使用PySpark编写SparkSQL程序查询Hive数据仓库

2019年6月7日 222次阅读来源: teaGod

作业脚本采用Python语言编写，Spark为Python开发者提供了一个API—–PySpark，利用PySpark可以很方便的连接Hive

下面是准备要查询的HiveSQL

select 
sum(o.sale_price)
,sum(case when cate_id2 in(16,18) then o.sale_price else 0 end )
,sum(CASE WHEN cate_id2 in(13,15,17,19,20,21,22,156) THEN o.sale_price else 0 end )
FROM dw.or_order_item_total o
join dw.cd_item_total i on o.item_id = i.item_id and i.ds ='2018-03-31'
WHERE o.ds = '2018-03-31' and substr(o.ord_tm,1,7) ='2018-03' 
;

下面是准备提交的Python脚本

#!/usr/bin/python
#-*-coding:utf-8 -*-


from pyspark import SparkConf, SparkContext
from pyspark.sql import HiveContext
import sys

def test():
        reload(sys)
        sys.setdefaultencoding( "utf-8" )
        conf = SparkConf().setMaster("yarn-client").setAppName("My App")
        sc = SparkContext(conf = conf)
        hive_context = HiveContext(sc)
        hive_context.sql(''' select 
sum(o.sale_price)
,sum(case when cate_id2 in(16,18) then o.sale_price else NULL end )
,sum(CASE WHEN cate_id2 in(13,15,17,19,20,21,22,156) THEN o.sale_price else NULL end )
FROM dw.or_order_item_total o
join dw.cd_item_total i on o.item_id = i.item_id and i.ds ='2018-03-31'
WHERE o.ds = '2018-03-31' and substr(o.ord_tm,1,7) ='2018-03' ''').show()


if __name__ == '__main__':
        test()

脚本开头指定utf8编码，否则脚本内如果有unicode字符时，运行会报错

任何Spark程序都是由SparkContext开始的

SparkContext的初始化需要一个SparkConf对象，SparkConf包含了Spark集群配置的各种参数。

在SparkConf里指定采用yarn-client模式，然后指定作业名

pyspark不支持yarn-cluster模式

要连接Hive的话，要先获得HiveContext，初始化HiveContext时将上面得到的SparkContext传进去

之后就可以将SQL传进 hive_context.sql(‘’‘ ’‘’)中，最后调用show()显示结果

注意hive_context.sql(‘’‘ ’‘’)，括面是三个单引号，python中用三个单引号包裹多行的字符串，所以SQL粘贴进来的时候要与这三个单引号有一个空格的距离，SQL末尾的分号要去掉，case when里面的then和else数据类型要一样，目前遇到的坑就这么多

写完脚本不能用python直接运行的方式，要用spark-submit提交,下面是提交命令

/usr/local/spark/bin/spark-submit \

–master yarn-client \

–executor-memory 29G \

–num-executors 10 \

–executor-cores 2 \

–conf spark.default.parallelism=200 \

/home/dwetl/sunwenxue/sun0403/spark_app_demo.py

其中各个参数解释如下

1.num-executors

参数说明：该参数用于设置Spark作业总共要用多少个Executor进程来执行。Driver在向YARN集群管理器申请资源时，YARN集群管理器会尽可能按照你的设置来在集群的各个工作节点上，启动相应数量的Executor进程。这个参数非常之重要，如果不设置的话，默认只会给你启动少量的Executor进程，此时你的Spark作业的运行速度是非常慢的。
参数调优建议：每个Spark作业的运行一般设置50~100个左右的Executor进程比较合适，设置太少或太多的Executor进程都不好。设置的太少，无法充分利用集群资源；设置的太多的话，大部分队列可能无法给予充分的资源。

2.executor-memory

参数说明：该参数用于设置每个Executor进程的内存。Executor内存的大小，很多时候直接决定了Spark作业的性能，而且跟常见的JVM OOM异常，也有直接的关联。
参数调优建议：每个Executor进程的内存设置4G_{8G较为合适。但是这只是一个参考值，具体的设置还是得根据不同部门的资源队列来定。可以看看自己团队的资源队列的最大内存限制是多少，num-executors乘以executor-memory，是不能超过队列的最大内存量的。此外，如果你是跟团队里其他人共享这个资源队列，那么申请的内存量最好不要超过资源队列最大总内存的1/3}1/2，避免你自己的Spark作业占用了队列所有的资源，导致别的同学的作业无法运行。

3.executor-cores

参数说明：该参数用于设置每个Executor进程的CPU core数量。这个参数决定了每个Executor进程并行执行task线程的能力。因为每个CPU core同一时间只能执行一个task线程，因此每个Executor进程的CPU core数量越多，越能够快速地执行完分配给自己的所有task线程。
参数调优建议：Executor的CPU core数量设置为2~4个较为合适。同样得根据不同部门的资源队列来定，可以看看自己的资源队列的最大CPU core限制是多少，再依据设置的Executor数量，来决定每个Executor进程可以分配到几个CPU core。同样建议，如果是跟他人共享这个队列，那么num-executors * executor-cores不要超过队列总CPU core的1/3~1/2左右比较合适，也是避免影响其他同学的作业运行。

4.spark.default.parallelism

参数说明：该参数用于设置每个stage的默认task数量。这个参数极为重要，如果不设置可能会直接影响你的Spark作业性能。
参数调优建议：Spark作业的默认task数量为500~1000个较为合适。很多同学常犯的一个错误就是不去设置这个参数，那么此时就会导致Spark自己根据底层HDFS的block数量来设置task的数量，默认是一个HDFS block对应一个task。通常来说，Spark默认设置的数量是偏少的（比如就几十个task），如果task数量偏少的话，就会导致你前面设置好的Executor的参数都前功尽弃。试想一下，无论你的Executor进程有多少个，内存和CPU有多大，但是task只有1个或者10个，那么90%的Executor进程可能根本就没有task执行，也就是白白浪费了资源！因此Spark官网建议的设置原则是，设置该参数为num-executors * executor-cores的2~3倍较为合适，比如Executor的总CPU core数量为300个，那么设置1000个task是可以的，此时可以充分地利用Spark集群的资源。