SparkSQL 之 Hive On Spark 原理分析

摘要：Hive on Spark 让传统 Hive 数仓跑在 Spark 引擎上。本文从 RSC 远程作业提交机制、HQL 编译 6 步、MR/Tez/Spark 三引擎对比、完整配置清单四个维度，配合 2 张架构图，彻底解析 Hive on Spark 原理。

关键词：Hive on Spark, RSC, Remote SparkContext, SparkClient, hive.execution.engine

一、开篇

传统 Hive 默认使用 MapReduce，每个 Stage 写 HDFS。Hive on Spark 将 Spark 作为执行引擎：RDD 内存迭代 + Catalyst 优化。

引擎演变: MR(1x) → Tez(10~100x) → Spark(100x+)
切换: set hive.execution.engine=spark;

二、架构全景 — RSC 核心机制

RSC (Remote Spark Context) = Hive 内嵌的轻量 Spark Driver
  ① HiveServer2 接收 HQL → ② SparkClient 创建
  ③ RemoteDriver 向 YARN 提交 → ④ 启动 RSC
  ⑤ YARN 分配 Executor → ⑥ JobMonitor 监控

三、HQL 编译 & 引擎对比

HQL 编译 6 步

① 解析(AST) → ② 语义分析(Metastore) → ③ 逻辑优化
④ SparkTask(Operator Tree→SparkWork) → ⑤ SparkCompiler(RDD Transform)
⑥ SparkClient.submit → Executor 执行

引擎对比

四、配置清单

<!-- hive-site.xml -->
hive.execution.engine=spark
spark.master=yarn
spark.yarn.jars=hdfs://namenode/spark-jars/*  <!-- 必配！ -->

# spark-defaults.conf
spark.executor.memory=4g
spark.dynamicAllocation.enabled=true
spark.shuffle.service.enabled=true

五、总结

1. RSC：Hive 内嵌 Driver，通过 SparkClient 向 YARN 提交作业。
2. 引擎选择：Tez 纯 SQL 更快，Spark 迭代/ML 更优。
3. 配置关键：spark.yarn.jars 必配 + Dynamic Allocation。

作者：starzy
博客：blog.starzy.cn
GitHub：starzy1990.github.io
专注 AI Agent · LangGraph · RAG · 大数据架构 · 数据工程实践