Spark SQL & Spark Hive编程开发， 并和Hive执行效率对比

Spark SQL也公布了很久，今天写了个程序来看下Spark SQL、Spark Hive以及直接用Hive执行的效率进行了对比。以上测试都是跑在YARN上。
　　首先我们来看看我的环境：

1. 3台DataNode，2台NameNode，每台机器20G内存，24核
2. 数据都是lzo格式的，共336个文件，338.6 G
3. 无其他任务执行

如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号：iteblog_hadoop

三个测试都是执行

1	select count(*), host, module

2	from ewaplog

3	group by host, module

4	order by host, module;

下面我们先来看看Spark SQL核心的代码（关于Spark SQL的详细介绍请参见Spark官方文档，这里我就不介绍了。）：

01

/**

02	* User: 过往记忆

03	* Date: 14-8-13

04	* Time: 下午23:16

05	* bolg: http://www.iteblog.com

06	* 本文地址：http://www.iteblog.com/archives/1090

07	* 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

08	* 过往记忆博客微信公共帐号：iteblog_hadoop

09

*/

10

11	JavaSparkContext ctx = ...

12	JavaSQLContext sqlCtx = ...

13	JavaRDD<Entry> stringJavaRDD = ctx.textFile(args[0]).map(

14	new Function<String, Entry>() {

15

@Override

16	public Entry call(String str) throws Exception {

17	String[] split = str.split("\u0001");

18	if (split.length < 3) {

19	return new Entry("", "", "");

20

}

21

22	return new Entry(split[0], split[1], split[2]);

23

}

24

});

25

26	JavaSchemaRDD schemaPeople = sqlCtx.applySchema(stringJavaRDD, Entry.class);

27	schemaPeople.registerAsTable("entry");

28	JavaSchemaRDD teenagers = sqlCtx.sql("select count(*), host, module " +

29	"from entry " +

30	"group by host, module " +

31	"order by host, module");

32

33	List<String> teenagerNames = teenagers.map(new Function<Row, String>() {

34	public String call(Row row) {

35	return row.getLong(0) + "\t" +

36	row.getString(1) + "\t" + row.getString(2);

37

}

38	}).collect();

39

40	for (String name : teenagerNames) {

41	System.out.println(name);

42

}

Spark Hive核心代码：

01

/**

02	* User: 过往记忆

03	* Date: 14-8-23

04	* Time: 下午23:16

05	* bolg: http://www.iteblog.com

06	* 本文地址：http://www.iteblog.com/archives/1090

07	* 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货

08	* 过往记忆博客微信公共帐号：iteblog_hadoop

09

*/

10	JavaHiveContext hiveContext =....;

11	JavaSchemaRDD result = hiveContext.hql("select count(*), host, module " +

12	"from ewaplog " +

13	"group by host, module " +

14	"order by host, module");

15	List<Row> collect = result.collect();

16	for (Row row : collect) {

17	System.out.println(row.get(0) + "\t" + row.get(1) + "\t" + row.get(2));

18

}

　　大家可以看到Spark Hive核心代码里面的SQL语句和直接在Hive上面执行一样，在执行这个代码的时候，需要确保ewaplog存在。而且在运行这个程序的时候需要依赖Hive的一些jar包，需要依赖Hive的元数据等信息。对Hive的依赖比较大。而Spark SQL直接读取lzo文件，并没有涉及到Hive，相比Spark Hive依赖性这方便很好。Spark SQL直接读取lzo文件，然后将数据存放在RDD中，applySchema方法将JavaRDD转换成JavaSchemaRDD，我们来看看文档是怎么来描述的

　　At the core of this component is a new type of RDD, SchemaRDD. SchemaRDDs are composed Row objects along with a schema that describes the data types of each column in the row. A SchemaRDD is similar to a table in a traditional relational database. A SchemaRDD can be created from an existing RDD, Parquet file, a JSON dataset, or by running HiveQL against data stored in Apache Hive.

转换成JavaSchemaRDD之后，我们可以用用registerAsTable将它注册到表中，之后就可以通过JavaSQLContext的sql方法来执行相应的sql语句了。
　　用Maven编译完上面的程序之后，放到Hadoop集群上面运行：

1	iteblog@Spark $ spark-submit --master yarn-cluster

2	--jars lib/spark-sql_2.10-1.0.0.jar

3	--class SparkSQLTest

4	--queue queue1

5	./spark-1.0-SNAPSHOT.jar

6	/home/wyp/test/*.lzo

分别经过了20分钟左右的时间，Spark SQL和Spark Hive都可以运行完，结果如下：

01	39511517    bokingserver1   CN1_hbase_android_client

02	59141803    bokingserver1   CN1_hbase_iphone_client

03	39544052    bokingserver2   CN1_hbase_android_client

04	59156743    bokingserver2   CN1_hbase_iphone_client

05	23472413    bokingserver3   CN1_hbase_android_client

06	35251936    bokingserver3   CN1_hbase_iphone_client

07	23457708    bokingserver4   CN1_hbase_android_client

08	35262400    bokingserver4   CN1_hbase_iphone_client

09	19832715    bokingserver5   CN1_hbase_android_client

10	51003885    bokingserver5   CN1_hbase_iphone_client

11	19831076    bokingserver6   CN1_hbase_android_client

12	50997314    bokingserver6   CN1_hbase_iphone_client

13	30526207    bokingserver7   CN1_hbase_android_client

14	50702806    bokingserver7   CN1_hbase_iphone_client

15	54844214    bokingserver8   CN1_hbase_android_client

16	88062792    bokingserver8   CN1_hbase_iphone_client

17	54852596    bokingserver9   CN1_hbase_android_client

18	88043401    bokingserver9   CN1_hbase_iphone_client

19	54864322    bokingserver10  CN1_hbase_android_client

20	88041583    bokingserver10  CN1_hbase_iphone_client

21	54891529    bokingserver11  CN1_hbase_android_client

22	88007489    bokingserver11  CN1_hbase_iphone_client

23	54613917    bokingserver12  CN1_hbase_android_client

24	87623763    bokingserver12  CN1_hbase_iphone_client

　　为了比较基于Spark的任务确实比基于Mapreduce的快，我特意用Hive执行了同样的任务，如下：

01	hive> select count(*), host, module from ewaplog

02	> group by host, module order by host, module;

03

04	Job 0: Map: 2845  Reduce: 364   Cumulative CPU: 17144.59 sec

05	HDFS Read: 363542156311 HDFS Write: 36516 SUCCESS

06	Job 1: Map: 1  Reduce: 1   Cumulative CPU: 4.82 sec

07	HDFS Read: 114193 HDFS Write: 1260 SUCCESS

08	Total MapReduce CPU Time Spent: 0 days 4 hours 45 minutes 49 seconds 410 msec

09

OK

10	39511517    bokingserver1   CN1_hbase_android_client

11	59141803    bokingserver1   CN1_hbase_iphone_client

12	39544052    bokingserver2   CN1_hbase_android_client

13	59156743    bokingserver2   CN1_hbase_iphone_client

14	23472413    bokingserver3   CN1_hbase_android_client

15	35251936    bokingserver3   CN1_hbase_iphone_client

16	23457708    bokingserver4   CN1_hbase_android_client

17	35262400    bokingserver4   CN1_hbase_iphone_client

18	19832715    bokingserver5   CN1_hbase_android_client

19	51003885    bokingserver5   CN1_hbase_iphone_client

20	19831076    bokingserver6   CN1_hbase_android_client

21	50997314    bokingserver6   CN1_hbase_iphone_client

22	30526207    bokingserver7   CN1_hbase_android_client

23	50702806    bokingserver7   CN1_hbase_iphone_client

24	54844214    bokingserver8   CN1_hbase_android_client

25	88062792    bokingserver8   CN1_hbase_iphone_client

26	54852596    bokingserver9   CN1_hbase_android_client

27	88043401    bokingserver9   CN1_hbase_iphone_client

28	54864322    bokingserver10  CN1_hbase_android_client

29	88041583    bokingserver10  CN1_hbase_iphone_client

30	54891529    bokingserver11  CN1_hbase_android_client

31	88007489    bokingserver11  CN1_hbase_iphone_client

32	54613917    bokingserver12  CN1_hbase_android_client

33	87623763    bokingserver12  CN1_hbase_iphone_client

34	Time taken: 1818.706 seconds, Fetched: 24 row(s)

　　从上面的显示我们可以看出，Hive执行同样的任务用了30分钟，而Spark用了20分钟，也就是省了1/3的时间，还是很快的。在运行的过程中，我发现Spark消耗内存比较大，在程序运行期间，三个子节点负载很高，整个队列的资源消耗了一半以上。我想如果集群的机器数据更多的话，Spark的运行速度应该还会有一些提升。好了今天就说到这，欢迎关注本博客。

 转载自过往记忆（http://www.iteblog.com/）