【数据仓库】SparkSQL数仓实践

spark-sql没有元数据管理功能，只有sql 到RDD的解释翻译功能，所以需要和hive的metastore服务集成在一起使用。

集成hive metastore

在spark安装目录conf下，新增hive-site.xml配置文件，内容如下：

<configuration><!-- 指定存储元数据metastore要连接的地址 --><property><name>hive.metastore.uris</name><value>thrift://127.0.0.1:9083</value><description>URI for client to connect to metastore server</description></property><!--配置数据表数据存储目录--><property><name>hive.metastore.warehouse.dir</name><value>/home/datahouse/hive/warehouse</value></property>
</configuration>

然后，就是要保证，hive + hadoop的数仓已能正常运行。因为spark需要使用hive的metastore服务，所以hive的相关服务得正常运行。可以参考 【数据仓库】hive + hadoop数仓搭建实践文章。

集成完成后就可以开始启动spark-sql了。

SQL测试

到spark 的bin目录，执行

./spark-sql

如下：

[root@yd-ss bin]# ./spark-sql
24/12/27 14:49:53 WARN Utils: Your hostname, yd-ss resolves to a loopback address: 127.0.0.1; using XX.XX.XX.XX instead (on interface bond0)
24/12/27 14:49:53 WARN Utils: Set SPARK_LOCAL_IP if you need to bind to another address
Using Spark's default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
24/12/27 14:49:54 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Spark master: local[*], Application Id: local-1735282198034
spark-sql> 

执行如下脚本：

show database;

输出：

spark-sql> show databases;
db_msg
default
test
Time taken: 6.644 seconds, Fetched 3 row(s)

可以看到之前在hive+hadoop数仓下建的库都可以通过spark-sql 查出来了，因为两者共用了一个metastore服务，元数据是一样的，数仓地址也是一样的。

spark-sql 语法

由于spark-sql 使用的元数据管理是hive的元数据服务，所以，spark-sql的语法可以理解为和hive SQL是一样的。

SQL执行流程

上图是hive sql 和 spark sql的执行流程图及框架图。可以看出：

1 hive 偏重的是 hive sql 解释 和 元数据管理，分布式计算和存储依赖于hadoop的MR和HDFS;

2 spark 偏重的是spark sql 解释 和 RDD分布式计算，元数据管理和分布式存储依赖于hive 的 metastore服务和hadoop的HDFS；

3 提供两种数仓数据分析工具 hive sql 和 spark sql，都可以使用数据库客户端工具去连接访问。

两种数仓架构的选择

上图，体现了两种数仓的架构。

hive + hadoop 数仓：分布式计算使用MR，性能计算很慢，在BI数据集配置时，经常会超时；

spark + hive (metastore) + hadoop(HDFS)数仓：分布式计算使用spark RDD ,性能计算快，但还要维护hive ，架构较复杂；

如果基于hive + hadoop 数仓，将MR分布式计算框架换成 Spark RDD的计算框架，是不是就很完美了，强强联合。

hive on spark数仓配置

hive sql 会被解释为Spark RDD 计算执行。

一开始也是怀着激动的心来的，因为hive on MR 实在是太慢了，spark又非常快，两者强强联合，岂不是最佳实践。网上也搜到了很多教程，但都是对于hive的低版本的。但是现实却发生了变化。

在进行该配置之前，需要了解下hive和spark的匹配关系。

hive 4.0 版本的源码pom中已经看不到引用的spark版本了，有可能在4.0版本放弃了spark的支持。

经过查找4.0版本的官方文档，可以看到：

https://hive.apache.org/docs/latest/overview-of-major-changes_283118379/

可以看到直接就是移除了spark，还不是废弃。最新的版本hive4.0已经不支持spark集成了。这也是为什么在hive sql 会话下，执行

set hive.execution.engine=spark;

会报错

[42000][1] Error while processing statement: 'SET hive.execution.engine=spark' FAILED in validation : Invalid value.. expects one of [mr, tez].

如果想继续使用hive on spark 架构，就只能使用hive 4.0 以前的版本了。

在hive4.0之前的版本hive3.1.3中，依赖的spark 版本为2.3.0，太旧了。

但是可以尝试基于hive3.1.3的源码，修改saprk的版本为新版本重新编译。这里不再往下探究。

毕竟hive4.0 已经移除了spark，数仓搭建技术还是以hive为主，因为它稳定。官方提供了Tez的执行引擎替代MR。也能提高hive的执行效率。

经验

1 hive 4.0移除了saprk支持，只能使用MR和Tez,意味着往后版本，hive on spark就不存在了，若想使用，需要将hive换到4,0以前的版本；

2 spark on hive可以继续使用，但这个是以spark为主，利用hive的元数据服务；但总是感觉没有hive专业；

3 hive4.0往后当数仓使用，需要集成TEz引擎，以提升效率。