本文档介绍了如何在使用 Apache Hive on Dataproc 中部署架构。
本文档适用于希望部署 Apache Hive on Dataproc 和 Cloud SQL 中的 Hive Metastore 的云架构师和数据工程师。
架构
在本部署指南中，您将在同一 Google Cloud 区域中部署所有计算和存储服务，以最大限度地减少网络延迟时间和网络传输费用。
下图展示了 Hive 查询的生命周期。
在该图中，Hive 客户端提交查询，系统会处理、提取并返回该查询。处理操作在 Hive 服务器中进行。系统会从存储在 Cloud Storage 的区域级存储桶中的 Hive 仓库请求和返回数据。
目标
- 在 Cloud SQL 上为 Hive Metastore 创建一个 MySQL 实例。
- 在 Dataproc 上部署 Hive 服务器。
- 在 Dataproc 集群实例上安装 Cloud SQL 代理。
- 将 Hive 数据上传到 Cloud Storage。
- 在多个 Dataproc 集群上运行 Hive 查询。
费用
本部署使用 Google Cloud 的以下收费组件：
- Dataproc
- Cloud Storage
- Cloud SQL
您可使用价格计算器根据您的预计用量来估算费用。
Google Cloud 新用户可能有资格申请免费试用。
完成本部署后，您可以通过删除您创建的资源来避免继续计费。如需了解详情，请参阅清理。
准备工作
在 Google Cloud 控制台的项目选择器页面上，选择或创建一个 Google Cloud 项目。
确保您的 Google Cloud 项目已启用结算功能。了解如何检查项目是否已启用结算功能。
初始化环境
启动 Cloud Shell 实例：
在 Cloud Shell 中，将默认 Compute Engine 区域设置为要创建 Dataproc 集群的区域。
export PROJECT=$(gcloud info --format='value(config.project)') export REGION=REGION export ZONE=ZONE gcloud config set compute/zone ${ZONE}请替换以下内容：
REGION：要在其中创建集群的地区，例如us-central1。ZONE：要在其中创建集群的区域，例如us-central1-a。
通过在 Cloud Shell 中运行以下命令来启用 Dataproc 和 Cloud SQL Admin API：
gcloud services enable dataproc.googleapis.com sqladmin.googleapis.com
（可选）创建仓库存储桶
如果您没有 Cloud Storage 存储桶来存储 Hive 数据，请创建一个仓库存储桶（可在 Cloud Shell 中运行以下命令），并将 BUCKET_NAME 替换为唯一存储桶名称：
export WAREHOUSE_BUCKET=BUCKET_NAME
gsutil mb -l ${REGION} gs://${WAREHOUSE_BUCKET}
创建 Cloud SQL 实例
在本部分，您将创建一个新的 Cloud SQL 实例，该实例稍后将用于托管 Hive Metastore。
在 Cloud Shell 中，创建一个新的 Cloud SQL 实例：
gcloud sql instances create hive-metastore \
--database-version="MYSQL_5_7" \
--activation-policy=ALWAYS \
--zone ${ZONE}
此命令可能需要几分钟时间才能完成。
创建 Dataproc 集群
创建第一个 Dataproc 集群，将 CLUSTER_NAME 替换为 hive-cluster 等名称：
gcloud dataproc clusters create CLUSTER_NAME \
--scopes sql-admin \
--region ${REGION} \
--initialization-actions gs://goog-dataproc-initialization-actions-${REGION}/cloud-sql-proxy/cloud-sql-proxy.sh \
--properties "hive:hive.metastore.warehouse.dir=gs://${WAREHOUSE_BUCKET}/datasets" \
--metadata "hive-metastore-instance=${PROJECT}:${REGION}:hive-metastore" \
--metadata "enable-cloud-sql-proxy-on-workers=false"
注意：
- 请提供
sql-admin访问权限范围，以允许集群实例访问 Cloud SQL Admin API。 - 请将初始化操作放入存储在 Cloud Storage 存储桶中的脚本，并使用
--initialization-actions标志引用该存储桶。如需了解详情，请参阅初始化操作 - 重要注意事项和指南。 - 请在
hive:hive.metastore.warehouse.dir属性中提供 Hive 仓库存储桶的 URI。此操作会将 Hive 服务器配置为在正确位置读取和写入。 此属性必须至少包含一个目录（例如gs://my-bucket/my-directory）；如果将此属性设置为没有目录的存储桶名称（例如gs://my-bucket），则 Hive 将无法正常运行。 - 您可以指定
enable-cloud-sql-proxy-on-workers=false以确保 Cloud SQL 代理仅在主节点上运行，这足以让 Hive Metastore 服务正常运行，并避免在 Cloud SQL 上产生不必要的负载。 请提供 Dataproc 在所有集群实例上自动运行的 Cloud SQL 代理初始化操作。该操作执行以下任务：
- 安装 Cloud SQL 代理。
- 建立与
hive-metastore-instance元数据参数中指定的 Cloud SQL 实例的安全连接。 - 创建
hive用户和 Hive Metastore 数据库。
您可以在 GitHub 上看到 Cloud SQL 代理初始化操作的完整代码。
本部署使用具有公共 IP 地址的 Cloud SQL 实例。如果您使用仅具有专用 IP 地址的实例，则可以通过传递
--metadata "use-cloud-sql-private-ip=true"参数强制代理使用专用 IP 地址。
创建 Hive 表
在本部分，您将向仓库存储桶上传样本数据集、创建新的 Hive 表，并对该数据集运行一些 HiveQL 查询。
将样本数据集复制到仓库存储桶：
gsutil cp gs://hive-solution/part-00000.parquet \ gs://${WAREHOUSE_BUCKET}/datasets/transactions/part-00000.parquet样本数据集以 Parquet 格式压缩，包含数千条虚拟银行交易记录，这些记录分为三列：日期、金额和交易类型。
为数据集创建外部 Hive 表：
gcloud dataproc jobs submit hive \ --cluster CLUSTER_NAME \ --region ${REGION} \ --execute " CREATE EXTERNAL TABLE transactions (SubmissionDate DATE, TransactionAmount DOUBLE, TransactionType STRING) STORED AS PARQUET LOCATION 'gs://${WAREHOUSE_BUCKET}/datasets/transactions';"
运行 Hive 查询
您可以使用 Dataproc 中的不同工具来运行 Hive 查询。在本部分，您将学习如何使用以下工具执行查询：
- Dataproc 的 Hive Jobs API。
- Beeline，一种基于 SQLLine 的主流命令行客户端。
- SparkSQL，用于查询结构化数据的 Apache Spark API。
在每个部分中，您将运行一个示例查询。
使用 Dataproc Jobs API 查询 Hive
运行以下简单 HiveQL 查询，以验证 parquet 文件是否已正确链接到 Hive 表：
gcloud dataproc jobs submit hive \
--cluster CLUSTER_NAME \
--region ${REGION} \
--execute "
SELECT *
FROM transactions
LIMIT 10;"
输出包括以下内容：
+-----------------+--------------------+------------------+ | submissiondate | transactionamount | transactiontype | +-----------------+--------------------+------------------+ | 2017-12-03 | 1167.39 | debit | | 2017-09-23 | 2567.87 | debit | | 2017-12-22 | 1074.73 | credit | | 2018-01-21 | 5718.58 | debit | | 2017-10-21 | 333.26 | debit | | 2017-09-12 | 2439.62 | debit | | 2017-08-06 | 5885.08 | debit | | 2017-12-05 | 7353.92 | authorization | | 2017-09-12 | 4710.29 | authorization | | 2018-01-05 | 9115.27 | debit | +-----------------+--------------------+------------------+
使用 Beeline 查询 Hive
使用 Dataproc 的主实例打开 SSH 会话（
CLUSTER_NAME-m）：gcloud compute ssh CLUSTER_NAME-m
在主实例的命令提示符中，打开 Beeline 会话：
beeline -u "jdbc:hive2://localhost:10000"
注意：
您还可以将主实例的名称引用为主机而不是
localhost：beeline -u "jdbc:hive2://CLUSTER_NAME-m:10000"
如果您使用具有 3 个主实例的高可用性模式，则必须改用以下命令：
beeline -u "jdbc:hive2://CLUSTER_NAME-m-0:2181,CLUSTER_NAME-m-1:2181,CLUSTER_NAME-m-2:2181/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2"
出现 Beeline 提示时，运行以下 HiveQL 查询：
SELECT TransactionType, AVG(TransactionAmount) AS AverageAmount FROM transactions WHERE SubmissionDate = '2017-12-22' GROUP BY TransactionType;
输出包括以下内容：
+------------------+--------------------+ | transactiontype | averageamount | +------------------+--------------------+ | authorization | 4890.092525252529 | | credit | 4863.769269565219 | | debit | 4982.781458176331 | +------------------+--------------------+
关闭 Beeline 会话：
!quit
关闭 SSH 连接：
exit
使用 SparkSQL 查询 Hive
使用 Dataproc 的主实例打开 SSH 会话：
gcloud compute ssh CLUSTER_NAME-m
在主实例的命令提示符中，打开一个新的 PySpark shell 会话：
pyspark
出现 PySpark shell 提示时，键入以下 Python 代码：
from pyspark.sql import HiveContext hc = HiveContext(sc) hc.sql(""" SELECT SubmissionDate, AVG(TransactionAmount) as AvgDebit FROM transactions WHERE TransactionType = 'debit' GROUP BY SubmissionDate HAVING SubmissionDate >= '2017-10-01' AND SubmissionDate < '2017-10-06' ORDER BY SubmissionDate """).show()输出包括以下内容：
+-----------------+--------------------+ | submissiondate | avgdebit | +-----------------+--------------------+ | 2017-10-01 | 4963.114920399849 | | 2017-10-02 | 5021.493300510582 | | 2017-10-03 | 4982.382279569891 | | 2017-10-04 | 4873.302702503676 | | 2017-10-05 | 4967.696333583777 | +-----------------+--------------------+
关闭 PySpark 会话：
exit()
关闭 SSH 连接：
exit
检查 Hive Metastore
现在，您可以验证 Cloud SQL 中的 Hive Metastore 是否包含有关 transactions 表的信息。
在 Cloud Shell 中，在 Cloud SQL 实例上启动新的 MySQL 会话：
gcloud sql connect hive-metastore --user=root
当系统提示您输入
root用户密码时，请勿键入任何内容，只需按RETURN键即可。为简化本部署，您没有为root用户设置任何密码。如需了解如何设置密码以进一步保护 Metastore 数据库，请参阅 Cloud SQL 文档。Cloud SQL 代理初始化操作还提供了一种通过加密保护密码的机制 - 如需了解详情，请参阅操作的代码库。在 MySQL 命令提示符中，将
hive_metastore设置为会话其余部分的默认数据库：USE hive_metastore;
验证仓库存储桶的位置是否已记录在 Metastore 中：
SELECT DB_LOCATION_URI FROM DBS;
输出如下所示：
+-------------------------------------+ | DB_LOCATION_URI | +-------------------------------------+ | gs://[WAREHOUSE_BUCKET]/datasets | +-------------------------------------+
验证在 Metastore 中是否正确引用了表：
SELECT TBL_NAME, TBL_TYPE FROM TBLS;
输出如下所示：
+--------------+----------------+ | TBL_NAME | TBL_TYPE | +--------------+----------------+ | transactions | EXTERNAL_TABLE | +--------------+----------------+
验证是否还正确引用了表的列：
SELECT COLUMN_NAME, TYPE_NAME FROM COLUMNS_V2 c, TBLS t WHERE c.CD_ID = t.SD_ID AND t.TBL_NAME = 'transactions';
输出如下所示：
+-------------------+-----------+ | COLUMN_NAME | TYPE_NAME | +-------------------+-----------+ | submissiondate | date | | transactionamount | double | | transactiontype | string | +-------------------+-----------+
验证是否还正确引用了输入格式和位置：
SELECT INPUT_FORMAT, LOCATION FROM SDS s, TBLS t WHERE s.SD_ID = t.SD_ID AND t.TBL_NAME = 'transactions';
输出如下所示：
+---------------------------------------------------------------+------------------------------------------------+ | INPUT_FORMAT | LOCATION | +---------------------------------------------------------------+------------------------------------------------+ | org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat | gs://[WAREHOUSE_BUCKET]/datasets/transactions | +---------------------------------------------------------------+------------------------------------------------+
关闭 MySQL 会话：
exit
创建另一个 Dataproc 集群
在本部分，您将创建另一个 Dataproc 集群，以验证是否可以跨多个集群共享 Hive 数据和 Hive Metastore。
创建新的 Dataproc 集群：
gcloud dataproc clusters create other-CLUSTER_NAME \ --scopes cloud-platform \ --image-version 2.0 \ --region ${REGION} \ --initialization-actions gs://goog-dataproc-initialization-actions-${REGION}/cloud-sql-proxy/cloud-sql-proxy.sh \ --properties "hive:hive.metastore.warehouse.dir=gs://${WAREHOUSE_BUCKET}/datasets" \ --metadata "hive-metastore-instance=${PROJECT}:${REGION}:hive-metastore"\ --metadata "enable-cloud-sql-proxy-on-workers=false"验证新集群是否可以访问数据：
gcloud dataproc jobs submit hive \ --cluster other-CLUSTER_NAME \ --region ${REGION} \ --execute " SELECT TransactionType, COUNT(TransactionType) as Count FROM transactions WHERE SubmissionDate = '2017-08-22' GROUP BY TransactionType;"输出包括以下内容：
+------------------+--------+ | transactiontype | count | +------------------+--------+ | authorization | 696 | | credit | 1722 | | debit | 2599 | +------------------+--------+
恭喜，您已完成本部署中的步骤。
清理
以下部分介绍了如何避免 Google Cloud 项目以及您在本部署中使用的 Apache Hive 和 Dataproc 资源日后产生费用。
删除 Google Cloud 项目
为避免系统因此部署中使用的资源向您的 Google Cloud 账号收取费用，您可以删除 Google Cloud 项目。
- 在 Google Cloud 控制台中，进入管理资源页面。
- 在项目列表中，选择要删除的项目，然后点击删除。
- 在对话框中输入项目 ID，然后点击关闭以删除项目。
逐个删除资源
在 Cloud Shell 中运行以下命令以删除单个资源而不是删除整个项目：
gcloud dataproc clusters delete CLUSTER_NAME --region ${REGION} --quiet
gcloud dataproc clusters delete other-CLUSTER_NAME --region ${REGION} --quiet
gcloud sql instances delete hive-metastore --quiet
gsutil rm -r gs://${WAREHOUSE_BUCKET}/datasets
后续步骤
- 试用 BigQuery，它是 Google 推出的可扩缩性强、费用低廉的无服务器企业数据仓库。
- 查看有关如何将 Hadoop 工作负载迁移到 Google Cloud 的指南。
- 查看此初始化操作，详细了解如何在 Dataproc 上使用 Hive HCatalog。
- 了解如何配置 Cloud SQL 以实现高可用性并提高服务可靠性。
- 如需查看更多参考架构、图表和最佳实践，请浏览云架构中心。