spark sql on hive笔记一

spark sql on hive非常方便，通过共享读取hive的元数据，我们可以直接使用spark sql访问hive的库和表，做更快的OLAP的分析。

spark 如果想直接能集成sql，最好自己编译下源码：

切换scala的版本为新版本
dev/change-scala-version.sh 2.11
编译支持hive
mvn -Pyarn -Phive  -Phive-thriftserver -Phadoop-2.7.3 -Dscala-2.11 -DskipTests clean package

注意，spark sql 可以直接在linux上使用，像执行hive命令一样，进入交互式终端，进行即席查询，进入spark-sql交互式终端命令，并指定以yarn的模式运行：

spark/bin/spark-sql  --master yarn

本次使用的spark2.0.2，进入交互式终端之后，可以进行任意的查询分析，但本文的笔记例子，不是基于终端的spark sql分析，而是在scala中使用spark sql on hive，在编程语言里面使用spark sql on hive 灵活性大大提供，能做更多的事情，比如说分析完的结果存储到mysql，hbase或者redis里面，或者分析的过程，需要外部存储的一些数据等等。

开发程序是在IDEA里面写的，项目风格是java+scala混搭采用maven管理，注意不是全scala项目，没有用sbt管理，sbt的国内下载非常慢，能翻墙的同学可以尝试一下。

功能： 使用spark sql读取hive的数据，然后根据某个字段分组，并收集分组结果，然后存储到redis里面。

def main(args: Array[String]): Unit = {

val t0=System.nanoTime();//开始时间
val spark=SparkSession
.builder()
.appName("spark on sql hive  ")
.enableHiveSupport().getOrCreate();//激活hive支持

import spark.implicits._
import spark.sql
sql(" use db")//切换db
//注意，collect_set 可以收集分组结果
val ds=sql("select q_id, collect_set(kp_id) as ids from ods_q_quest_kp_rel where kp_id!=0  group by q_id");
ds.cache();//cache起来，便于后续使用
println("size:",ds.collect().length)//打印长度
ds.select("q_id","ids").collect().foreach (
t =>
{
val key=t.getAs[String]("q_id");//获取上面的列映射
val value=t.getAs[Seq[String]]("ids").mkString(",");//获取上面的分组集合
//insert redis
}
)
val t1=System.nanoTime();

println("insert redis ok! Elapsed time: " + (t1 - t0)/1000/1000 + "ms")
//停止
spark.stop();

}

有什么问题可以扫码关注微信公众号：我是攻城师(woshigcs)，在后台留言咨询。 技术债不能欠，健康债更不能欠， 求道之路，与君同行。