Spark SQL数据源：Hive表

文章目录

一、Spark SQL支持读写Hive

Spark SQL还支持读取和写入存储在Apache Hive中的数据。然而，由于Hive有大量依赖项，这些依赖项不包括在默认的Spark发行版中，如果在classpath上配置了这些Hive依赖项，Spark就会自动加载它们。需要注意的是，这些Hive依赖项必须出现在所有Worker节点上，因为它们需要访问Hive序列化和反序列化库（SerDes），以便访问存储在Hive中的数据。

在使用Hive时，必须实例化一个支持Hive的SparkSession对象。若系统中没有部署Hive，则仍然可以启用Hive支持（Spark SQL充当Hive查询引擎）。Spark对Hive的支持包括连接到持久化的Hive元数据库、Hive SerDe、Hive用户定义函数、HiveQL等。如果没有配置hive-site.xml文件，Spark应用程序启动时，就会自动在当前目录中创建Derby元数据库metastore_db，并创建一个由spark.sql.warehouse.dir指定的数据仓库目录（若不指定，则默认启动Spark应用程序当前目录中的spark-warehouse目录）。需要注意的是，从Spark2.0.0版本开始，hive-site.xml中的hive.metastore.warehouse.dir属性不再使用了，代替的是使用spark.sql.warehouse.dir指定默认的数据仓库目录。

二、Spark配置hive-site.xml

将Hive配置文件hive-site.xml拷贝到Spark配置目录，执行命令：cp $HIVE_HOME/conf/hive-site.xml $SPARK_HOME/conf

进入Spark配置目录，编辑Hive配置文件hive-site.xml

<property><name>spark.sql.warehouse.dir</name><value>/user/spark/warehouse</value></property>

三、准备工作

先要启动HDFS和Spark

（一）启动Hive的metastore

执行命令：hive --service metastore &

注意：博主这里执行命令时，出现了大量的警告，这里就不解决了，不影响后续操作，警告如下：

（二）启动Spark Shell

执行命令：spark-shell --master spark://master:7077

这里的警告信息表明，连接 MySQL 数据库时未做身份验证，不建议这样做。

要解决这个问题，有以下两种方法：

1. 显式地禁用 SSL：在连接 MySQL 数据库的时候添加 useSSL=false 参数。这种方式不安全，不建议使用，但是可以在测试环境下暂时解决问题。
2. 启用 SSL 并提供正确的信任库：在连接 MySQL 数据库的时候设置 useSSL=true，并提供正确的信任库用于服务器证书验证。这种方式更加安全。你可以参考 MySQL 官方文档来设置信任库。在默认情况下，Java 会使用位于 $JAVA_HOME/jre/lib/security 目录下的 cacerts 文件作为信任库。你可以通过使用 keytool -list 命令来查看其中的证书。

四、Spark读写Hive数据

（一）导入SparkSession

执行命令：import org.apache.spark.sql.SparkSession

（二）创建SparkSession对象

val spark =SparkSession.builder().appName("Spark Hive Demo").enableHiveSupport()// 开启Hive支持  .getOrCreate()

执行上述命令

（三）执行HiveQL语句

调用SparkSession对象的sql()方法可以传入需要执行的HiveQL语句。

1、创建Hive表

创建一张Hive表student，并指定字段分隔符为半角逗号“,”，执行命令：spark.sql(“CREATE TABLE IF NOT EXISTS student(id INT, name STRING, gender STRING, age INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘,’”)

2、导入本地数据到Hive表

查看本地文件/home/student.txt的内容

将该文件数据导入表student中，执行命令：

spark.sql("LOAD DATA LOCAL INPATH '/home/student.txt' INTO TABLE student")

3、查询Hive表数据

查询表student的数据并显示到控制台，执行命令：spark.sql(“SELECT * FROM student”).show()

按性别分组统计平均年龄，执行命令：spark.sql(“SELECT gender, AVG(age) FROM student GROUP BY gender”).show()

4、创建表时指定存储格式

创建一个Hive表test，数据存储格式为Parquet（默认为普通文本格式），执行命令：spark.sql(“CREATE TABLE test (name STRING, age INT) STORED AS PARQUET”)

5、将数据帧数据写入Hive表

使用saveAsTable()方法可以将数据帧数据写入指定的Hive表中。

加载student表数据得到数据帧
导入SaveMode类，执行命令：import org.apache.spark.sql.SaveMode

将数据帧数据写入hive表，执行命令：studentDf.select(“name”, “age”).write.mode(SaveMode.Overwrite).saveAsTable(“test”)

查询test表数据，执行命令：spark.sql(“select * from test”).show()

6、导入HDFS数据到Hive表

查看HDFS文件/student/input/student.txt的内容

创建Hive表student1，执行命令：spark.sql(“CREATE TABLE IF NOT EXISTS student1 (id INT, name STRING, gender STRING, age INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘,’”)

将该文件数据导入表student1中，执行命令：spark.sql(“LOAD DATA INPATH ‘hdfs://master:9000/student/input/student.txt’ INTO TABLE student1”)

查看表student1的内容，执行命令：spark.table(“student1”).show()

（四）在Hive客户端查看生成的hive表

查看三张表：student,student1和test

输入hive进入hive命令行