[[350069]]

本文轉載自微信公眾號「 Throwable」，作者 Throwable 。轉載本文請聯(lián)系 Throwable公眾號。

前提

筆者目前需要搭建數(shù)據(jù)平臺，發(fā)現(xiàn)了Windows系統(tǒng)下，Hadoop和Hive等組件的安裝和運行存在大量的坑，而本著有坑必填的目標，筆者還是花了幾個晚上的下班時候在多個互聯(lián)網(wǎng)參考資料的幫助下完成了Windows10系統(tǒng)下Hadoop和Hive開發(fā)環(huán)境的搭建。這篇文章記錄了整個搭建過程中的具體步驟、遇到的問題和對應的解決方案。

環(huán)境準備

基于筆者的軟件版本潔癖，所有選用的組件都會使用當前(2020-10-30)最高的版本。

下面列舉部分組件對應的下載地址：

• Apache Hadoop 3.3.0：https://mirror.bit.edu.cn/apache/hadoop/common/hadoop-3.3.0/hadoop-3.3.0.tar.gz
• Apache Hive 3.1.2：https://mirrors.bfsu.edu.cn/apache/hive/hive-3.1.2/apache-hive-3.1.2-bin.tar.gz
• Apache Hive 1.2.2 src：https://mirrors.bfsu.edu.cn/apache/hive/hive-1.2.2/apache-hive-1.2.2-src.tar.gz
• winutils：https://github.com/kontext-tech/winutils(如果下載速度慢，可以先把倉庫導入gitee.com再下載，或者用筆者已經(jīng)同步好的倉庫https://gitee.com/throwableDoge/winutils)

下載完這一些列軟件之后，MySQL正常安裝為系統(tǒng)服務隨系統(tǒng)自啟。解壓hadoop-3.3.0.tar.gz、apache-hive-3.1.2-bin.tar.gz、apache-hive-1.2.2-src.tar.gz和winutils到指定目錄：

接著把源碼包apache-hive-1.2.2-src.tar.gz解壓后的bin目錄下的文件拷貝到apache-hive-3.1.2-bin的bin目錄中：

然后把winutils中的hadoop-3.3.0\bin目錄下的hadoop.dll和winutils.exe文件拷貝到Hadoop的解壓目錄的bin文件夾下：

最后再配置一下JAVA_HOME和HADOOP_HOME兩個環(huán)境變量，并且在Path中添加%JAVA_HOME%\bin;和%HADOOP_HOME%\bin：

筆者本地安裝的JDK版本為1.8.0.212，理論上任意一個小版本的JDK8都可以。

接著用命令行測試一下，如果上述步驟沒問題，控制臺輸出如下：

配置和啟動Hadoop

在HADOOP_HOME的etc\hadoop子目錄下，找到并且修改下面的幾個配置文件：

「core-site.xml」(這里的tmp目錄一定要配置一個非虛擬目錄，別用默認的tmp目錄，否則后面會遇到權限分配失敗的問題)

<configuration> 
    <property> 
        <name>fs.defaultFS</name> 
        <value>hdfs://localhost:9000</value> 
    </property>   
    <property> 
        <name>hadoop.tmp.dir</name> 
        <value>/e:/LittleData/hadoop-3.3.0/data/tmp</value> 
    </property>   
</configuration> 

「hdfs-site.xml」(這里要預先創(chuàng)建nameNode和dataNode的數(shù)據(jù)存放目錄，注意一下每個目錄要以/開頭，筆者這里預先在HADOOP_HOME/data創(chuàng)建了nameNode和dataNode子目錄)

<configuration> 
    <property> 
        <name>dfs.replication</name> 
        <value>1</value> 
    </property> 
    <property> 
        <name>dfs.http.address</name> 
        <value>0.0.0.0:50070</value> 
    </property> 
    <property>     
        <name>dfs.namenode.name.dir</name>     
        <value>/e:/LittleData/hadoop-3.3.0/data/nameNode</value>     
    </property>     
    <property>     
        <name>dfs.datanode.data.dir</name>     
        <value>/e:/LittleData/hadoop-3.3.0/data/dataNode</value>   
    </property> 
    <property> 
        <name>dfs.permissions.enabled</name> 
        <value>false</value> 
    </property> 
</configuration> 

「mapred-site.xml」

<configuration> 
    <property> 
        <name>mapreduce.framework.name</name> 
        <value>yarn</value> 
    </property> 
</configuration> 

「yarn-site.xml」

<configuration> 
    <property> 
        <name>yarn.nodemanager.aux-services</name> 
        <value>mapreduce_shuffle</value> 
    </property> 
    <property> 
        <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name> 
        <value>org.apache.hadoop.mapred.ShuffleHandler</value> 
    </property> 
</configuration> 

至此，最小化配置基本完成。接著需要格式化namenode并且啟動Hadoop服務。切換至$HADOOP_HOME/bin目錄下，使用CMD輸入命令hdfs namenode -format(格式化namenode切記不要重復執(zhí)行)：

格式化namenode完畢后，切換至$HADOOP_HOME/sbin目錄下，執(zhí)行start-all.cmd腳本：

這里命令行會提示start-all.cmd腳本已經(jīng)過期，建議使用start-dfs.cmd和start-yarn.cmd替代。同理，如果執(zhí)行stop-all.cmd也會有類似的提示，可以使用stop-dfs.cmd和stop-yarn.cmd替代。start-all.cmd成功執(zhí)行后，會拉起四個JVM實例(見上圖中的Shell窗口自動新建了四個Tab)，此時可以通過jps查看當前的JVM實例：

λ jps 
19408 ResourceManager 
16324 NodeManager 
14792 Jps 
15004 NameNode 
2252 DataNode 

可見已經(jīng)啟動了ResourceManager、NodeManager、NameNode和DataNode四個應用，至此Hadoop的單機版已經(jīng)啟動成功。通過stop-all.cmd命令退出這四個進程。可以通過http://localhost:8088/查看調(diào)度任務的狀態(tài)：

通過http://localhost:50070/去查看HDFS的狀態(tài)和文件：

重啟Hadoop的辦法：先執(zhí)行stop-all.cmd腳本，再執(zhí)行start-all.cmd腳本。

配置和啟動Hive

Hive是構筑于HDFS上的，所以務必確保Hadoop已經(jīng)啟動。Hive在HDFS中默認的文件路徑前綴是/user/hive/warehouse，因此可以先通過命令行在HDFS中創(chuàng)建此文件夾：

hdfs dfs -mkdir /user/hive/warehouse 
hdfs dfs -chmod -R 777 /user/hive/warehouse 

同時需要通過下面的命令創(chuàng)建并為tmp目錄賦予權限：

hdfs dfs -mkdir /tmp 
hdfs dfs -chmod -R 777 /tmp 

在系統(tǒng)變量中添加HIVE_HOME，具體的值配置為E:\LittleData\apache-hive-3.1.2-bin，同時在Path變量添加%HIVE_HOME%\bin;，跟之前配置HADOOP_HOME差不多。下載和拷貝一個mysql-connector-java-8.0.x.jar到$HIVE_HOME/lib目錄下：

創(chuàng)建Hive的配置文件，在$HIVE_HOME/conf目錄下已經(jīng)有對應的配置文件模板，需要拷貝和重命名，具體如下：

• $HIVE_HOME/conf/hive-default.xml.template => $HIVE_HOME/conf/hive-site.xml
• $HIVE_HOME/conf/hive-env.sh.template => $HIVE_HOME/conf/hive-env.sh
• $HIVE_HOME/conf/hive-exec-log4j.properties.template => $HIVE_HOME/conf/hive-exec-log4j.properties
• $HIVE_HOME/conf/hive-log4j.properties.template => $HIVE_HOME/conf/hive-log4j.properties

修改hive-env.sh腳本，在尾部添加下面內(nèi)容：

export HADOOP_HOME=E:\LittleData\hadoop-3.3.0 
export HIVE_CONF_DIR=E:\LittleData\apache-hive-3.1.2-bin\conf 
export HIVE_AUX_JARS_PATH=E:\LittleData\apache-hive-3.1.2-bin\lib 

修改hive-site.xml文件，主要修改下面的屬性項：

修改完畢之后，在本地的MySQL服務新建一個數(shù)據(jù)庫hive，編碼和字符集可以選用范圍比較大的utf8mb4(雖然官方建議是latin1，但是字符集往大范圍選沒有影響)：

上面的準備工作做完之后，可以進行Hive的元數(shù)據(jù)庫初始化，在$HIVE_HOME/bin目錄下執(zhí)行下面的腳本：

hive --service schematool -dbType mysql -initSchema 

這里有個小坑，hive-site.xml文件的第3215行有個神奇的無法識別的符號：

此無法識別符號會導致Hive的命令執(zhí)行異常，需要去掉。當控制臺輸出Initialization script completed schemaTool completed的時候，說明元數(shù)據(jù)庫已經(jīng)初始化完畢：

在$HIVE_HOME/bin目錄下，通過hive.cmd可以連接Hive(關閉控制臺即可退出)：

> hive.cmd 

嘗試創(chuàng)建一個表t_test：

hive>  create table t_test(id INT,name string); 
hive>  show tables; 

查看http://localhost:50070/確認t_test表已經(jīng)創(chuàng)建成功。

嘗試執(zhí)行一個寫入語句和查詢語句：

hive>  insert into t_test(id,name) values(1,'throwx'); 
hive>  select * from t_test; 

寫用了30多秒，讀用了0.165秒。

使用JDBC連接Hive

HiveServer2是Hive服務端接口模塊，必須啟動此模塊，遠程客戶端才能對Hive進行數(shù)據(jù)寫入和查詢。目前，此模塊還是基于Thrift RPC實現(xiàn)，它是HiveServer的改進版，支持多客戶端接入和身份驗證等功能。配置文件hive-site.xml中可以修改下面幾個關于HiveServer2的常用屬性：

在$HIVE_HOME/bin目錄下執(zhí)行下面的命令可以啟動HiveServer2：

hive.cmd --service hiveserver2 

客戶端需要引入hadoop-common和hive-jdbc依賴，依賴的版本盡量和對接的Hadoop和Hive版本對應。

<dependency> 
    <groupId>org.apache.hadoop</groupId> 
    <artifactId>hadoop-common</artifactId> 
    <version>3.3.0</version> 
</dependency> 
<dependency> 
    <groupId>org.apache.hive</groupId> 
    <artifactId>hive-jdbc</artifactId> 
    <version>3.1.2</version> 
</dependency> 
<dependency> 
    <groupId>org.springframework.boot</groupId> 
    <artifactId>spring-boot-starter-jdbc</artifactId> 
    <version>2.3.5.RELEASE</version> 
</dependency> 

hadoop-common依賴鏈比較長，會連帶下載大量其他相關依賴，所以可以找個空閑時間在某個Maven項目先掛起該依賴下載的任務(筆者掛起此依賴下載任務洗完澡仍然沒下完，還會出現(xiàn)org.glassfish:javax.el的快照包無法下載的問題，不過不影響正常使用)。最后添加一個單元測試類HiveJdbcTest：

@Slf4j 
public class HiveJdbcTest { 
 
    private static JdbcTemplate TEMPLATE; 
    private static HikariDataSource DS; 
 
    @BeforeClass 
    public static void beforeClass() throws Exception { 
        HikariConfig config = new HikariConfig(); 
        config.setDriverClassName("org.apache.hive.jdbc.HiveDriver"); 
        // 這里筆者修改過hive-site.xml的對應配置,因為端口不是默認的10000 
//        config.setJdbcUrl("jdbc:hive2://127.0.0.1:10091"); 
        config.setJdbcUrl("jdbc:hive2://127.0.0.1:10091/db_test"); 
        DS = new HikariDataSource(config); 
        TEMPLATE = new JdbcTemplate(DS); 
    } 
 
    @AfterClass 
    public static void afterClass() throws Exception { 
        DS.close(); 
    } 
 
    @Test 
    public void testCreateDb() throws Exception { 
        TEMPLATE.execute("CREATE DATABASE db_test"); 
    } 
 
    @Test 
    public void testCreateTable() throws Exception { 
        TEMPLATE.execute("CREATE TABLE IF NOT EXISTS t_student(id INT,name string,major string)"); 
        log.info("創(chuàng)建t_student表成功"); 
    } 
 
    @Test 
    public void testInsert() throws Exception { 
        int update = TEMPLATE.update("INSERT INTO TABLE t_student(id,name,major) VALUES(?,?,?)", p -> { 
            p.setInt(1, 10087); 
            p.setString(2, "throwable"); 
            p.setString(3, "math"); 
        }); 
        log.info("寫入t_student成功,更新記錄數(shù):{}", update);  // 這里比較神奇,數(shù)據(jù)寫入了,返回的update數(shù)量為0 
    } 
 
    @Test 
    public void testSelect() throws Exception { 
        List<Student> result = TEMPLATE.query("SELECT * FROM t_student", rs -> { 
            List<Student> list = new ArrayList<>(); 
            while (rs.next()) { 
                Student student = new Student(); 
                student.setId(rs.getLong("id")); 
                student.setName(rs.getString("name")); 
                student.setMajor(rs.getString("major")); 
                list.add(student); 
            } 
            return list; 
        }); 
        // 打印日志：查詢t_student成功,結果:[HiveJdbcTest.Student(id=10087, name=throwable, major=math)] 
        log.info("查詢t_student成功,結果:{}", result); 
    } 
 
    @Data 
    private static class Student { 
 
        private Long id; 
        private String name; 
        private String major; 
    } 
} 

可能遇到的問題

下面小結一下可能遇到的問題。

Java虛擬機啟動失敗

目前定位到是Hadoop無法使用JDK[9+的任意版本JDK，建議切換為任意JDK8的小版本。

出現(xiàn)找不到Hadoop執(zhí)行文件異常

確保已經(jīng)把winutils中的hadoop-3.3.0\bin目錄下的hadoop.dll和winutils.exe文件拷貝到Hadoop的解壓目錄的bin文件夾中。

start-all.cmd腳本執(zhí)行時有可能出現(xiàn)找不到批處理腳本的異常。此問題在公司的開發(fā)機出現(xiàn)過，在家用的開發(fā)機沒有重現(xiàn)，具體解決方案是在start-all.cmd腳本的首行加入cd $HADOOP_HOME，如cd E:\LittleData\hadoop-3.3.0。

無法訪問localhost:50070

一般是因為hdfs-site.xml配置遺漏了dfs.http.address配置項，添加：

<property> 
    <name>dfs.http.address</name> 
    <value>0.0.0.0:50070</value> 
</property> 

然后調(diào)用stop-all.cmd，再調(diào)用start-all.cmd重啟Hadoop即可。

Hive連接MySQL異常

注意MySQL的驅動包是否已經(jīng)正確拷貝到$HIVE_HOME/lib下，并且檢查javax.jdo.option.ConnectionURL等四個屬性是否配置正確。如果都正確，注意是否MySQL的版本存在問題，或者服務的版本與驅動版本不匹配。

Hive找不到批處理文件

一般描述是'xxx.cmd' is not recognized as an internal or external command...，一般是Hive的命令執(zhí)行時的異常，需要把Hive 1.x的源碼包的bin目錄下的所有.cmd腳本拷貝到$HIVE_HOME/bin對應的目錄下。

文件夾權限問題

常見如CreateSymbolicLink異常，會導致Hive無法使用INSERT或者LOAD命令寫入數(shù)據(jù)。出現(xiàn)這類問題可以通過下面方式解決：

• Win + R然后運行gpedit.msc - 計算機設置 - Windows設置 — 安全設置 - 本地策略 - 用戶權限分配 - 創(chuàng)建符號鏈接 - 添加當前用戶。

或者「直接使用管理員賬號或者管理員權限啟動CMD」，然后執(zhí)行對應的腳本啟動Hadoop或者Hive。

SessionNotRunning異常

啟動HiveServer2中或者外部客戶端連接HiveServer2時候有可能出現(xiàn)此異常，具體是java.lang.ClassNotFoundException: org.apache.tez.dag.api.TezConfiguration的異常。解決方案是：配置文件hive-site.xml中的hive.execution.engine屬性值由tez修改為mr，然后重啟HiveServer2即可。因為沒有集成tez，重啟后依然會報錯，但是60000ms后會自動重試啟動(一般重試后會啟動成功)：

這算是一個遺留問題，但是不影響客戶端正常連接，只是啟動時間會多了60秒。

HiveServer2端口沖突

修改配置文件hive-site.xml中的hive.server2.thrift.port屬性值為未被占用的端口，重啟HiveServer2即可。

數(shù)據(jù)節(jié)點安全模式異常

一般是出現(xiàn)SafeModeException異常，提示Safe mode is ON。通過命令hdfs dfsadmin -safemode leave解除安全模式即可。

AuthorizationException

常見的是Hive通過JDBC客戶端連接HiveServer2服務時候會出現(xiàn)這個異常，具體是信息是：User: xxx is not allowed to impersonate anonymous。這種情況只需要修改Hadoop的配置文件core-site.xml，添加：

<property> 
    <name>hadoop.proxyuser.xxx.hosts</name> 
    <value>*</value> 
</property> 
<property> 
    <name>hadoop.proxyuser.xxx.groups</name> 
    <value>*</value> 
</property> 

這里的xxx是指報錯時候具體的系統(tǒng)用戶名，例如筆者開發(fā)機的系統(tǒng)用戶名為doge

然后重啟Hadoop服務即可。

MapRedTask的權限問題

常見的是Hive通過JDBC客戶端連接HiveServer2服務執(zhí)行INSERT或者LOAD操作時候拋出的異常，一般描述是Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.mr.MapRedTask. Permission denied: user=anonymous, access=EXECUTE, inode="/tmp/hadoop-yarn":xxxx:supergroup:drwx------。通過命令hdfs dfs -chmod -R 777 /tmp賦予匿名用戶/tmp目錄的讀寫權限即可。

小結沒什么事最好還是直接在Linux或者Unix系統(tǒng)中搭建Hadoop和Hive的開發(fā)環(huán)境比較合理，Windows系統(tǒng)的文件路徑和權限問題會導致很多意想不到的問題。本文參考了大量互聯(lián)網(wǎng)資料和Hadoop和Hive的入門書籍，這里就不一一貼出，站在巨人的肩膀上。

(本文完 c-4-d e-a-20201102)