具有 HiveContext 的多个 Spark 应用程序

Multiple Spark applications with HiveContext

有两个单独的 pyspark 应用程序实例化 HiveContext 代替 SQLContext 让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))

其他应用程序成功终止。

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 和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 只是为了保留脚本 运行 而我启动另一个进程。

如果我有这个脚本的两个实例 运行,读取 parquet 文件时会出现上述错误。当我用 SQLContext 替换 HiveContext 时,一切都很好。

有人知道这是为什么吗?

默认情况下,Hive(Context) 使用嵌入式 Derby 作为 Metastore。它主要用于测试并且仅支持一个活跃用户。如果你想支持多个 运行 应用程序,你应该配置一个独立的 Metastore。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),但一般来说你需要:

Cloudera 提供了您可能会觉得有用的综合指南:Configuring the Hive Metastore

理论上,也应该可以通过适当的配置创建单独的 Derby 元存储(参见 Hive Admin Manual - Local/Embedded Metastore Database) or to use 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:

When not configured by the hive-site.xml, the context automatically creates metastore_db in the current directory