文档章节

Hive源码编译及阅读修改调试

问津已非少年
 问津已非少年
发布于 2017/03/25 18:25
字数 1976
阅读 538
收藏 17

#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:

mvn clean package -Phadoop-2 -DskipTests -Pdist

这里必须指定profile为hadoop-2来支持hadoop 2.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!

在Intellij的右侧,有个maven project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:

IDEA Maven

#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SET mapreduce.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:set hive.exec.mode.local.auto = true;,并调大hive.exec.mode.local.auto.tasks.max(默认4)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Remote debug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。

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Sun Microsystem 的 Java Platform Debugger Architecture (JPDA) 技术,它由两个接口(分别是 JVM Tool Interface 和 JDI)、一个协议(Java Debug Wire Protocol)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

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

参数含义:

参数含义
-Xdebug启用调试特性
-Xrunjdwp启用JDWP实现,包含若干子选项: transport, server, suspend, address
-transport=dt_socketJPDA front-end和back-end之间的传输方法,dt_socket表示使用套接字传输
server=yy表示启动的JVM是被调试者,如果为n,则表示启动的JVM是调试器
suspend=ny表示启动的JVM会暂停等待,直到调试器连接上才继续执行,而suspend=n,则JVM不会暂停等待
address=5005JVM在5005端口上监听请求,这个设定为一个不冲突的端口即可

##Hive Cli 调试 在运行环境开启Hive Cli命令行,执行: bin/hive --debug -hiveconf hive.root.logger=DEBUG,console,此时界面会显示 Listening for transport dt_socket at address: 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 -> Edit Configurations,然后点左上角 + 号按钮,选择 Remote,配好Host为运行Hive Cli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Hive Cli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

export HADOOP_OPTS="$HADOOP_OPTS -agentlib:jdwp=transport=dt_socket,server=y,suspend=n,address=5005"
export HADOOP_VERSION="2.6.0-cdh5.5.1"

其中HADOOP_VERSION由命令hadoop version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: JDWP No transports initialized, 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Hive MetaStore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export HADOOP_CLIENT_OPTS后加上 -Xdebug -Xrunjdwp:transport=dt_socket,server=y,suspend=n,address=5005

如下:

beeline

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

欢迎阅读转载,转载请注明出处:https://my.oschina.net/u/2539801/blog/867314

© 著作权归作者所有

问津已非少年
粉丝 18
博文 21
码字总数 33944
作品 0
海淀
程序员
私信 提问
Hive中文注释乱码解决方案(2)

本文来自网易云社区 作者:王潘安 执行阶段 launchTask 回到Driver类的runInternal方法,看以下执行过程。在runInternal方法中,执行过程调用了execute方法。execute方法里面的内容很多,但是...

网易云
2018/10/16
0
0
Hive on Spark 伪分布式环境搭建过程记录

进入hive cli是,会有如下提示: Hive-on-MR is deprecated in Hive 2 and may not be available in the future versions. Consider using a different execution engine (i.e. spark, tez) ......

PeakFang-BOK
2018/12/13
69
0
编译hive2.3.2源码并搭建环境

1. 安装环境说明 (1)hive1.2之后需要java1.7或者更高的版本,建议用1.8; (2)hadoop版本2.x以上,hive2.0.0之后不再支持1.x; 在本文之前,hadoop环境已经安装,具体可见文章《编译hadoo...

土木匠
2017/12/09
0
0
Hive客户端脚本CLI分析及debug环境搭建

接触Hive,自然少不了它家的shell命令行模式,下面就来分析下,平常我们接触的这个脚本到底如何运行的。 研究的版本是 1.2.1.(先搭建好Hadoop环境) ---扩展阅读:有兴趣的看看别人写的 https:...

强子哥哥
2016/03/12
191
0
hive利器 自定义UDF+重编译hive

用hive也有一段时间里,不过一直没写过相关到日志,因为主要用hive也无非是create table,upload data,CRUD 这几个过程。后来工作中需要用到一些常用到方法,了解到hive中支持UDF(User Defi...

王二铁
2012/06/28
4.1K
3

没有更多内容

加载失败,请刷新页面

加载更多

只需一步,在Spring Boot中统一Restful API返回值格式与统一处理异常

统一返回值 在前后端分离大行其道的今天,有一个统一的返回值格式不仅能使我们的接口看起来更漂亮,而且还可以使前端可以统一处理很多东西,避免很多问题的产生。 比较通用的返回值格式如下:...

晓月寒丶
昨天
60
0
区块链应用到供应链上的好处和实际案例

区块链可以解决供应链中的很多问题,例如记录以及追踪产品。那么使用区块链应用到各产品供应链上到底有什么好处?猎头悬赏平台解优人才网小编给大家做个简单的分享: 使用区块链的最突出的优...

猎头悬赏平台
昨天
28
0
全世界到底有多少软件开发人员?

埃文斯数据公司(Evans Data Corporation) 2019 最新的统计数据(原文)显示,2018 年全球共有 2300 万软件开发人员,预计到 2019 年底这个数字将达到 2640万,到 2023 年达到 2770万。 而来自...

红薯
昨天
65
0
Go 语言基础—— 通道(channel)

通过通信来共享内存(Java是通过共享内存来通信的) 定义 func service() string {time.Sleep(time.Millisecond * 50)return "Done"}func AsyncService() chan string {retCh := mak......

刘一草
昨天
58
0
Apache Flink 零基础入门(一):基础概念解析

Apache Flink 的定义、架构及原理 Apache Flink 是一个分布式大数据处理引擎,可对有限数据流和无限数据流进行有状态或无状态的计算,能够部署在各种集群环境,对各种规模大小的数据进行快速...

Vincent-Duan
昨天
60
0

没有更多内容

加载失败,请刷新页面

加载更多

返回顶部
顶部