spark on yarn 和spark on hive

Spark on YARN和Spark on Hive都是Apache Spark在大规模集群环境下运行的不同模式。

1. **Spark on YARN (Yet Another Resource Negotiator)**：Spark在YARN之上运行，利用了Hadoop YARN作为资源管理器。Spark应用程序通过YARN的Application Master将任务分割成可以在集群上独立运行的小作业，并提交给Node Manager处理。这种方式提供了一个统一的调度框架，可以与其他Hadoop生态系统组件协同工作，如HDFS存储数据，而YARN保证了资源的公平分配和隔离。

2. **Spark on Hive**：这是一种将Spark SQL集成到Hive的模式，允许用户像查询Hive表一样查询Spark数据源。实际上，Spark SQL使用了Hive Metastore来获取元数据信息，但是底层的数据处理则是由Spark进行。这种方式使得拥有Hive经验的用户能够轻松地迁移到Spark环境，同时也利用了Spark的强大计算能力。

**相关问题--:**
1. Spark on YARN相比直接运行在每个节点上的Spark有何优势？
2. 在哪种场景下更适合选择Spark on Hive而不是直接使用Spark SQL？
3. Spark如何与Hive元数据服务交互以支持SQL查询？

相关问题

cdh6 配置 spark on hive

配置 Spark on Hive需要以下步骤：

1. 首先，安装CDH6和Spark。

2. 确认Hive的配置文件hive-site.xml中配置了以下属性：

   <property>
     <name>hive.execution.engine</name>
     <value>spark</value>
   </property>
   <property>
     <name>hive.spark.client.connect.timeout</name>
     <value>1000s</value>
   </property>
   <property>
     <name>hive.spark.client.server.connect.timeout</name>
     <value>1000s</value>
   </property>
   <property>
     <name>hive.server2.enable.doAs</name>
     <value>false</value>
   </property>

3. 将Spark JAR文件添加到Hive的CLASSPATH中，以便Hive可以使用Spark的库和依赖项。可以在hive-env.sh文件中添加以下行：

   export HIVE_AUX_JARS_PATH=/path/to/spark/jars/*

4. 在Spark的配置文件中，添加以下属性：

   spark.master yarn
   spark.submit.deployMode client
   spark.executorEnv.HADOOP_HDFS_HOME=/path/to/hadoop
   spark.yarn.jars=hdfs:///path/to/hadoop/share/hadoop/yarn/*,hdfs:///path/to/hadoop/share/hadoop/mapreduce/*

5. 启动Hive，并在命令行中运行以下命令：

   set hive.execution.engine=spark;

6. 现在可以在Hive中使用Spark作为执行引擎来运行查询。例如：

   SELECT COUNT(*) FROM my_table;

这将使用Spark作为执行引擎来计算表中的行数。

cdh配置hive on spark

### 回答1：
CDH（Cloudera's Distribution for Hadoop）是Cloudera公司针对Hadoop生态系统进行的一系列软件包和工具的集成，其中包括Hive on Spark的配置。

Hive是一个建立在Hadoop之上的数据仓库基础架构，它提供了类似于SQL的查询语言HiveQL，方便用户使用SQL语言对存储在Hadoop中的大型数据集进行查询和分析。Spark是一个快速、通用的数据处理引擎，具有内存计算的特性，能在内存中高效地处理大规模数据。

在CDH中配置Hive on Spark需要进行以下步骤：

1. 确保CDH集群已经正确安装和配置，并且已经启动了Hive服务和Spark服务。

2. 在CDH管理界面中，选择Hive服务，然后点击“配置”选项卡。

3. 在配置页面中，找到“Hive 服务”下的“Ancillary Service Configuration”部分。在“Spark”部分中，填写正确的Spark主节点地址和端口号。

4. 点击“保存并重启”以应用配置更改。

5. 在CDH管理界面中，选择Spark服务，然后点击“配置”选项卡。

6. 在配置页面中，找到“Spark 特定”的部分。在“Spark 实例模式”中选择“Standalone”，表示将使用独立的Spark集群。

7. 在“Spark 主节点地址”中填写正确的Spark主节点的地址。

8. 点击“保存并重启”以应用配置更改。

9. 配置完成后，可以使用HiveQL语句在Hive中使用Spark进行查询和分析数据。在Hive命令行或Hue界面中，编写需要的查询语句并执行。

通过以上步骤，就可以在CDH上成功配置Hive on Spark。这样就可以同时利用Hive和Spark的强大功能，实现对大规模数据的高效分析和处理。

### 回答2：
CDH配置Hive on Spark是指在CDH平台上配置使用Spark作为Hive的计算引擎。下面是具体的步骤：

1. 首先，确保已经在CDH平台上安装了Hive和Spark组件。

2. 在Hive的配置文件中，需要添加以下参数来启用Hive on Spark：
hive.execution.engine = spark
hive.spark.client.connect.timeout = 300s
hive.spark.client.server.connect.timeout = 300s

3. 在Spark的配置文件中，需要增加以下参数来支持Hive on Spark：
spark.master = yarn-client
spark.deploy.mode = client
spark.submit.deployMode = client
spark.yarn.queue = default
spark.executor.instances = 10
spark.executor.memory = 4G
spark.executor.cores = 2
spark.driver.memory = 4G

4. 然后，重启Hive和Spark的服务。

5. 运行Hive脚本或者Hive命令时，可以在Hive中使用"hive.execution.engine=spark"设置为Spark引擎，或者在命令行中使用"--engine=spark"参数。

配置完成后，Hive会将相应的作业提交给Spark来执行，利用Spark的分布式计算能力加速Hive查询的执行速度。需要注意的是，配置Hive on Spark需要确保CDH平台中的Hive和Spark是兼容的，并且调整Spark的资源配置以满足计算需求。

总之，通过CDH配置Hive on Spark可以充分发挥Spark的并行处理能力，提高Hive查询的执行效率和性能。

### 回答3：
CDH是一种大数据解决方案，用于配置Hive on Spark的步骤如下：

1. 首先，确保已安装CDH集群并启动了Hive和Spark组件。如果还没有安装，请按照CDH文档进行安装和配置。

2. 检查Hive和Spark的版本兼容性。Hive on Spark需要Hive和Spark版本之间的兼容性，查看CDH文档以了解哪些版本适用于您的集群。

3. 在Hive配置文件中启用Hive的Spark支持。打开Hive配置文件（hive-site.xml），设置hive.execution.engine为spark。

4. 配置Spark属性。在Spark配置文件（spark-defaults.conf）中，设置spark.master为yarn-client或yarn-cluster，这取决于您的CDH集群配置。还可以通过设置其他属性来优化Spark执行引擎的性能。

5. 启动Hive服务。重启Hive服务以使配置更改生效。您可以使用以下命令重新启动Hive服务：
sudo service hive-server2 restart

6. 测试Hive on Spark。使用Hive命令行或其他Hive客户端，运行一些Hive查询并确认它们是否在Spark上执行。

配置Hive on Spark可以提供更好的性能和资源利用率。而且，使用Spark作为执行引擎还可以充分利用Spark提供的丰富的数据处理功能和API。通过使用CDH的Hive on Spark配置，您可以更好地处理和分析大规模的数据集。