离线数仓 (十) --------- 数仓环境搭建

梦里梦外; 2024-04-01 11:09 110阅读 0赞

#### 目录 ####

*  一、Hive 环境搭建
 *   *  1. Hive 引擎简介
     *  2. Hive on Spark 配置
     *  3. Hive on Spark 测试
 *  二、Yarn 配置
 *   *  1. 增加 ApplicationMaster 资源比例
 *  三、数仓开发环境
 *   *  1. 启动 HiveServer2
     *  2. 配置 DataGrip 连接
 *  四、数据准备
 *   *  1. 用户行为日志
     *  2. 业务数据

--------------------

## 一、Hive 环境搭建 ##

### 1. Hive 引擎简介 ###

Hive 引擎包括：默认MR、tez、spark。

Hive on Spark：Hive 既作为存储元数据又负责SQL的解析优化，语法是 HQL 语法，执行引擎变成了Spark，Spark负责采用 RDD 执行。

Spark on Hive : Hive只作为存储元数据，Spark负责SQL 解析优化，语法是 Spark SQL 语法，Spark负责采用RDD执行。

### 2. Hive on Spark 配置 ###

**A、兼容性说明**

注意：官网下载的 Hive3.1.2 和 Spark3.0.0 默认是不兼容的。因为 Hive3.1.2 支持的 Spark 版本是 2.4.5，所以需要我们重新编译 Hive3.1.2 版本。

编译步骤：官网下载 Hive3.1.2 源码，修改 pom 文件中引用的 Spark 版本为 3.0.0，如果编译通过，直接打包获取 jar 包。如果报错，就根据提示，修改相关方法，直到不报错，打包获取 jar 包。

**B、在 Hive 所在节点部署 Spark**

如果之前已经部署了 Spark，则该步骤可以跳过，但要检查 SPARK\_HOME 的环境变量配置是否正确。

Spark官网下载 jar 包地址： [http://spark.apache.org/downloads.html][http_spark.apache.org_downloads.html]

上传并解压解压 spark-3.0.0-bin-hadoop3.2.tgz

[fancy@node101 software]$ tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module/
    [fancy@node101 software]$ mv /opt/module/spark-3.0.0-bin-hadoop3.2 /opt/module/spark

配置 SPARK\_HOME 环境变量

[fancy@node101 software]$ sudo vim /etc/profile.d/my_env.sh

添加如下内容

# SPARK_HOME
    export SPARK_HOME=/opt/module/spark
    export PATH=$PATH:$SPARK_HOME/bin
    source 使其生效

[fancy@node101 software]$ source /etc/profile.d/my_env.sh

**C、在 hive 中创建 spark 配置文件**

[fancy@node101 software]$ vim /opt/module/hive/conf/spark-defaults.conf

添加如下内容（在执行任务时，会根据如下参数执行）

spark.master                            yarn
    spark.eventLog.enabled                  true
    spark.eventLog.dir                      hdfs://node101:8020/spark-history
    spark.executor.memory                   1g
    spark.driver.memory					    1g

在HDFS创建如下路径，用于存储历史日志

[fancy@node101 software]$ hadoop fs -mkdir /spark-history

**D、向 HDFS 上传 Spark 纯净版 jar 包**

说明1：由于 Spark3.0.0 非纯净版默认支持的是 hive2.3.7 版本，直接使用会和安装的 Hive3.1.2 出现兼容性问题。所以采用 Spark 纯净版 jar 包，不包含 hadoop 和 hive 相关依赖，避免冲突。

说明2：Hive 任务最终由 Spark 来执行，Spark 任务资源分配由 Yarn 来调度，该任务有可能被分配到集群的任何一个节点。所以需要将 Spark 的依赖上传到 HDFS 集群路径，这样集群中任何一个节点都能获取到。

上传并解压spark-3.0.0-bin-without-hadoop.tgz

[fancy@node101 software]$ tar -zxvf /opt/software/spark-3.0.0-bin-without-hadoop.tgz

上传 Spark 纯净版 jar 包到 HDFS

[fancy@node101 software]$ hadoop fs -mkdir /spark-jars
    
    [fancy@node101 software]$ hadoop fs -put spark-3.0.0-bin-without-hadoop/jars/* /spark-jars

**E、修改 hive-site.xml 文件**

[fancy@node101 ~]$ vim /opt/module/hive/conf/hive-site.xml

添加如下内容

<property>
        <name>spark.yarn.jars</name>
        <value>hdfs://node101:8020/spark-jars/*</value>
    </property>
      
    
    <property>
        <name>hive.execution.engine</name>
        <value>spark</value>
    </property>

### 3. Hive on Spark 测试 ###

**A、启动 hive 客户端**

[fancy@node101 hive]$ bin/hive

**B、创建一张测试表**

hive (default)> create table student(id int, name string);

**C、通过insert测试效果**

hive (default)> insert into table student values(1,'abc');

若结果如下，则说明配置成功

![在这里插入图片描述][6f97d2299a88422bbc5f95c69b425424.png]

## 二、Yarn 配置 ##

### 1. 增加 ApplicationMaster 资源比例 ###

容量调度器对每个资源队列中同时运行的 Application Master 占用的资源进行了限制，该限制通过 yarn.scheduler.capacity.maximum-am-resource-percent 参数实现，其默认值是 0.1，表示每个资源队列上 Application Master 最多可使用的资源为该队列总资源的 10%，目的是防止大部分资源都被 Application Master 占用，而导致 Map/Reduce Task 无法执行。

生产环境该参数可使用默认值。但学习环境，集群资源总数很少，如果只分配 10% 的资源给 Application Master ，则可能出现，同一时刻只能运行一个Job 的情况，因为一个 Application Master 使用的资源就可能已经达到 10%的上限了。故此处可将该值适当调大。

**A、在 node101 的 /opt/module/hadoop-3.1.3/etc/hadoop/capacity-scheduler.xml 文件中修改如下参数值**

[fancy@node101 hadoop]$ vim capacity-scheduler.xml

<property>
        <name>yarn.scheduler.capacity.maximum-am-resource-percent</name>
        <value>0.8</value>
    </property>

**B、分发 capacity-scheduler.xml 配置文件**

[fancy@node101 hadoop]$ xsync capacity-scheduler.xml

**C、关闭正在运行的任务，重新启动 yarn 集群**

[fancy@node102 hadoop-3.1.3]$ sbin/stop-yarn.sh
    [fancy@node102 hadoop-3.1.3]$ sbin/start-yarn.sh

## 三、数仓开发环境 ##

数仓开发工具可选用 DBeaver 或者 DataGrip。两者都需要用到 JDBC 协议连接到 Hive，故需要启动 HiveServer2。

### 1. 启动 HiveServer2 ###

[fanchy@node101 hive]$ hiveserver2

### 2. 配置 DataGrip 连接 ###

**A、创建连接**

![在这里插入图片描述][5a7c449813364d10a23df17082f1be54.png]

**B、配置连接属性**

所有属性配置，和 Hive 的 beeline 客户端配置一致即可。初次使用，配置过程会提示缺少 JDBC 驱动，按照提示下载即可。

![在这里插入图片描述][95ba1ba8a89a4ff88398e0cc9dfdec79.png]

**C、测试使用**

创建数据库gmall，并观察是否创建成功。

创建数据库

![在这里插入图片描述][4016d39a1b6840ca82f19965f42c763f.png]  
查看数据库

![在这里插入图片描述][da4b8bc8a1174b3a9bce439f017ae2e6.png]  
修改连接，指明连接数据库

![在这里插入图片描述][e1d53fa95b044d66a28062e60317cf51.png]  
选择当前数据库为 gmall

![在这里插入图片描述][9af68431ae5a4f7897d5c2e5ab2baf5b.png]

## 四、数据准备 ##

一般企业在搭建数仓时，业务系统中会存在一定的历史数据，此处为模拟真实场景，需准备若干历史数据。假定数仓上线的日期为 2020-06-14，具体说明如下。

### 1. 用户行为日志 ###

用户行为日志，一般是没有历史数据的，故日志只需要准备 2020-06-14 一天的数据。具体操作如下：

*  启动日志采集通道，包括 Flume、Kafka 等
 *  修改两个日志服务器(node101、node102) 中的/opt/module/applog/application.yml配置文件，将mock.date参数改为 2020-06-14。
 *  执行日志生成脚本lg.sh。
 *  观察HDFS是否出现相应文件。

![在这里插入图片描述][14b646fa706b42a58da34f6f73ada1c2.png]

### 2. 业务数据 ###

业务数据一般存在历史数据，此处需准备 2020-06-10 至 2020-06-14 的数据。具体操作如下。

修改 node101 节点上的/opt/module/db\_log/application.properties 文件，将mock.date、mock.clear，mock.clear.user 三个参数调整为如图所示的值。

![在这里插入图片描述][097e4fbfb5eb4a41b4aa67ed4471fee7.png]

执行模拟生成业务数据的命令，生成第一天2020-06-10的历史数据。

[fancy@node101 db_log]$ java -jar gmall2020-mock-db-2021-01-22.jar

修改 /opt/module/db\_log/application.properties 文件，将 mock.date、mock.clear，mock.clear.user 三个参数调整为如图所示的值。

![在这里插入图片描述][1280ff5eab0e4aa3991bfbd825d55e2b.png]

执行模拟生成业务数据的命令，生成第二天2020-06-11的历史数据。

[fancy@node101 db_log]$ java -jar gmall2020-mock-db-2021-01-22.jar

之后只修改 /opt/module/db\_log/application.properties 文件中的 mock.date 参数，依次改为2020-06-12，2020-06-13，2020-06-14，并分别生成对应日期的数据。

执行 mysql\_to\_hdfs\_init.sh 脚本，将模拟生成的业务数据同步到 HDFS。

[fancy@node101 bin]$ mysql_to_hdfs_init.sh all 2020-06-14

观察HDFS上是否出现相应的数据

[http_spark.apache.org_downloads.html]: http://spark.apache.org/downloads.html
[6f97d2299a88422bbc5f95c69b425424.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/380f41c584374a9480a0ca407c50630d.png
[5a7c449813364d10a23df17082f1be54.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/353f8a55f7d1489bbb6f6563eee0c8a0.png
[95ba1ba8a89a4ff88398e0cc9dfdec79.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/41c0dd7de1aa48b88fe6231d06744532.png
[4016d39a1b6840ca82f19965f42c763f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/85739a5d253f4be28824a7f467fe978e.png
[da4b8bc8a1174b3a9bce439f017ae2e6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/775a15c8a53e4218873fcf261e104d6d.png
[e1d53fa95b044d66a28062e60317cf51.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/c9e182a6869042d7b15274cdf4dfe4be.png
[9af68431ae5a4f7897d5c2e5ab2baf5b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/6e05dbcb589e4612ae17c885c5879d31.png
[14b646fa706b42a58da34f6f73ada1c2.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/d2ad7a63fac34d6e8041682561ab8c2f.png
[097e4fbfb5eb4a41b4aa67ed4471fee7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/82cc27349c814d7e87b5d72423b88e8c.png
[1280ff5eab0e4aa3991bfbd825d55e2b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/3a245ecb7cb94d08bc768a8295de3bff.png