我们在前面的文章中说，Hadoop的底层计算引擎MapReduce不是唯一和必须的，其他计算引擎如tez、Spark、storm可以将其替换，以提升计算性能。而在lanbda架构中，Spark又可以作为批计算引擎，对数据进行集成计算。以至于有很多小伙伴一下子有了疑惑，这两个Spark到底是啥情况，如何整合，这种架构到底是Hive on Spark还是Spark on Hive？今天我们就来分析一下。 一、用Spark 替换MapReduce——Hive on Spark 相比MapReduce数据计算每次读写数据都进行磁盘IO，Spark是一个快速、通用的内存计算系统，它将计算的中间步骤存储在内存中，每次数据的读写都在内存中进行，因此提供了比MapReduce更高效、更方便的数据处理方式。 我们先来看MapReduce程序，一个Mapreduce程序主要包括三部分：Mapper类、Reducer类、执行类。 首先添加依赖： org.apache.hadoop hadoop-client 3.3.0 junit junit 4.12 test org.slf4j slf4j-api 1.7.30 junit junit 3.8.2 junit junit 4.12 compile Mapper类： import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Mapper;import org.apache.hadoop.util.StringUtils;import java.io.IOException;public WordCountMapper extends Mapper { @Override protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException { //如果当前数据不为空 if (value!=null){ //获取每一行的数据 String line = value.toString(); //将一行数据根据空格分开// String[] words = line.split(" "); String[] words = StringUtils.split(line,' ');//hadoop的StringUtils.split方法对大数据来说比Java自带的拥有更好的性能 //输出键值对 for (String word : words) { context.write(new Text(word),new LongWritable(1)); } } }}Reducer类：import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;public WordCountReducer extends Reducer { @Override protected void reduce(Text key, Iterable values, Context context) throws IOException, InterruptedException { //累加单词的数量 long sum = 0; //遍历单词计数数组,将值累加到sum中 for (LongWritable value : values) { sum += value.get(); } //输出每次最终的计数结果 context.write(key,new LongWritable(sum)); }}执行类： import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.conf.Configured;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.LongWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.apache.hadoop.util.Tool;import org.apache.hadoop.util.ToolRunner;public WordCountRunner extends Configured implements Tool { public static void main(String[] args) throws Exception { ToolRunner.run(new Configuration(),new WordCountRunner(),args); } @Override public int run(String[] args) throws Exception { Configuration conf = new Configuration(); Job job = Job.getInstance(conf, "word count"); job.setJarByClass(WordCountRunner.class); job.setMapperClass(WordCountMapper.class); job.setReducerClass(WordCountReducer.class); job.setMapOutputKeyClass(Text.class); job.setMapOutputValueClass(LongWritable.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(LongWritable.class); //设置统计文件输入的路径,将命令行的第一个参数作为输入文件的路径 //读取maven项目下resources目录的文档 String path = getClass().getResource("/words.txt").getPath(); FileInputFormat.setInputPaths(job,path); //设置结果数据存放路径,将命令行的第二个参数作为数据的输出路径 //输出目录必须不存在!!! FileOutputFormat.setOutputPath(job,new Path("./output")); return job.waitForCompletion(true) ? 0 : 1; }}这个程序基本的操作可以总结为： map: (K1,V1) ➞ list(K2,V2) reduce: (K2,list(V2)) ➞ list(K3,V3) 第一步是分布式计算，各个分布节点进行节点上的map操作，第二步即是reduce操作，进行计算的汇总。 那，如果用spark去替换这个程序又是怎样的呢？ 添加Maven依赖： org.apache.spark spark-core_2.12 3.1.1 程序： import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaPairRDD;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import scala.Tuple2; public WordCount { public static void main(String[] args) { SparkConf conf = new SparkConf().setAppName("WordCount").setMaster("local"); JavaSparkContext sc = new JavaSparkContext(conf); // 读取输入文件 JavaRDD input = sc.textFile("words.txt"); // 切分为单词 JavaRDD words = input.flatMap(s -> Arrays.asList(s.split(" ")).iterator()); // 转换为键值对 JavaPairRDD pairs = words.mapToPair(word -> new Tuple2<>(word, 1)); // 按键进行聚合 JavaPairRDD wordCounts = pairs.reduceByKey((a, b) -> a + b); // 输出结果 wordCounts.foreach(t -> System.out.println(t._1 + ": " + t._2)); sc.stop(); }} 一句话总结：在Spark中，实际是把数据是通过弹性分布式数据集（RDD）来进行处理的。 二、用Spark 连接Hive——Spark on Hive 在这个操作前，要保证Spark知道MetaStore的IP和端口号，当然MetaStore必须是活跃的。 1.将hive-site.xml拷贝到spark安装路径conf目录 cd /export/server/hive/confcp hive-site.xml /export/server/spark/conf/scp hive-site.xml root@bigdata02:/export/server/spark/conf/scp hive-site.xml root@bigdata3:/export/server/spark/conf/2.将mysql的连接驱动包拷贝到spark的jars目录下 cd /export/server/hive/libcp mysql-connector-java-5.1.32.jar /export/server/spark/jars/scp mysql-connector-java-5.1.32.jar root@bigdata2:/export/server/spark/jars/scp mysql-connector-java-5.1.32.jar root@bigdata3:/export/server/spark/jars/3.在Hive中开启MetaStore服务 修改 hive/conf/hive-site.xml新增如下配置，远程模式部署metastore服务地址。 hive.metastore.uris thrift://master:9083 启动MetaStore： nohup /export/server/hive/bin/hive --service metastore 2>&1 >> /var/log.log &测试SparkSQL cd /export/server/spark./bin/spark-shell如果这里测试import org.apache.spark.sql.hive.HiveContext会报错，说明我们的Spark版本并不能支持hive。这个时候就要重新下载支持的版本或者编译Spark，让它支持hive。编译命令如下： ./dev/make-distribution.sh —tgz —name h27hive -Pyarn -Phadoop-2.7 -Dhadoop.version=2.7.1 -Phive -Phive-thriftserver -DskipTests 编译后，重新安装spark，启动shell。 执行sparkSql即可。 三、总结 Hive on Spark 即是将hive查询依赖的底层计算引擎mapreduce(Hadoop计算引擎)操作替换为Spark RDD操作，改其为内存计算模式。 Spark on Hive Spark通过Spark-SQL加载hive的配置文件，获取到hive的元数据信息来操作Hivesql，操作hive，底层操作与这个无关。