具有 HiveContext 的多个 Spark 应用程序答案

【问题标题】：Multiple Spark applications with HiveContext具有 HiveContext 的多个 Spark 应用程序
【发布时间】：2016-01-10 13:22:28
【问题描述】：

拥有两个单独的 pyspark 应用程序来实例化 HiveContext 代替 SQLContext 会导致两个应用程序之一失败并出现错误：

Exception: ("You must build Spark with Hive. Export 'SPARK_HIVE=true' and run build/sbt assembly", Py4JJavaError(u'An error occurred while calling None.org.apache.spark.sql.hive.HiveContext .\n', JavaObject id=o34039))

另一个应用程序成功终止。

我正在使用 Python API 中的 Spark 1.6，并希望使用一些 Dataframe 函数，这些函数仅受 HiveContext 支持（例如 collect_set）。我在 1.5.2 及更早版本上遇到过同样的问题。

这足以重现：

import time
from pyspark import SparkContext, SparkConf
from pyspark.sql import SQLContext

conf = SparkConf()
sc = SparkContext(conf=conf)
sq = HiveContext(sc)

data_source = '/tmp/data.parquet'
df = sq.read.parquet(data_source)
time.sleep(60)

sleep 只是为了在我启动另一个进程时保持脚本运行。

如果我运行此脚本的两个实例，则在读取 parquet 文件时会显示上述错误。当我将HiveContext 替换为SQLContext 时，一切都很好。

有人知道这是为什么吗？

【问题讨论】：

标签： apache-spark hive pyspark

【解决方案1】：

默认情况下，Hive(Context) 使用嵌入式 Derby 作为元存储。它主要用于测试并且仅支持一个活跃用户。如果您想支持多个正在运行的应用程序，您应该配置一个独立的元存储。目前 Hive 支持 PostgreSQL、MySQL、Oracle 和 MySQL。配置细节取决于后端和选项（本地/远程），但一般来说您需要：

正在运行的 RDBMS 服务器
使用provided scripts 创建的元存储数据库
一个合适的 Hive configuration

Cloudera 提供了一份综合指南，您可能会觉得有用：Configuring the Hive Metastore。

理论上，也应该可以使用适当的配置创建单独的 Derby 元存储（请参阅Hive Admin Manual - Local/Embedded Metastore Database）或使用Derby in Server Mode。

对于开发，您可以在不同的工作目录中启动应用程序。 This will create separate metastore_db for each application 并避免多个活跃用户的问题。提供单独的 Hive 配置应该也可以，但在开发中用处不大：

hive-site.xml未配置时，上下文自动在当前目录创建metastore_db

【讨论】：