1

我正在尝试在 BigInsights on Cloud 4.2 Enterprise 上运行访问 Hive 表的 pyspark 脚本。

首先，我创建 hive 表：

[biadmin@bi4c-xxxxx-mastermanager ~]$ hive
hive> CREATE TABLE pokes (foo INT, bar STRING);
OK
Time taken: 2.147 seconds
hive> LOAD DATA LOCAL INPATH '/usr/iop/4.2.0.0/hive/doc/examples/files/kv1.txt' OVERWRITE INTO TABLE pokes;
Loading data to table default.pokes
Table default.pokes stats: [numFiles=1, numRows=0, totalSize=5812, rawDataSize=0]
OK
Time taken: 0.49 seconds
hive>

然后我创建一个简单的 pyspark 脚本：

[biadmin@bi4c-xxxxxx-mastermanager ~]$ cat test_pokes.py
from pyspark import SparkContext

sc = SparkContext()

from pyspark.sql import HiveContext
hc = HiveContext(sc)

pokesRdd = hc.sql('select * from pokes')
print( pokesRdd.collect() )

我尝试执行：

[biadmin@bi4c-xxxxxx-mastermanager ~]$ spark-submit \
    --master yarn-cluster \
    --deploy-mode cluster \
    --jars /usr/iop/4.2.0.0/hive/lib/datanucleus-api-jdo-3.2.6.jar, \
           /usr/iop/4.2.0.0/hive/lib/datanucleus-core-3.2.10.jar, \
           /usr/iop/4.2.0.0/hive/lib/datanucleus-rdbms-3.2.9.jar \
    test_pokes.py

但是，我遇到错误：

Traceback (most recent call last):
  File "test_pokes.py", line 8, in <module>
    pokesRdd = hc.sql('select * from pokes')
  File "/disk6/local/usercache/biadmin/appcache/application_1477084339086_0481/container_e09_1477084339086_0481_01_000001/pyspark.zip/pyspark/sql/context.py", line 580, in sql
  File "/disk6/local/usercache/biadmin/appcache/application_1477084339086_0481/container_e09_1477084339086_0481_01_000001/py4j-0.9-src.zip/py4j/java_gateway.py", line 813, in __call__
  File "/disk6/local/usercache/biadmin/appcache/application_1477084339086_0481/container_e09_1477084339086_0481_01_000001/pyspark.zip/pyspark/sql/utils.py", line 51, in deco
pyspark.sql.utils.AnalysisException: u'Table not found: pokes; line 1 pos 14'
End of LogType:stdout

如果我独立运行 spark-submit，我可以看到该表存在正常：

[biadmin@bi4c-xxxxxx-mastermanager ~]$ spark-submit test_pokes.py
…
…
16/12/21 13:09:13 INFO Executor: Finished task 0.0 in stage 0.0 (TID 0). 18962 bytes result sent to driver
16/12/21 13:09:13 INFO TaskSetManager: Finished task 0.0 in stage 0.0 (TID 0) in 168 ms on localhost (1/1)
16/12/21 13:09:13 INFO TaskSchedulerImpl: Removed TaskSet 0.0, whose tasks have all completed, from pool
16/12/21 13:09:13 INFO DAGScheduler: ResultStage 0 (collect at /home/biadmin/test_pokes.py:9) finished in 0.179 s
16/12/21 13:09:13 INFO DAGScheduler: Job 0 finished: collect at /home/biadmin/test_pokes.py:9, took 0.236558 s
[Row(foo=238, bar=u'val_238'), Row(foo=86, bar=u'val_86'), Row(foo=311, bar=u'val_311')
…
…

请参阅我之前与此问题相关的问题：hive spark yarn-cluster job failed with: "ClassNotFoundException: org.datanucleus.api.jdo.JDOPersistenceManagerFactory"

这个问题与另一个问题类似：Spark can access Hive table from pyspark but not from spark-submit。但是，与那个问题不同，我使用的是 HiveContext。

更新：请参阅此处了解最终解决方案https://stackoverflow.com/a/41272260/1033422

4

3 回答 3

6

这是因为 spark-submit 作业找不到hive-site.xml，因此无法连接到 Hive 元存储。请添加--files /usr/iop/4.2.0.0/hive/conf/hive-site.xml到您的 spark-submit 命令。

于 2016-12-21T13:24:51.993 回答
2

看起来您受到此错误的影响： https ://issues.apache.org/jira/browse/SPARK-15345 。



我在 HDP-2.5.0.0 上使用 Spark 1.6.2 和 2.0.0 时遇到了类似的问题：
我的目标是在以下条件下从 Hive SQL 查询创建一个数据框：

  • 蟒蛇API，
  • 集群部署模式（在其中一个执行程序节点上运行的驱动程序）
  • 使用 YARN 管理执行程序 JVM（而不是独立的 Spark 主实例）。

最初的测试给出了这些结果：

  1. spark-submit --deploy-mode client --master local ...=> 工作
  2. spark-submit --deploy-mode client --master yarn ... =>工作
  3. spark-submit --deploy-mode cluster --master yarn .... =>不工作

在案例 #3 中，在其中一个执行程序节点上运行的驱动程序可以找到数据库。错误是：

pyspark.sql.utils.AnalysisException: 'Table or view not found: `database_name`.`table_name`; line 1 pos 14'



上面列出的 Fokko Driesprong 的答案对我有用。
 使用下面列出的命令，在执行程序节点上运行的驱动程序能够访问数据库中的 Hive 表，该表不是default：

$ /usr/hdp/current/spark2-client/bin/spark-submit \
--deploy-mode cluster --master yarn \
--files /usr/hdp/current/spark2-client/conf/hive-site.xml \
/path/to/python/code.py



我用来测试 Spark 1.6.2 和 Spark 2.0.0 的 python 代码是：（ 将 SPARK_VERSION 更改为 1 以使用 Spark 1.6.2 进行测试。确保相应地更新 spark-submit 命令中的路径）

SPARK_VERSION=2      
APP_NAME = 'spark-sql-python-test_SV,' + str(SPARK_VERSION)



def spark1():
    from pyspark.sql import HiveContext
    from pyspark import SparkContext, SparkConf

    conf = SparkConf().setAppName(APP_NAME)
    sc = SparkContext(conf=conf)
    hc = HiveContext(sc)

    query = 'select * from database_name.table_name limit 5'
    df = hc.sql(query)
    printout(df)




def spark2():
    from pyspark.sql import SparkSession
    spark = SparkSession.builder.appName(APP_NAME).enableHiveSupport().getOrCreate()
    query = 'select * from database_name.table_name limit 5'
    df = spark.sql(query)
    printout(df)




def printout(df):
    print('\n########################################################################')
    df.show()
    print(df.count())

    df_list = df.collect()
    print(df_list)
    print(df_list[0])
    print(df_list[1])
    print('########################################################################\n')




def main():
    if SPARK_VERSION == 1:
        spark1()
    elif SPARK_VERSION == 2:
        spark2()




if __name__ == '__main__':
    main()
于 2017-03-03T23:26:00.297 回答
0

对我来说，接受的答案不起作用。
(--文件 /usr/iop/4.2.0.0/hive/conf/hive-site.xml)

在代码文件顶部添加以下代码解决了它。

import findspark
findspark.init('/usr/share/spark-2.4')  # for 2.4
于 2021-06-28T03:35:42.007 回答