apache-spark - 如何修复 pyspark EMR Notebook 上的错误 - AnalysisException : Unable to instantiate org. apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient

Question

我正在尝试使用附加到 EMR 的 EMR 笔记本在公共(public)数据集上使用 spark.sql() 或 sqlContext.sql() 方法运行 SQL 查询(这里 spark 是我们启动 EMR Notebook 时可用的 SparkSession 对象的变量)安装了 Hadoop、Spark 和 Livy 的集群。
但是在运行任何基本的 SQL 查询时，我都会遇到错误:

AnalysisException: u'java.lang.RuntimeException: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient;

我想使用 SQL 查询，所以我不想使用 Dataframe API 作为替代方案。

这个 spark EMR 集群没有安装单独的 Hive 组件，我不打算使用它。
我已尝试寻找导致此问题的各种原因，其中一个原因可能是 EMR 笔记本可能没有创建 metastore_db 的写入权限。但是，我无法证实这一点。
我试图在集群的日志文件中找到此错误，但找不到它，并且不确定哪个文件可能包含此错误，以便获取更多详细信息。

重现问题的步骤:

使用控制台创建 AWS EMR 集群并使用快速启动 View ，选择 spark 选项。它将包括基于 Hadoop 2.8.5 YARN 的 Spark 2.4.3 以及 Ganglia 3.7.2 和 Zeppelin 0.8.1。它可以只有 1 个主节点和 2 个核心节点，甚至可以只有 1 个主节点。

从 EMR 页面中的 Notebooks 链接创建一个 EMR Notebook，将其附加到您刚刚创建的集群并打开它(默认情况下，选择的内核将是 pyspark，如笔记本右上角所示)。

我正在使用的代码在公开的亚马逊评论数据集上运行 spark.sql 查询。

代码:

# Importing data from s3
input_bucket = 's3://amazon-reviews-pds'
input_path = '/parquet/product_category=Books/*.parquet'
df = spark.read.parquet(input_bucket + input_path)
# Register temporary view
df.createOrReplaceTempView("reviews")
sqlDF = sqlContext.sql("""SELECT product_id FROM reviews LIMIT 5""")

我希望从这个数据集中返回 5 个 product_id 但是我得到了错误:

u'java.lang.RuntimeException: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient;'
Traceback (most recent call last):
  File "/usr/lib/spark/python/lib/pyspark.zip/pyspark/sql/context.py", line 358, in sql
    return self.sparkSession.sql(sqlQuery)
  File "/usr/lib/spark/python/lib/pyspark.zip/pyspark/sql/session.py", line 767, in sql
    return DataFrame(self._jsparkSession.sql(sqlQuery), self._wrapped)
  File "/usr/lib/spark/python/lib/py4j-0.10.7-src.zip/py4j/java_gateway.py", line 1257, in __call__
    answer, self.gateway_client, self.target_id, self.name)
  File "/usr/lib/spark/python/lib/pyspark.zip/pyspark/sql/utils.py", line 69, in deco
    raise AnalysisException(s.split(': ', 1)[1], stackTrace)
AnalysisException: u'java.lang.RuntimeException: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient;'

Answer 1

我遇到了同样的问题，我意识到我的 EMR 集群上没有 Hive。

在启动另一个集群并确保选择了 Hive 后，它就可以工作了。