Spark SQL with Alluxio 环境搭建

最新推荐文章于 2025-04-27 02:12:31 发布

原创

最新推荐文章于 2025-04-27 02:12:31 发布 · 1.2k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#alluxio #环境搭建

本文档详细介绍了如何在Yarn环境中利用node label特性，搭建Spark Thriftserver与Alluxio的集成，以提供adhoc查询服务。通过配置路径透明，使得Spark能自动从Alluxio读取数据，若Alluxio中不存在，则从底层存储读取。同时，文中还阐述了如何配置Hive metastore、Spark及Hadoop的相关设置，确保所有操作能正确识别和使用Alluxio。注意，由于Alluxio的某些限制，它并不适用于大规模使用，但在缓存和adhoc查询方面表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

背景

这里搭建使用yarn的node label特性隔离出测试集群环境，使用Spark Thriftserver提供adhoc 查询服务，查alluxio scheme的表对用户来说是透明的。

环境配置部分

总体上来说，配置依据官网
https://www.alluxio.org/docs/1.6/en/Running-Spark-on-Alluxio.html和
https://www.alluxio.org/docs/1.6/en/Running-Hive-with-Alluxio.html (注意这里的配置有前置的配置需要打通)

由于alluxio有一些写特定上的缺点，如没副本。所以并不打算大规模使用，但是其缓存功能，对adhoc查询提升有很多成功例子。且社区pmc也推荐alluxio-spark要独立于存储。所以我们决定使用独占node label的方式搭建独立“集群”。该集群上的节点只有nodemanager和alluxio worker/alluxio master进程。没有datanode

但要注意：使用了node label特性，要把spark executor分配在node label的机器上
以集群环境为例则使用参数：–queue root.adhocall.datapm --conf spark.yarn.am.nodeLabelExpression=ad_hoc --conf spark.yarn.executor.nodeLabelExpression=ad_hoc
此外需要注意的配置如下。

1）配置路径透明
什么叫路径透明？
也就是val s = sc.textFile(“/LICENSE") 能够自动从alluxio读取数据，如果alluxio没有，则从underFS读取数据，而且会把读取的文件load到alluxion中。这样是保证系统默认使用alluxio文件系统。

同样在Spark Thriftserver提供的服务里，SQL的表都是自动走Alluxio路径。

2）配置hive