spark on yarn模式下配置spark-sql访问hive元数据

目的：在spark on yarn模式下，执行spark-sql访问hive的元数据。并对比一下spark-sql 和hive的效率。
软件环境：

hadoop2.7.3

apache-hive-2.1.1-bin

spark-2.1.0-bin-hadoop2.7

jd1.8

hadoop是伪分布式安装的，1个节点，2core，4G内存。
hive是远程模式。

spark的下载地址：
http://spark.apache.org/downloads.html
解压安装spark
tar -zxvf spark-2.1.0-bin-hadoop2.7.tgz.tar
cd spark-2.1.0-bin-hadoop2.7/conf
cp spark-env.sh.template spark-env.sh
cp slaves.template slaves
cp log4j.properties.template log4j.properties
cp spark-defaults.conf.template spark-defaults.conf

修改spark的配置文件
cd $SPARK_HOME/conf
vi spark-env.sh

export JAVA_HOME=/usr/local/jdk
export HADOOP_HOME=/home/fuxin.zhao/soft/hadoop-2.7.3
export HDFS_CONF_DIR=${HADOOP_HOME}/etc/hadoop
export YARN_CONF_DIR=${HADOOP_HOME}/etc/hadoop

vi spark-defaults.conf

spark.master                     spark://ubuntuServer01:7077
spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://ubuntuServer01:9000/tmp/spark
spark.serializer                 org.apache.spark.serializer.KryoSerializer
spark.driver.memory              512m
spark.executor.extraJavaOptions  -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"
#spark.yarn.jars                  hdfs://ubuntuServer01:9000/tmp/spark/lib_jars/*.jar

vi slaves

ubuntuServer01

** 配置spark-sql读取hive的元数据**

##将hive-site.xml 软连接到spark的conf配置目录中：
cd $SPARK_HOME/conf
ln -s /home/fuxin.zhao/soft/apache-hive-2.1.1-bin/conf/hive-site.xml hive-site.xml
##将连接 mysql-connector-java-5.1.35-bin.jar拷贝到spark的jars目录下
cp $HIVE_HOME/lib/mysql-connector-java-5.1.35-bin.jar  $SPARK_HOME/jars

测试spark-sql：
先使用hive创建几个数据库和数据表，测试spark-sql是否可以访问
我向 temp.s4_order表导入了6万行，9M大小的数据。

#先使用hive创建一下数据库和数据表，测试spark-sql是否可以访问
hive -e "
create database temp;
create database test;
use temp;
CREATE EXTERNAL TABLE t_source(
  `sid` string, 
  `uid` string 
);

load data local inpath '/home/fuxin.zhao/t_data'  into table t_source;
CREATE EXTERNAL TABLE s4_order(
  `orderid` int , 
  `retailercode` string , 
  `orderstatus` int, 
  `paystatus` int, 
  `payid` string, 
  `paytime` timestamp, 
  `payendtime` timestamp, 
  `salesamount` int, 
  `description` string, 
  `usertoken` string, 
  `username` string, 
  `mobile` string, 
  `createtime` timestamp, 
  `refundstatus` int, 
  `subordercount` int, 
  `subordersuccesscount` int, 
  `subordercreatesuccesscount` int, 
  `businesstype` int, 
  `deductedamount` int, 
  `refundorderstatus` int, 
  `platform` string, 
  `subplatform` string, 
  `refundnumber` string, 
  `refundpaytime` timestamp, 
  `refundordertime` timestamp, 
  `primarysubordercount` int, 
  `primarysubordersuccesscount` int, 
  `suborderprocesscount` int, 
  `isshoworder` int, 
  `updateshowordertime` timestamp, 
  `devicetoken` string, 
  `lastmodifytime` timestamp, 
  `refundreasontype` int )
PARTITIONED BY ( 
  `dt` string);
 load data local inpath '/home/fuxin.zhao/20170214003514'  OVERWRITE into table s4_order partition(dt='2017-02-13');
load data local inpath '/home/fuxin.zhao/20170215000514'  OVERWRITE into table s4_order partition(dt='2017-02-14');
"

输入spark-sql命令，在终端中执行如下一些sql命令：
启动spark-sql客户端：
spark-sql --master yarn
在启动的命令行中执行如下sql：

	show database;
    use  temp；
    show tables;
	select *  from s4_order limit 100;
	select count(*) ,dt from s4_order group dt; 
	select count(*)  from s4_order ; 
        insert overwrite table t_source select orderid,createtime from s4_order;

select count() ,dt from s4_order group dt; // spark-sql耗时 11s； hive执行耗时30秒
select count() from s4_order ; // spark-sql耗时2s；hive执行耗时25秒。

直观的感受是spark-sql 的效率大概是hive的 3到10倍，由于我的测试是本地的虚拟机单机环境，hadoop也是伪分布式环境，资源较匮乏，在生产环境中随着集群规模，数据量，执行逻辑的变化，执行效率应该不是这个比例。