CI用 beeline コンテナの最新化と軽量化

背景

我々のチームでは大容量データの分析のための基盤を運用しており，その中で Hadoop/hive での ETL を CI で廻す作業が多い．CI 用の beeline コンテナとして，当初 mapr のレポジトリを登録して beeline を apt-get で下記のように入れていたのだが，beeline のバージョンが低く，最近更改して hiveserver2 に冗長性を持たせた環境への接続が難しくなって困っていた．

RUN curl http://package.mapr.com/releases/pub/maprgpg.key | apt-key add -
RUN echo "deb http://package.mapr.com/releases/v5.2.0/ubuntu/ mapr optional" >> /etc/apt/sources.list
RUN echo "deb http://package.mapr.com/releases/ecosystem-5.x/ubuntu binary/" >> /etc/apt/sources.list
RUN apt-get update && apt install -y --no-install-recommends --allow-unauthenticated mapr-hive && \
        apt-get clean && rm -rf /var/lib/apt/lists/*
RUN ln -s /opt/mapr/hive/hive-1.2/bin/beeline /usr/bin/beeline

具体的にはこういうのが動かない．

beeline -n hive -u "jdbc:hive2://zk01.example.com:2181,zk02.example.com:2181,zk03.example.com:2181/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2"

対処方針

ということで，dockerhub にあるものを試してみた．我々のクラスタは Hortonworks Hadoop (cloudera に社としては統合されたが，まだ製品ラインナップは別)なので，素直にやるとすると，github/akanto/beeline / dockerhubか．

で，サクっと動いた．もうこれでいいかとも思ったが，イメージサイズが2GBか……．上記でもともと使っていたのが debian ベースで 557MB．もうちょいなんとかならないかな，ということで今後も最新化に追従するためにも自分で素の Apache Hadoop から alpine ベースで作り直すことにした．

参照したのはこのへん．

実装

FROM openjdk:8-jre-alpine

RUN apk add bash procps curl jq
RUN mkdir /opt/beeline \
        && curl -SL https://archive.apache.org/dist/hadoop/core/hadoop-3.2.0/hadoop-3.2.0.tar.gz \
        | tar -xzC /opt/beeline \
        && curl -SL https://archive.apache.org/dist/hive/hive-3.1.1/apache-hive-3.1.1-bin.tar.gz \
        | tar -xzC /opt/beeline

ENV HADOOP_HOME /opt/beeline/hadoop-3.2.0
ENV HIVE_HOME /opt/beeline/apache-hive-3.1.1-bin
ENV PATH $PATH:$HIVE_HOME/bin

結果

690MB．うーん，/opt/beeline/hadoop-3.2.0/share/doc だけでも 589M(圧縮前)とかになってるから，このへん削ればなんとかなりそうだけど，まぁとりあえずこれでいいか．

ref. https://hub.docker.com/r/skame/beeline

後日談

冗長化したほうのクラスタにつながるので一安心していたら，古いほうのクラスタにつながらずにCIがコケるという事態に．

org.apache.hive.org.apache.thrift.TApplicationException: Required field 'client_protocol' is unset! Struct:TOpenSessionReq(client_protocol:null, configuration:{use:database=default})

マジかー，といろいろ調べたところ，hive-jdbc-1.2.x と hive-jdbc-2.x との間で下方互換性がない，ということのようだ．マジかー．ということで，skame/beeline:mapr と skame/beeline:latest を併用するという恰好悪い状況に．最新版の beeline で hive-jdbc だけ 1.2 にする手もあるかもしれないけど，面倒だからもうこれでいいや．早く hdp を 3 系に移行してしまおう．

https://community.hortonworks.com/questions/138021/getting-error-required-field-client-protocol-is-un.html
https://blog.suganoo.net/entry/2018/10/10/182058