操作场景

当GaussDB 200需要访问远端Spark数据时或者需要数据互操作时，可以通过配置"对接Spark"使用该功能。

约束限制

• 只支持配置访问FusionInsight HD中的Spark。
• 仅支持连接FusionInsight HD 6.5.0及以上版本，并且GaussDB 200的版本要与FusionInsight HD的版本相同。
• 仅支持连接安全模式的FusionInsight HD集群。
• 只支持配置一组远端Spark配置。
• 当前只支持运行在RedHat和SUSE环境上的GaussDB 200集群配置访问远端Spark，且不支持同集群内系统异构。
• 要求Spark ODBC必须用GCC 5.4及以上版本编译。

前提条件

• FusionInsight HD和GaussDB 200两个集群状态正常。
• FusionInsight HD和GaussDB 200两个集群之间可以互相通信。
• 配置所需要的Spark ODBC、KrbClient以及keytab等文件需要从FusionInsight HD集群的Manager界面下载获取：
  1. 下载客户端，获取Spark ODBC、KrbClient。
     1. 登录FusionInsight HD集群的Manager界面。
     2. 选择“概览 > 更多 > 下载客户端 ”，单击“确定”，通过上述步骤会获取到“FusionInsight_<集群ID>_Services_Client.tar”。
     3. 解压“FusionInsight_<集群ID>_Services_Client.tar”，接着解压“FusionInsight_Services_ClientConfig.tar”，在“FusionInsight_Services_ClientConfig”文件夹中会有“KrbClient”文件夹，将“KrbClient”文件夹压缩为“KrbClient.zip”。
     4. 将“FusionInsight_Services_ClientConfig/Spark2x”文件夹中的“DataSight_Spark_XXXX_HiveODBC.zip”解压，在“DataSight_Spark_XXXX_HiveODBC/Linux”文件夹中根据GaussDB 200集群所运行的系统环境选择Spark ODBC的rpm驱动包：
        • 如果是RedHat系统选择“datasight-hiveodbc-x.x.x-x.el6.x86_64.rpm”。
        • 如果是SUSE系统选择“datasight-hiveodbc-x.x.x-x.x86_64.rpm”。
  2. 下载认证凭据，获取keytab。
     1. 登录FusionInsight HD集群的Manager界面。
     2. 选择“系统 > 权限 > 用户”。
     3. 选择特定待下载凭证的用户所在行右边的“ 更多 >下载认证凭据”，通过上述步骤会获取到“kuser_xxxxxxx_keytab.tar”。
         说明：

        用户需要根据具体的业务需求，选择对应的用户来下载认证凭据。

  3. 将上述步骤中获取到的三个文件打包压缩为“package.zip”。
      说明：

     • “package.zip”中包含三个文件：“KrbClient.zip”、“datasight-hiveodbc-x.x.x-x.xxx.x86_64.rpm”、“kuser_xxxxxxx_keytab.tar”。
     • 用户需要保证“package.zip”中的内容完整以及正确。

操作步骤

1. 登录FusionInsight Manager。
2. 选择“集群 > 待操作的集群名称 > 服务 > MPPDB > 对接 > 对接Spark”，单击“创建”，填写配置组名称，单击“确定”。
3. 填写配置参数，配置参数参见表1。

   表1 GaussDB 200跨集群访问Spark的配置项

   参数	描述	建议填写值
   remote_connect_spark_database	默认Spark端库名称。	default
   remote_connect_spark_dsn	该组配置的DSN标识，以spark_开头，只允许由字母数字下划线组成，不能超过64个字符。 注意： “remote_connect_spark_dsn”值作为配置标示，保存配置后将不能修改，请用户慎重填写。 不同Spark配置组中的“remote_connect_spark_dsn”参数值不能相同。	spark_DSN
   remote_connect_spark_host	HD Spark JDBCServer的业务IP或者ZooKeeper的业务IP和端口。 说明： 如果“remote_connect_spark_mode”取值为“0”，则该值为需要直连的Spark JDBCServer的业务IP。 如果“remote_connect_spark_mode”取值为“1”，则该值为需要连接的那个集群的ZooKeeper的业务IP和端口。	100.100.0.10:24002,100.100.0.11:24002,100.100.0.12:24002
   remote_connect_spark_jaas_principal	“jaas.conf”文件的principal。 注意： “remote_connect_spark_jaas_principal”中所填写的用户名需要与下载“Kuser_xxxxxxx_keytab.tar”所使用的用户一致。 例如：如果下载了sparkuser用户的认证凭据，那么这里需要填写sparkuser@HADOOP.COM。	sparkuser@HADOOP.COM
   remote_connect_spark_mode	是否开启集群模式。 注意： 如果使用集群模式连接，在第一次执行kinit修改完密码之后，需要从Spark集群再次下载新的认证凭据，然后将新的凭据从后台手动上传至“${BIGDATA_HOME}/mppdb/core/utilslib/fc_conf/DSN”目录。
   remote_connect_spark_namespace	ZooKeeper存储FusionInsight HD Spark JDBCServer IP和端口的namespace。	sparkthriftserver2x
   remote_connect_spark_port	FusionInsight HD Spark JDBCServer的端口。	22550
   remote_connect_spark_principal	FusionInsight HD Spark JDBCServer的principal。	spark2x/hadoop.hadoop.com@HADOOP.COM

4. 上传驱动文件“package.zip”，单击“上传并部署”，等待部署完成。
5. 单击“保存”。等待保存配置成功，单击“完成”。
6. 选择“更多 > 重启”，执行相应操作重启服务。
7. 以操作系统用户omm登录GaussDB 200集群所有节点，执行source ${BIGDATA_HOME}/mppdb/.mppdbgs_profile命令启动环境变量，再使用kinit命令认证远端Spark用户。

   kinit sparkuser
   Password for sparkuser@HADOOP.COM:

8. 连接Spark。例如：

   -- 假设Spark里已经存在表 t1 (c1 int, c2 string), 内容如下：
   -- 1  spark
   -- 2  hive
   -- 通过 exec_hadoop_sql 函数查询，其中spark_DSN是{remote_connect_spark_dsn}中填写的Spark的DSN
   postgres=# SELECT * FROM exec_hadoop_sql('spark_DSN', 'select * from t1;', '') AS (c1 int, c2 text);
    c1 |  c2   
   ----+-------
     1 | spark
     2 | hive
   (2 rows)
   -- 通过 exec_on_extension 函数查询
   postgres=# CREATE DATA SOURCE ds_spark OPTIONS(dsn 'spark_DSN');
   postgres=# SELECT * FROM exec_on_extension ('ds_spark', 'select * from t1;') AS (c1 int, c2 text);
    c1 |  c2   
   ----+-------
     1 | spark
     2 | hive
   (2 rows)
   postgres=# DROP DATA SOURCE ds_spark;