一、Spark SQL支持读写Hive
Spark SQL还支持读取和写入存储在Apache Hive中的数据。然而，由于Hive有大量依赖项，这些依赖项不包括在默认的Spark发行版中，如果在classpath上配置了这些Hive依赖项，Spark就会自动加载它们。需要注意的是，这些Hive依赖项必须出现在所有Worker节点上，因为它们需要访问Hive序列化和反序列化库（SerDes），以便访问存储在Hive中的数据。
在使用Hive时，必须实例化一个支持Hive的SparkSession对象。若系统中没有部署Hive，则仍然可以启用Hive支持（Spark SQL充当Hive查询引擎）。Spark对Hive的支持包括连接到持久化的Hive元数据库、Hive SerDe、Hive用户定义函数、HiveQL等。如果没有配置hive-site.xml文件，Spark应用程序启动时，就会自动在当前目录中创建Derby元数据库metastore_db，并创建一个由spark.sql.warehouse.dir指定的数据仓库目录（若不指定，则默认启动Spark应用程序当前目录中的spark-warehouse目录）。需要注意的是，从Spark2.0.0版本开始，hive-site.xml中的hive.metastore.warehouse.dir属性不再使用了，代替的是使用spark.sql.warehouse.dir指定默认的数据仓库目录。
二、Spark配置hive-site.xml
将Hive配置文件hive-site.xml拷贝到Spark配置目录，执行命令：cp $HIVE_HOME/conf/hive-site.xml $SPARK_HOME/conf

 

进入Spark配置目录，编辑Hive配置文件hive-site.xml

<property>
    <name>spark.sql.warehouse.dir</name>     
    <value>/user/spark/warehouse</value>
</property>
1
2
3
4

三、准备工作
先要启动HDFS和Spark
（一）启动Hive的metastore
执行命令：hive --service metastore &

 

 

 

（二）启动Spark Shell
执行命令：spark-shell --master spark://master:7077

四、Spark读写Hive数据
（一）导入SparkSession
执行命令：import org.apache.spark.sql.SparkSession

 

（二）创建SparkSession对象
val spark = SparkSession.builder()
   .appName("Spark Hive Demo")
   .enableHiveSupport()   // 开启Hive支持  
   .getOrCreate()
1
2
3
4
执行上述命令

 

（三）执行HiveQL语句
调用SparkSession对象的sql()方法可以传入需要执行的HiveQL语句。
1、创建Hive表
创建一张Hive表student，并指定字段分隔符为半角逗号“,”，执行命令：spark.sql("CREATE TABLE IF NOT EXISTS student(id INT, name STRING, gender STRING, age INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY ','")

 

2、导入本地数据到Hive表
查看本地文件/home/student.txt的内容

 

将该文件数据导入表student中，执行命令：spark.sql("LOAD DATA LOCAL INPATH '/home/student.txt' INTO TABLE student")

 

这个报错是hdfs客户端的一个bug，但并不影响作业正常运行，且在2.8版本之后已经修复
3、查询Hive表数据
查询表student的数据并显示到控制台，执行命令：spark.sql("SELECT * FROM student").show()

 

按性别分组统计平均年龄，执行命令：spark.sql("SELECT gender, AVG(age) FROM student GROUP BY gender").show()

 

4、创建表时指定存储格式
创建一个Hive表test，数据存储格式为Parquet（默认为普通文本格式），执行命令：spark.sql("CREATE TABLE test (name STRING, age INT) STORED AS PARQUET")

 

5、将数据帧数据写入Hive表
使用saveAsTable()方法可以将数据帧数据写入指定的Hive表中。
加载student表数据得到数据帧

 

导入SaveMode类，执行命令：import org.apache.spark.sql.SaveMode

 

将数据帧数据写入hive表，执行命令：studentDF.select("name", "age").write.mode(SaveMode.Overwrite).saveAsTable("test")

 

查询test表数据，执行命令：spark.sql("select * from test").show()

 

6、导入HDFS数据到Hive表
查看HDFS文件/input/student.txt的内容

 

创建Hive表student1，执行命令：spark.sql("CREATE TABLE IF NOT EXISTS student1 (id INT, name STRING, gender STRING, age INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY ','")

将该文件数据导入表student1中，执行命令：spark.sql("LOAD DATA INPATH 'hdfs://master:9000/input/student.txt' INTO TABLE student1")

查看表student1的内容，执行命令：spark.table("student1").show()

 

（四）在Hive客户端查看生成的hive表
查看三张表：student,student1和test