166 lines
8.9 KiB
Markdown
166 lines
8.9 KiB
Markdown
# Spark 中 Hadoop/Hive 配置文件指定与优先级文档
|
||
|
||
## 1. 概述
|
||
在 Spark 与 Hadoop、Hive 集成过程中，需通过多种方式指定配置文件（如 `hive-site.xml`、`core-site.xml`、`yarn-site.xml`），不同指定方式存在明确的优先级顺序。本文档系统整理 Spark 中 Hadoop/Hive 配置文件的指定方法及优先级规则，帮助开发者解决配置冲突、确保配置生效。
|
||
|
||
|
||
## 2. Spark 中 Hadoop/Hive 配置文件的指定方式
|
||
Spark 支持多种方式指定 Hadoop/Hive 配置文件，适用于不同部署场景（本地模式、集群模式、临时作业等），具体方式如下：
|
||
|
||
### 2.1 方式 1：通过 `--files` 选项分发（集群临时配置）
|
||
通过 `spark-submit` 的 `--files` 选项，将本地或指定路径的 `hive-site.xml` 等配置文件分发到所有 Executor 工作目录，适用于**不同作业需差异化配置**的场景，无需修改集群全局配置。
|
||
|
||
**使用示例**：
|
||
```bash
|
||
spark-submit \
|
||
--files /path/to/local/hive-site.xml # 本地配置文件路径，会分发到Executor
|
||
--class com.example.SparkHiveApp \
|
||
./spark-hive-app.jar
|
||
```
|
||
|
||
**特点**：
|
||
- 配置文件仅对当前提交的作业生效，不影响其他作业
|
||
- 自动分发到 YARN/K8s 集群所有节点，避免节点间配置不一致
|
||
|
||
|
||
### 2.2 方式 2：通过环境变量 `HADOOP_CONF_DIR` 指定（全局统一配置）
|
||
设置 `HADOOP_CONF_DIR` 环境变量，指向包含 Hadoop/Hive 配置文件的目录，Spark 会自动加载该目录下的 `hive-site.xml`、`core-site.xml` 等文件，适用于**集群全局统一配置**场景。
|
||
|
||
**使用示例**：
|
||
```bash
|
||
# 1. 临时生效（当前终端）
|
||
export HADOOP_CONF_DIR=/path/to/hadoop-conf # 目录需包含hive-site.xml等
|
||
|
||
# 2. 永久生效（Linux系统，编辑/etc/profile）
|
||
echo "export HADOOP_CONF_DIR=/path/to/hadoop-conf" >> /etc/profile
|
||
source /etc/profile
|
||
|
||
# 3. 提交作业
|
||
spark-submit --class com.example.SparkHiveApp ./spark-hive-app.jar
|
||
```
|
||
|
||
**特点**：
|
||
- 配置对所有通过该终端提交的 Spark 作业生效
|
||
- 需确保所有节点的 `HADOOP_CONF_DIR` 指向一致路径（本地路径或共享存储路径）
|
||
|
||
|
||
### 2.3 方式 3：放置到默认目录（静态全局配置）
|
||
Spark 会自动扫描以下默认目录，加载 Hadoop/Hive 配置文件，适用于**静态集群配置**（无需频繁修改）：
|
||
1. Spark 安装目录的 `conf` 文件夹（`$SPARK_HOME/conf`）
|
||
2. Hadoop 安装目录的 `conf` 文件夹（依赖 `HADOOP_HOME` 环境变量）
|
||
|
||
**使用示例**：
|
||
```bash
|
||
# 将hive-site.xml复制到Spark默认conf目录
|
||
cp /path/to/hive-site.xml $SPARK_HOME/conf/
|
||
|
||
# 提交作业（无需额外指定配置路径）
|
||
spark-submit --class com.example.SparkHiveApp ./spark-hive-app.jar
|
||
```
|
||
|
||
**特点**：
|
||
- 配置长期生效，适合集群基础固定配置
|
||
- 需手动同步所有节点的默认目录配置文件，避免节点间不一致
|
||
|
||
|
||
### 2.4 方式 4：代码中显式配置（作业级强制覆盖）
|
||
在 Spark 应用代码中，通过 `SparkSession.builder().config()` 或 `SparkConf` 直接设置 Hadoop/Hive 相关参数，适用于**作业级强制覆盖配置**（优先级最高）。
|
||
|
||
**使用示例（Scala）**：
|
||
```scala
|
||
import org.apache.spark.sql.SparkSession
|
||
|
||
object SparkHiveApp {
|
||
def main(args: Array[String]): Unit = {
|
||
val spark = SparkSession.builder()
|
||
.appName("SparkHiveDemo")
|
||
.enableHiveSupport()
|
||
// 显式设置Hive Metastore地址（覆盖配置文件）
|
||
.config("hive.metastore.uris", "thrift://custom-metastore:9083")
|
||
// 显式设置HDFS默认地址（覆盖core-site.xml）
|
||
.config("fs.defaultFS", "hdfs://custom-namenode:8020")
|
||
.getOrCreate()
|
||
|
||
// 业务逻辑
|
||
spark.sql("SELECT * FROM test_db.test_table").show()
|
||
spark.stop()
|
||
}
|
||
}
|
||
```
|
||
|
||
**特点**：
|
||
- 优先级最高，直接覆盖所有配置文件的对应参数
|
||
- 配置与代码绑定，适合作业专属配置
|
||
|
||
|
||
### 2.5 方式 5：命令行 `--conf` 参数（提交时临时覆盖）
|
||
通过 `spark-submit` 的 `--conf` 选项，在提交作业时临时指定 Hadoop/Hive 配置，适用于**单次作业临时调整配置**，无需修改代码或配置文件。
|
||
|
||
**使用示例**：
|
||
```bash
|
||
spark-submit \
|
||
--conf hive.metastore.uris=thrift://custom-metastore:9083 \ # 临时覆盖Metastore地址
|
||
--conf fs.defaultFS=hdfs://custom-namenode:8020 \ # 临时覆盖HDFS地址
|
||
--class com.example.SparkHiveApp \
|
||
./spark-hive-app.jar
|
||
```
|
||
|
||
**特点**：
|
||
- 仅对当前提交的作业生效，灵活性高
|
||
- 适合快速测试不同配置参数的效果
|
||
|
||
|
||
### 2.6 方式 6：Spark 配置文件（`spark-defaults.conf`）
|
||
在 Spark 安装目录的 `conf/spark-defaults.conf` 中，通过 `spark.hadoop.` 前缀配置 Hadoop/Hive 参数，适用于**Spark 专属的全局配置**。
|
||
|
||
**使用示例**：
|
||
```properties
|
||
# $SPARK_HOME/conf/spark-defaults.conf
|
||
spark.hadoop.hive.metastore.uris thrift://custom-metastore:9083 # Hive Metastore地址
|
||
spark.hadoop.fs.defaultFS hdfs://custom-namenode:8020 # HDFS默认地址
|
||
spark.hadoop.yarn.resourcemanager.address yarn-rm:8032 # YARN ResourceManager地址
|
||
```
|
||
|
||
**特点**：
|
||
- 配置对所有 Spark 作业生效，属于 Spark 层的全局配置
|
||
- 需添加 `spark.hadoop.` 前缀，Spark 会自动传递给 Hadoop 配置系统
|
||
|
||
|
||
## 3. Hadoop/Hive 配置文件的优先级顺序
|
||
Spark 加载 Hadoop/Hive 配置时，遵循**高优先级覆盖低优先级**的规则，具体优先级从高到低如下：
|
||
|
||
| 优先级排序 | 配置方式 | 说明 |
|
||
|------------|------------------------------|----------------------------------------------------------------------|
|
||
| 1 | 代码中显式配置 | 通过 `SparkSession.config()` 或 `SparkConf` 设置的参数，优先级最高 |
|
||
| 2 | 命令行 `--conf` 参数 | `spark-submit` 时通过 `--conf` 指定的参数，覆盖配置文件 |
|
||
| 3 | `--files` 分发的配置文件 | 通过 `--files` 分发的 `hive-site.xml` 等，仅对当前作业生效 |
|
||
| 4 | `spark-defaults.conf` | Spark 配置文件中带 `spark.hadoop.` 前缀的参数 |
|
||
| 5 | `HADOOP_CONF_DIR` 目录配置 | 环境变量指定目录下的 `hive-site.xml`、`core-site.xml` 等 |
|
||
| 6 | Spark 安装目录 `conf` 目录 | `$SPARK_HOME/conf` 下的 Hadoop/Hive 配置文件 |
|
||
| 7 | Hadoop 安装目录 `conf` 目录 | `$HADOOP_HOME/conf` 下的默认配置文件，优先级最低 |
|
||
| 8 | Hadoop/Hive 内置默认配置 | 源代码中定义的默认配置，仅在所有方式未指定时生效 |
|
||
|
||
|
||
### 3.1 优先级示例验证
|
||
假设存在以下配置场景：
|
||
1. `HADOOP_CONF_DIR` 下的 `hive-site.xml` 配置 `hive.metastore.uris=thrift://default-ms:9083`
|
||
2. 提交作业时通过 `--files /custom/hive-site.xml` 分发，文件中配置 `hive.metastore.uris=thrift://file-ms:9083`
|
||
3. 提交作业时通过 `--conf hive.metastore.uris=thrift://cmd-ms:9083` 指定
|
||
|
||
**最终生效的配置**：`thrift://cmd-ms:9083`（遵循优先级 2 > 3 > 5）
|
||
|
||
|
||
## 4. 注意事项
|
||
1. **集群模式配置同步**：在 YARN/K8s 集群模式下，`--files` 分发的配置文件会自动同步到所有 Executor，但需确保 Driver 节点也能访问该文件（本地路径或共享存储路径）。
|
||
2. **配置参数冲突**：若不同方式配置了同一参数，以高优先级为准；若未配置，则使用低优先级或内置默认值。
|
||
3. **`enableHiveSupport()` 依赖**：若 Spark 应用需集成 Hive（如访问 Hive 表），必须在创建 `SparkSession` 时调用 `.enableHiveSupport()`，否则 `hive-site.xml` 配置不生效。
|
||
4. **路径一致性**：通过 `HADOOP_CONF_DIR` 或默认目录指定配置时，需确保所有节点的配置文件路径一致（建议使用共享存储如 HDFS 存储配置文件）。
|
||
|
||
|
||
## 5. 常见场景配置方案
|
||
| 场景 | 推荐配置方式 | 优势 |
|
||
|--------------------------|----------------------------------|----------------------------------------------------------------------|
|
||
| 作业专属配置（临时） | `--files` 分发 + 命令行 `--conf` | 不影响全局配置，灵活性高 |
|
||
| 集群全局固定配置 | `HADOOP_CONF_DIR` + 默认目录 | 所有作业统一生效，减少重复配置 |
|
||
| 代码绑定配置（强制） | 代码中显式配置 | 配置与代码绑定，避免环境依赖问题 |
|
||
| Spark 专属全局配置 | `spark-defaults.conf` | 仅对 Spark 作业生效，与 Hadoop 配置解耦 | |