HIVE作业管理分析及解决方案是什么

HIVE作业管理分析及解决方案是什么，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

hive任务管理

对于hive任务展示的时候需要把id和mr id关联， 杀死任务的时候需要把所有属于这个hive语句的任务都杀死。

一 相关知识

1.1 基础知识

Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能。 本质是将SQL转换为MapReduce程序

1.2 Thrift服务

thrift是facebook开发的一个软件框架，它用来进行可扩展且跨语言的服务的开发，hive集成了该服务，能让不同的编程语言调用hive的接口。

1.3 hiveServer/HiveServer2

两者都允许远程客户端使用多种编程语言，通过HiveServer或者HiveServer2，客户端可以在不启动CLI的情况下对Hive中的数据进行操作， 允许远程客户端使用多种编程语言如java，python等向hive提交请求，取回结果（从hive0.15起就不再支持hiveserver了）。

HiveServer或者HiveServer2都是基于Thrift的，但HiveSever有时被称为Thrift server，而HiveServer2却不会。

既然已经存在HiveServer，为什么还需要HiveServer2呢？

这是因为==HiveServer不能处理多于一个客户端的并发请求==，这是由于HiveServer使用的Thrift接口所导致的限制，不能通过修改HiveServer的代码修正。因此在Hive-0.11.0版本中重写了HiveServer代码得到了HiveServer2，进而解决了该问题。

HiveServer2支持多客户端的并发和认证，为开放API客户端如JDBC、ODBC提供更好的支持。

1.4 执行原理

1.5 用户接口

Hive 命令行模式（CLI）

命令行接口，CLI可以以两种模式运行，一种是单纯的客户端，直接连接driver；还有一种是连接hiveserver1；hiveserver1已经被hiveserver2取代，并在1.0.0版本去掉。因为安全性等原因，官方希望用beeline替代cli；或者直接修改cli的底层实现来达到无缝修改。 https://issues.apache.org/jira/browse/HIVE-10511 https://cwiki.apache.org/confluence/display/Hive/Replacing+the+Implementation+of+Hive+CLI+Using+Beeline

Hive 的 Web 模式（WUI）

hive客户端提供了一种通过网页的方式访问hive所提供的服务。这个接口对应hive的hwi组件（hive web interface），使用前要启动hwi服务。 ==hwi因为使用较少，2.2版本后被移除。==

Hive 的远程服务（Client）

通过Thrift协议与某个单独的HiveServer2进程进行连接通信。

beeline

HiveServer2提供了一个新的命令行工具Beeline，它是基于SQLLine CLI的JDBC客户端。

Beeline工作模式有两种，即本地嵌入模式和远程模式。嵌入模式情况下，它返回一个嵌入式的Hive（类似于Hive CLI）。而远程模式则是通过Thrift协议与某个单独的HiveServer2进程进行连接通信。

二 开源方案

2.1 hive falcon

在开发工作当中，提交 Hadoop 任务，任务的运行详情，这是我们所关心的，当业务并不复杂的时候，我们可以使用 Hadoop 提供的命令工具去管理 YARN 中的任务。在编写 Hive SQL 的时候，需要在 Hive 终端，编写 SQL 语句，来观察 MapReduce 的运行情况，长此以往，感觉非常的不便。另外随着业务的复杂化，任务的数量增加，此时我们在使用这套流程，已预感到力不从心，这时候 Hive 的监控系统此刻便尤为显得重要，我们需要观察 Hive SQL 的 MapReduce 运行详情以及在 YARN 中的相关状态。

Hive Falcon 用于监控 Hadoop 集群中被提交的任务，以及其运行的状态详情。其中 Yarn 中任务详情包含任务 ID，提交者，任务类型，完成状态等信息。另外，还可以编写 Hive SQL，并运 SQL，查看 SQL 运行详情。也可以查看 Hive 仓库中所存在的表及其表结构等信息。

==不能将HIVE的查询和yarn任务关联在一起，不满足需求。==

2.2 zepplin

待确认

2.3 ambari

待确认

2.4 hue

采用thrift方式实现。具体可以下载hue源代码，apps/beeswax, 使用python实现。

此实现方式只能管理通过hue界面执行的查询，其他客户端的查询无法管理。 查询和mapreduce的关联关系是通过分析日志实现的，thrift没有对应的接口。 https://groups.google.com/a/cloudera.org/forum/#!topic/hue-user/wSDcTnZJqTg

日志

2017-04-26 13:54:24,068 INFO  ql.Driver (Driver.java:compile(411)) - Compiling command(queryId=hadoop_20170426135454_41352e71-5685-48e5-9e4d-c25819669666): select count(*) from t_function2017-04-26 13:54:26,891 INFO  HiveMetaStore.audit (HiveMetaStore.java:logAuditEvent(388)) - ugi=hadoop  ip=unknown-ip-addr      cmd=get_table : db=default tbl=t_function       2017-04-26 13:54:37,444 INFO  ql.Driver (Driver.java:compile(463)) - Semantic Analysis Completed2017-04-26 13:54:37,677 INFO  ql.Driver (Driver.java:getSchema(245)) - Returning Hive schema: Schema(fieldSchemas:[FieldSchema(name:_c0, type:bigint, comment:null)], properties:null)2017-04-26 13:54:38,331 INFO  ql.Driver (Driver.java:compile(541)) - Completed compiling command(queryId=hadoop_20170426135454_41352e71-5685-48e5-9e4d-c25819669666); Time taken: 14.712 seconds2017-04-26 13:54:38,332 INFO  ql.Driver (Driver.java:execute(1448)) - Executing command(queryId=hadoop_20170426135454_41352e71-5685-48e5-9e4d-c25819669666): select count(*) from t_function2017-04-26 13:54:38,334 INFO  ql.Driver (SessionState.java:printInfo(927)) - Query ID = hadoop_20170426135454_41352e71-5685-48e5-9e4d-c258196696662017-04-26 13:54:38,335 INFO  ql.Driver (SessionState.java:printInfo(927)) - Total jobs = 12017-04-26 13:54:38,516 INFO  ql.Driver (SessionState.java:printInfo(927)) - Launching Job 1 out of 12017-04-26 13:55:24,615 INFO  exec.Task (SessionState.java:printInfo(927)) - Starting Job = job_1493083994846_0010, Tracking URL = http://T-163:23188/proxy/application_1493083994846_0010/2017-04-26 13:55:24,860 INFO  exec.Task (SessionState.java:printInfo(927)) - Kill Command = /opt/beh/core/hadoop/bin/hadoop job  -kill job_1493083994846_0010

三 其他方案

未发现完全实现该功能的开源方案，接下来需要看看有没有其他人干过类似的事，并发了相关文章。

3.1 Hive SQL运行状态监控

目前数据平台使用Hadoop构建，为了方便数据分析师的工作，使用Hive对Hadoop MapReduce任务进行封装，我们面对的不再是一个个的MR任务，而是一条条的SQL语句。数据平台内部通过类似JDBC的接口与HiveServer进行交互，仅仅能够感知到一条SQL的开始与结束，而中间的这个过程通常是漫长的（两个因素：数据量、SQL复杂度），某些场景下用户需要了解这条SQL语句的执行进度，从而为我们引入以下几个问题：

（1）通过JDBC接口执行一条SQL语句时，这条SQL语句被转换成几个MR任务，每个MR任务的JobId是多少，如何维护这条SQL语句与MR任务的对应关系？

（2）如何获取MR任务的运行状态，通过JobClient？

（3）通过HiveServer是否可以获取到上述信息？

http://www.cnblogs.com/yurunmiao/p/4224137.html

四 汇总分析

通过之前的调研发现，不管是开源项目还是其他网络资料，大多数需求只实现了特定情况下的hive查询与yarn任务之间的对应， 多数还是在log上做文章，通过分析hive产生的日志来获得查询和yarn任务的关系。

种种迹象表明，情况不太乐观，遇到硬茬了；想做一种兼容所有执行方式的查询管理工具，有比较大的难度，需要深入到源代码去了解。

所有查询方式

graph LRHue-->ThriftThrift-->DriverCLI-->DriverHWI-->DriverBeeline-->DriverBeeline-->Thrift

• HWI方式官方将在2.2版本后去掉，且使用率不高，暂不支持。

• Thrift方式支持多客户端的并发和认证，官方建议采用这种方式，故Beeline只支持Thrift使用方式。

• CLI虽然不通过Thrift，但因为现在的项目用的比较多，考虑支持。

  通过以上分析，我们要支持的访问方式如下。

支持查询方式

graph LRHue-->ThriftThrift-->DriverCLI-->DriverBeeline-->Thrift

五 源码分析

通过上述分析，我们得出我们的研究方向，并确定了研究方案。 主要分两部分，CLI模式任务管理和Thrift模式任务管理。

6.1 CLI模式任务管理

我们知道，cli模式下，我们一次只能执行一条查询，查询执行过程中，我们可以通过ctrl+c来终止查询。 ctrl+c是给进程发送sig_int中断信号。

通过阅读源码我们发现，中断信号的处理在processLine函数中触发，该函数为处理单条命令。 http://blog.csdn.net/lpxuan151009/article/details/7956518 注： 源码为hive1.1分支，其中hive-cli工程即为CLI的对应工程。 入口类为org.apache.hadoop.hive.cli.CliDriver。

 if (allowInterrupting) {      // Remember all threads that were running at the time we started line processing.      // Hook up the custom Ctrl+C handler while processing this line      interruptSignal = new Signal("INT");      oldSignal = Signal.handle(interruptSignal, new SignalHandler() {        private final Thread cliThread = Thread.currentThread();        private boolean interruptRequested;        @Override        public void handle(Signal signal) {          boolean initialRequest = !interruptRequested;          interruptRequested = true;          // Kill the VM on second ctrl+c          if (!initialRequest) {            console.printInfo("Exiting the JVM");            System.exit(127);          }          // Interrupt the CLI thread to stop the current statement and return          // to prompt          console.printInfo("Interrupting... Be patient, this might take some time.");          console.printInfo("Press Ctrl+C again to kill JVM");          // First, kill any running MR jobs          HadoopJobExecHelper.killRunningJobs();          TezJobExecHelper.killRunningJobs();          HiveInterruptUtils.interrupt();        }      });    }

至此，CLI查询的终止操作我们已经通过进程和源代码两种方式获取到， 此种任务管理的任务解决方案见六。

执行流程

graph LRprocessCmd-->processLocalCmdprocessLine-->processCmdexecuteDriver-->processLinerun-->executeDrivermain-->run

processLocalCmd

            Driver qp = (Driver) proc;            PrintStream out = ss.out;            long start = System.currentTimeMillis();            if (ss.getIsVerbose()) {              out.println(cmd);            }            qp.setTryCount(tryCount);            ret = qp.run(cmd).getResponseCode();            if (ret != 0) {              qp.close();              return ret;            }

查询实际执行的地方，可以在此处将执行相关信息输出，输出方式可选择log方式或者数据库，也可选择rpc(rpc方式)

6.2 Thrift模式任务管理

相比较而言，CLI的任务管理相对简单，因为每个CLI只能执行一个查询； 而Thrift模式则支持并发，这里的Thrift模式我们指的是hiveserver2的实现方式。 通过Thrift模式,Hue,Beeline,Ambari等等客户端均可以连接到hive执行查询任务， 需要把这些查询任务都统一管理起来。

Thrift连接

graph LRHue-->hiveserver2Beeline-->hiveserver2Ambari-->hiveserver2other-->hiveserver2

我们发现，官方提供的thrift包主要实现的是一个连接所对应的各种操作， 但并不包括连接间的信息；即连接间的信息并未提供外部接口。

下面为一段Thrift示例代码，主要功能为建立一个连接后查询hive的数据数据。

thrift示例代码

        TSocket tSocket = new TSocket("T-162", 10000);        tSocket.setTimeout(20000);        TTransport transport = tSocket;        TBinaryProtocol protocol = new TBinaryProtocol(transport);        TCLIService.Client client = new TCLIService.Client(protocol);        transport.open();        TOpenSessionReq openReq = new TOpenSessionReq();        TOpenSessionResp openResp = client.OpenSession(openReq);        TSessionHandle sessHandle = openResp.getSessionHandle();        TExecuteStatementReq execReq = new TExecuteStatementReq(sessHandle, "show databases");        TExecuteStatementResp execResp = client.ExecuteStatement(execReq);        TOperationHandle stmtHandle = execResp.getOperationHandle();        TFetchResultsReq fetchReq = new TFetchResultsReq(stmtHandle, TFetchOrientation.FETCH_FIRST, 100);        TFetchResultsResp resultsResp = client.FetchResults(fetchReq);        List res=resultsResp.getResults().getColumns();        for(TColumn tCol: res){            Iterator it = tCol.getStringVal().getValuesIterator();            while (it.hasNext()){                System.out.println(it.next());            }        }        TCloseOperationReq closeReq = new TCloseOperationReq();        closeReq.setOperationHandle(stmtHandle);        client.CloseOperation(closeReq);        TCloseSessionReq closeConnectionReq = new TCloseSessionReq(sessHandle);        client.CloseSession(closeConnectionReq);        transport.close();

通过查看源代码我们发现， 注： 源码为hive1.1分支，其中hive-service工程即为hiveserver2的对应工程。 Thrift类主要在org.apache.hive.service.cli.thrift包下。

session&operation管理

graph LRHiveServer2-->CLIServiceCLIService-->SessionManagerSessionManager-->handleToSessionSessionManager-->OperationManagerOperationManager-->handleToOperation

SessionManager

  private final Map handleToSession =      new ConcurrentHashMap();  private final OperationManager operationManager = new OperationManager();

OperationManager

    private final Map handleToOperation =      new HashMap();

CLIService.cancelOperation

  @Override  public void cancelOperation(OperationHandle opHandle)      throws HiveSQLException {    sessionManager.getOperationManager().getOperation(opHandle)    .getParentSession().cancelOperation(opHandle);    LOG.debug(opHandle + ": cancelOperation()");  }

通过上述接口可知，只需要找到对应操作的OperationHandle， 然后调用CLIService.cancelOperation即可。

operation&handler

graph LRSQLOperation-->ExecuteStatementOperationExecuteStatementOperation-->OperationOperationHandle-->Handle

public abstract class Handle {  private final HandleIdentifier handleId;  public Handle() {    handleId = new HandleIdentifier();  }  public Handle(HandleIdentifier handleId) {    this.handleId = handleId;  }  public Handle(THandleIdentifier tHandleIdentifier) {    this.handleId = new HandleIdentifier(tHandleIdentifier);  }  public HandleIdentifier getHandleIdentifier() {    return handleId;  }  @Override  public int hashCode() {    final int prime = 31;    int result = 1;    result = prime * result + ((handleId == null) ? 0 : handleId.hashCode());    return result;  }  @Override  public boolean equals(Object obj) {    if (this == obj) {      return true;    }    if (obj == null) {      return false;    }    if (!(obj instanceof Handle)) {      return false;    }    Handle other = (Handle) obj;    if (handleId == null) {      if (other.handleId != null) {        return false;      }    } else if (!handleId.equals(other.handleId)) {      return false;    }    return true;  }  @Override  public abstract String toString();}

可以通过handle id 进行查找。 需要通过thrift接口放出根据handle id停止operation的接口。

// CancelOperation()//// Cancels processing on the specified operation handle and// frees any resources which were allocated.struct TCancelOperationReq {  // Operation to cancel  1: required TOperationHandle op_handle}

thrift cancle接口已有； 现在需要thrift的获取所有operation的接口；用于展示 现在需要thrift的获取所有session的接口；用于展示

六 最终解决方案

6.1 CLI方式

cli程序没有通信模块，如果增加通信模块修改较大，选择定位进程并对进程发送中断信号的方式取消查询。

通过修改配置，将查询log根据进程号进行细分，这样就可以获得查询和进程号的关系。

当想要杀死一个进程是，通过ssh给对应主机的指定进程发送中断信息即可。不能通过发送中断信号来执行，因为执行查询的用户可能有很多，==只有root才能保证中断发送成功==， 但是使用root权限会有安全问题，所有此处只能采用rpc方式进行。

具体rpc方案目前可选的为hadoop rpc形式或者thrift方式，轮询心跳方式或者cs合集模式。

暂定轮询心跳方式，IPC定时查询命令，心跳间隔1分钟。

工作量： 4-8工作日

因为cli方案的问题，所以最佳方案可能还是修改driver层。

日志格式

hive-hadoop-hive-T-162.log.2621@T-162hive-hadoop-hive-T-162.log.28632@T-162hive-hadoop-hive-T-162.log.362@T-162hive-hadoop-hive-T-162.log.5762@T-162

6.2 THRIFT方式

增加thrift的获取所有operation的接口，展示所有查询；调用取消查询接口杀死查询。

工作量：4-8工作日

6.3 DRIVER one for all

因为不管cli还是thrift方式，最终都要经过driver层，所以在driver层修改，可以一站式解决所有问题。 但和上面两种不同的是，上面两种都只是在原有代码上加了一层壳，基本没有动核心代码； 而driver层，则需要改动一定程度逻辑的代码，难度有所增加。

看完上述内容，你们掌握HIVE作业管理分析及解决方案是什么的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注行业资讯频道，感谢各位的阅读！