spark操作hive表，用java调用提交任务脚本

Spark最主要资源管理方式按排名为Hadoop Yarn, Apache Standalone 和Mesos。

此次使用的yarn模式部署。spark操作hive创建任务，需要将此任务提交。在经过多日查找资料和测试发现多数是提交本地，少有提交到远程yarn集群。发现提交到远程集群的是使用 Standalone模式部署的，这种模式可以指定ip及端口。因此在此次开发中是没有使用java程序提交spark任务。还发现一种在java代码中写提交任务，但需要通过java命令触发，感觉本质上与用spark命令提交没有区别，故此方案不作考虑。所以spark任务提交会做成shell脚本来提交。

import org.apache.spark.sql.SparkSession;

public class SparkTest {
    public static void main(String[] args) {
        SparkSession spark = SparkSession
                .builder()
                .appName("SparkTest").master("yarn-client").enableHiveSupport()
                .getOrCreate();
        // 删除hive表
        spark.sql("DROP TABLE IF EXISTS CH_TEST.SPARK_TEST");
        // 创建hive表
        String createSql = "CREATE TABLE IF NOT EXISTS CH_TEST.SPARK_TEST (MEMBER_ID string,MEMBER_NAME string,QTT bigint)";
        spark.sql(createSql);
        // 插入数据
        String insertSql = "INSERT INTO TABLE CH_TEST.HIVE_SPARK select * from CH_TEST.SPARK_TEST a limit 10";
        spark.sql(insertSql);
        spark.stop();
    }
}

只需在main方法中写入spark逻辑，再使用spark命令调用执行即可。SparkSession是最新版本spark所使用的，之前使用的SQLContext、HiveContext 均已过时，会出现找不到表的情况。

# --class指定需要提交的类
# --master指定提交方式
# /root/bigdata/hadoop-0.0.1.jar指定类所在jar包
# 还有其他参数，但此次提交只需要这些就可以
spark2-submit --class com.test.SparkTest
--master yarn  /root/bigdata/hadoop-0.0.1.ja

使用java提交spark任务

import java.io.IOException;
import java.io.InputStreamReader;

public class JavaShell {
    public static void commitSparkShell(String command,String type,long start){
        InputStreamReader stdISR = null;
        InputStreamReader errISR = null;
        Process process = null;
        try {
            process = Runtime.getRuntime().exec(command);
            CommandStreamGobbler errorGobbler = new CommandStreamGobbler(process.getErrorStream(), command, "ERR");
            CommandStreamGobbler outputGobbler = new CommandStreamGobbler(process.getInputStream(), command, "STD");
            errorGobbler.start();
            // 必须先等待错误输出ready再建立标准输出
            while (!errorGobbler.isReady()) {
                Thread.sleep(10);
            }
            outputGobbler.start();
            while (!outputGobbler.isReady()) {
                Thread.sleep(10);
            }
            process.waitFor();
        } catch (Exception e) {
            e.printStackTrace();
        }finally {
            try {
                if (stdISR != null) {
                    stdISR.close();
                }
                if (errISR != null) {
                    errISR.close();
                }
                if (process != null) {
                    process.destroy();
                }
                long end = System.currentTimeMillis();
                System.out.println(type + "计算总共耗时："+ String.valueOf(end - start) + "ms");
            } catch (IOException e) {
                System.out.println("正式执行命令：" + command + "有IO异常");
            }
        }
    }
}

import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.LinkedList;
import java.util.List;

public class CommandStreamGobbler extends Thread{
    private InputStream is;

    private String command;

    private String prefix = "";

    private boolean readFinish = false;

    private boolean ready = false;

    private List<String> infoList = new LinkedList<String>();

    public CommandStreamGobbler(InputStream is, String command, String prefix) {
        this.is = is;
        this.command = command;
        this.prefix = prefix;
    }

    public void run() {
        InputStreamReader isr = null;
        try {
            isr = new InputStreamReader(is);
            BufferedReader br = new BufferedReader(isr);
            String line = null;
            ready = true;
            while ((line = br.readLine()) != null) {
                infoList.add(line);
                System.out.println(prefix + " line: " + line);
            }
        } catch (IOException ioe) {
            System.out.println("正式执行命令：" + command + "有IO异常");
        } finally {
            try {
                if (isr != null) {
                    isr.close();
                }
            } catch (IOException ioe) {
                System.out.println("正式执行命令：" + command + "有IO异常");
            }
            readFinish = true;
        }
    }

    public InputStream getIs() {
        return is;
    }

    public String getCommand() {
        return command;
    }

    public boolean isReadFinish() {
        return readFinish;
    }

    public boolean isReady() {
        return ready;
    }

    public List<String> getInfoList() {
        return infoList;
    }
}

为什么使用CommandStreamGobbler ，因为在测试提交任务的时候，并不能完全执行脚本。因为当标准输出流或标准错误流非常庞大的时候，会出现调用waitFor方法卡死的bug。

原因分析：假设linux进程不断向标准输出流和标准错误流写数据，而JVM却不读取，数据会暂存在linux缓存区，当缓存区存满之后导致该进程无法继续写数据，会僵死，导致java进程会卡死在waitFor()处，永远无法结束。

解决方式：由于标准输出和错误输出都会向Linux缓存区写数据，而脚本如何输出这两种流是Java端不能确定的。为了不让shell脚本的子进程卡死，这两种输出需要分别读取，而且不能互相影响。所以必须新开两个线程来进行读取。

spark操作hive表，用java调用提交任务脚本

猜你喜欢