当前位置:天才代写 > tutorial > 大数据教程 > 全面讲解Hive源码编译及阅读修改调试

全面讲解Hive源码编译及阅读修改调试

2018-05-17 08:00 星期四 所属: 大数据教程 浏览:648

  Hive起完全分布式的MR任务也可追踪,但是需要修改节点机上的MR启动时java参数,而且Hive起一个MR任务时,只有当MR启动后才能知道哪个节点机上启动了该任务,之后才能进行Remotedebug连接,这在运行环境为完全分布式时会比较麻烦。但如果运行环境为伪分布式,那么追踪可能会更方便些。 

下载编译

  在git上下载合适的master分支,使用maven编译。执行编译的目的在于,确保过程中生成的代码(Thrift)已经生成,这样导入IDEA就不会出现有些类找不到的情况。

  执行源码编译分发命令,进入源码根目录执行:

  mvncleanpackage-PHadoop-2-DskipTests-Pdist

  这里必须指定profile为hadoop-2来支持hadoop2.x版本

  1、后续更改完源码后,还需执行该命令来编译打包。源码更改后需评价其对Hive各模块的影响(改动代码多的话可通过pom的依赖来看),如果影响的模块非常少,可以直接进入相应的模块进行上述命令的编译打包,如果影响模块很多,则直接在Hive源码根目录进行编译打包。

  2、打完包后,将受影响的包进行线上替换,重启受影响的组件即可应用上改后的代码。如果在CDH环境,要注意所有YARN的节点都需进行包的替换,因为Hive的MR任务启动后,节点上Container的启动其核心包是加载的本地jar包,而不是HDFS上的jar包。

  导入IDEA进行源码阅读修改

  在Intellij里打开编译后的工程,它是一个Maven工程,软件会自动区分模块并导入。导入后可以看到源码,但我们会发现,很多关于hadoop的地方标红了,表示不可用,这是为什么呢?

  这是因为版本依赖的原因,hive可编译为依赖hadoop1或hadoop2,在编译源码的时候就已提示过让我们输入支持哪个,否则不能编译!

  这里也一样,需要我们选择其依赖,才能正确的导入maven依赖包!

  hive三个主要组件

  Serialzers/Deserialzers(trunk/serde)此组件允许用户自己开发自定义序列化、反序列化文件解析器,hive自身也内置了一些序列化解析类。

  MetaStore(trunk/metastore)此组件是hive的元数据服务器,用来存放数据仓库中所有表和分区的信息,hive元数据建表sql、升级sql脚本都存放在此目录下。

  QueryProcessor(trunk/ql)此组件用于解析sql生成map/reduce作业,并按照先后顺序执行他们(hive核心包,熟读此包,可了解hive执行流程核心)。

  其他组件

  CommandLineInterface(trunk/cli)此组件用于处理命令行提交作业。

  HiveServer(trunk/service)此组件所有对外api接口的服务端(通过thrift实现),可用于其他客户端与hive交互,比如jdbc。

  Common(trunk/common)hive基础代码库,hive各个组件信息的传递也是有此包HiveConf类来管理。

  AntUtilities(trunk/ant)此组件包含一些ant任务需要的基础代码

  Scripts(trunk/bin)此组件包涵hive里的所有脚本,包括hiveCLI的脚本。

  在Intellij的右侧,有个mavenproject的停靠栏,点击它可以看到有个profiles的子项,我们可以明显看到hadoop-2是没有勾选的,这里勾选上它,它所指定的相应依赖就会被导入,源码就不会标红啦!就可以放心的改源码啦!

  如下图

全面讲解Hive源码编译及阅读修改调试_开发_Hive_Windows_课课家教育

  开启调试之旅

  调试前提

  调试代码时最好不执行完全分布式任务(会分配到多台节点机执行的MR任务),代码跑动控制在当前JVM范围内(可以是多线程的),否则代码跟踪超级麻烦。

  如果需要执行MR任务,最好以local模式执行,打开命令SETmapreduce.framework.name=local;

  有些任务也不需要起MR,这样更方便调试,尽可能不起MR:sethive.exec.mode.local.auto=true;,并调大hive.exec.mode.local.auto.tasks.max(默认4)和hive.exec.mode.local.auto.inputbytes.max(默认128M),当且仅当自动开启本地模式设为true,并且输入的文件数量和数据量大小分别都小于这两个值的时候,才不会起MR任务。

  1、Hive起完全分布式的MR任务也可追踪,但是需要修改节点机上的MR启动时Java参数,而且Hive起一个MR任务时,只有当MR启动后才能知道哪个节点机上启动了该任务,之后才能进行Remotedebug连接,这在运行环境为完全分布式时会比较麻烦。但如果运行环境为伪分布式,那么追踪可能会更方便些。

  2、Hive调试,实际运行环境为伪分布式集群环境或完全分布式集群环境都可以。

  Hive调试需保证调试代码和运行环境的代码一致,否则调试会出现断点位置对不上的问题,影响我们调试。

#p#分页标题#e#

  如果是在Kerberos环境,运行Hive命令的用户需具备Kerberos认证,因为调试跟正常执行任务其实没什么区别。调试端(如Windows上的IDEA)不需要认证,它只要能连通开启的JVM端口即可。

  调试原理

  基于SunMicrosystem的JavaPlatformDebuggerArchitecture(JPDA)技术,它由两个接口(分别是JVMToolInterface和JDI)、一个协议(JavaDebugWireProtocol)和两个用于合并它们的软件组件(后端和前端)组成,可以远程调试任何基于JVM的程序。

  要启用调试,只需在软件的JVM启动时加载以下参数:

  -Xdebug-Xrunjdwp:transport=dt_socket,address=5005,server=y,suspend=n

  或

  -agentlib:jdwp=transport=dt_socket,server=y,suspend=n,address=5005

  参数含义:

在运行环境开启HiveCli命令行,执行:bin/hive--debug-hiveconfhive.root.logger=DEBUG,console,此时界面会显示Listeningfortransportdt_socketataddress:8000,表明远程调试模式已开。

  HiveCli调试

  在运行环境开启HiveCli命令行,执行:bin/hive–debug-hiveconfhive.root.logger=DEBUG,console,此时界面会显示Listeningfortransportdt_socketataddress:8000,表明远程调试模式已开。

  然后在IntelliJ里配置远程调试模式,Run->Debug->EditConfigurations,然后点左上角+号按钮,选择Remote,配好Host为运行HiveCli命令的主机,Port为8000,然后起个方便识别的名字,点击Debug就可以开始调试源码了。

  一旦这边远程连接上了集群环境的调试端口,集群那边就会打日志并出现hive>这样的输入光标,在IDEA里打断点,然后在HiveCli里执行HQL语句,我们就可以看到IDEA这边的断点信息,然后逐步调试。

  HiveServer2调试

  以下以CDH集群环境做说明,路径与你安装的CDH路径有关,Apache开源环境找到对应配置文件即可。

  修改hiveserver2所在机器的/opt/cloudera/parcels/CDH/lib/hive/bin/hive-config.sh文件,在最后加上

  exportHADOOP_OPTS=”$HADOOP_OPTS-agentlib:jdwp=transport=dt_socket,server=y,suspend=n,address=5005″

  exportHADOOP_VERSION=”2.6.0-cdh5.5.1″

  其中HADOOP_VERSION由命令hadoopversion可得到。

  改完配置后在CM里重启Hiveserver2,这时在HiveServer2所在机器上查看5005端口,会发现处于监听状态,然后利用Intellij如上面的debug一样,即可连接上远程的hiveserver2。

  打好断点,之后在某一节点上启动beeline,连接上该hiveserver2,执行hql,这边就可以源码追踪。

  1、注意端口别占用了,否则会报:JDWPNotransportsinitialized,jvmtiError=AGENT_ERROR_TRANSPORT_INIT

  2、如果整个Hive需要重启,需把上面更改注释掉,待Hive重启完毕后,再把注释改回来然后单独重启HiveServer2。这是因为HiveMetaStore启动时也会用到该脚本,而MetaStore先启动,会进入MetaStore的调试。之后启动HiveServer2时就会出现端口占用的情况

  Beeline调试

  以下以CDH集群环境做说明,自己的安装环境寻找相应配置即可

  修改需要运行beeline的机器上的beeline脚本的执行脚本,我的位置为:/opt/cloudera/parcels/CDH/lib/hive/bin/ext/beeline.sh,在脚本最后的exportHADOOP_CLIENT_OPTS后加上-Xdebug-Xrunjdwp:transport=dt_socket,server=y,suspend=n,address=5005。

  如下:

修改需要运行beeline的机器上的beeline脚本的执行脚本,我的位置为:/opt/cloudera/parcels/CDH/lib/hive/bin/ext/beeline.sh,在脚本最后的exportHADOOP_CLIENT_OPTS后加上-Xdebug-Xrunjdwp:transport=dt_socket,server=y,suspend=n,address=5005。

  改完后,在该机器上执行beeline即可进入监听状态,IDEA进行远程连接即可。

  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,并提供简单的sql查询功能,可以将sql语句转换为MapReduce任务进行运行。其优点是学习成本低,可以通过类SQL语句快速实现简单的MapReduce统计,不必开发专门的MapReduce应用,十分适合数据仓库的统计分析。

更多详细内容尽在课课家哦!

 

    关键字:

天才代写-代写联系方式