群的任何一个节点。所以需要将Spark的依赖上传到HDFS集群路径，这样集群中任何一个节点都能获取到。

（1）上传并解压spark-3.0.0-bin-without-hadoop.tgz

[atqwz@hadoop111 software]$ tar -zxvf /opt/software/spark-3.0.0-bin-without-hadoop.tgz

（2）上传Spark纯净版jar包到HDFS

[atqwz@hadoop111 software]$ hadoop fs -mkdir /spark-jars

[atqwz@hadoop111 software]$ hadoop fs -put spark-3.0.0-bin-without-hadoop/jars/* /spark-jars

５）修改hive-site**.xml****文件**

[atqwz@hadoop111 ~]$ vim /opt/module/hive/conf/hive-site.xml

添加如下内容

    spark.yarn.jars
    hdfs://hadoop111:8020/spark-jars/*

  


    hive.execution.engine
    spark




    hive.spark.client.connect.timeout
    10000ms

注意：hive.spark.client.connect.timeout的默认值是1000ms，如果执行hive的insert语句时，抛如下异常，可以调大该参数到10000ms

FAILED: SemanticException Failed to get a spark session: org.apache.hadoop.hive.ql.metadata.HiveException: Failed to create Spark client for Spark session d9e0224c-3d14-4bf4-95bc-ee3ec56df48e

3.1.3 Hive on Spark****测试

（1）启动hive客户端

[atqwz@hadoop111 hive]$ bin/hive

（2）创建一张测试表

hive (default)> create table student(id int, name string);

（3）通过insert测试效果

hive (default)> insert into table student values(1,'abc');

若结果如下，则说明配置成功

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Hvb34Sjr-1641522474136)(file:///C:Users秦文正AppDataLocalTempksohtmlwps86BB.tmp.jpg)]

3.2 Yarn配置 3.2.1 增加ApplicationMaster资源比例

容量调度器对每个资源队列中同时运行的Application Master占用的资源进行了限制，该限制通过yarn.scheduler.capacity.maximum-am-resource-percent参数实现，其默认值是0.1，表示每个资源队列上Application Master最多可使用的资源为该队列总资源的10%，目的是防止大部分资源都被Application Master占用，而导致Map/Reduce Task无法执行。

生产环境该参数可使用默认值。但学习环境，集群资源总数很少，如果只分配10%的资源给Application Master，则可能出现，同一时刻只能运行一个Job的情况，因为一个Application Master使用的资源就可能已经达到10%的上限了。故此处可将该值适当调大。

（1）在hadoop111的/opt/module/hadoop-3.1.3/etc/hadoop/capacity-scheduler.xml文件中修改如下参数值

[atqwz@hadoop111 hadoop]$ vim capacity-scheduler.xml

    yarn.scheduler.capacity.maximum-am-resource-percent
    0.8
 
（2）分发capacity-scheduler.xml配置文件
 
[atguigu@hadoop111 hadoop]$ xsync capacity-scheduler.xml
 
（3）关闭正在运行的任务，重新启动yarn集群
 
[atqwz@hadoop103 hadoop-3.1.3]$ sbin/stop-yarn.sh
[atqwz@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
 
3.3 数仓开发环境 
1.启动HiveServer 
[atqwz@hadoop111 hive]$ hiveserver2
 
2.配置DataGrip连接 
1）创建连接
 
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-090KIMke-1641522474138)(file:///C:Users秦文正AppDataLocalTempksohtmlwps684E.tmp.jpg)]
 
2）配置连接属性
 
所有属性配置，和Hive的beeline客户端配置一致即可。初次使用，配置过程会提示缺少JDBC驱动，按照提示下载即可。
 
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aQOECLi7-1641522474139)(file:///C:Users秦文正AppDataLocalTempksohtmlwps684F.tmp.jpg)]
 
**3.**测试使用 
创建数据库gmall，并观察是否创建成功。
 
1）创建数据库
 
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9jXBDh5S-1641522474140)(file:///C:Users秦文正AppDataLocalTempksohtmlwps6850.tmp.jpg)]
 
2）查看数据库
 
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-0doLzyhV-1641522474141)(file:///C:Users秦文正AppDataLocalTempksohtmlwps6851.tmp.jpg)]
 
3）修改连接，指明连接数据库
 
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-U8O5lzYI-1641522474142)(file:///C:Users秦文正AppDataLocalTempksohtmlwps6852.tmp.jpg)]
 
4）选择当前数据库为gmall
 
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-GrNyMSKP-1641522474142)(file:///C:Users秦文正AppDataLocalTempksohtmlwps6853.tmp.jpg)]
 
522474140)]
 
2）查看数据库
 
[外链图片转存中…(img-0doLzyhV-1641522474141)]
 
3）修改连接，指明连接数据库
 
[外链图片转存中…(img-U8O5lzYI-1641522474142)]
 
4）选择当前数据库为gmall
 
[外链图片转存中…(img-GrNyMSKP-1641522474142)]
					
										


					

						
欢迎分享，转载请注明来源：内存溢出
原文地址: http://outofmemory.cn/zaji/5699160.html