ImpalaOverView

概述

特点

• 提供对HDFS、HBase、Kudu数据的高性能、低延迟的交互式SQL查询性能。

• 基于Hive，使用内存计算，兼顾数据仓库、基有实时、批处理、多并发的有点，是PB级大数据实时查询分析引擎。

适用场景

优缺点

优点

• MPP架构，去中心化，完全兼容HiIVE元数据,结合kudu实时数仓

• 基于内存运行，不需要把中间结果写入磁盘，省掉了大量的I/O开销。

• 无需转换为MR，直接访问存储在HDFS、HBASE和Kudu中的数据进行作业，速度快。

• 使用了支持Data Locality的I/O调度机制，尽可能将数据和计算分配到同一台机器上进行，减少了网络开销。

• 支持各种文件格式，如TEXTFILE、SEQUENCEFILE、RCFile、Parquet。

• 可以访问hive的metastore，对hive数据支持做数据分析。

性能优势

• Impala性能优势有元数据缓存，而且impala会缓存HDFS上相应表数据在blog里的信息，因此查询时会有一个本地读， 判断元数据是否在本地，通过本地转读方式，log才能连接数据。第二点并行计算，Query Planner生成执行计划将其发往周边节点， 然后汇聚。第三个利用codegen技术，有些依据执行环境生成执行代码，会对性能提升很大。再一个就是很多算子下推，如果追求高性能不许实现算子下推， 将存储层与计算层交互变得更小，在底层过滤而不是在计算层，这样对平台整体性能提升较大。

MPP并行架构

impala架构

查询性能

缺点

• 对内存依赖大，且完全依赖于Hive。

• 分区超过1万，性能严重下降。

• 只能读取文本文件，不能直接读取自定义二进制文件。

• 每当新的记录/文件被添加到HDFS中的数据目录中，该表需要被刷新。

• 链接一个Coordinator失败后无法故障转移到其他可用的Corrdinator

• 存在木桶原理，执行SQL的速度快慢取决于最慢的那个Executor

Impala的架构

img

impala架构

• Impalad

  • SQL解析，执行计划生成

  • 非DDL操作不需要catalogd参与

  • 接收client的请求、Query执行并返回给中心协调节点；

  • 子节点上的守护进程，负责向statestore保持通信，汇报工作。

  • Impala还区别于其他MPP架构的引擎的一点，是Impala有多个Coordinator和Executor，多个Coordinator可以同时对外提供服务。多Coordinator的架构设计让Impala可以有效防范单点故障的出现。

• Catalogd

  • 分发表的元数据信息到各个impalad中；

  • 接收来自statestore的所有请求。

  • 缓存表元数据，缓存HDFS数据块元数据

  • DDL操作需要绑定catalogd

• Statestore(sub/pub服务)

  • 元数据信息

  • 负责收集分布在集群中各个impalad进程的资源信息、各节点健康状态，同步节点信息。

  • 负责query的协调调度。

Impala操作

Impala外部Shell

[root@cm-master shell]#  impala-shell -h
Options:
  -h, --help            show this help message and exit
  -i IMPALAD, --impalad=IMPALAD
                        <host:port> of impalad to connect to
                        [default: cm-master:21000]
  -q QUERY, --query=QUERY
                        Execute a query without the shell [default: none]
  -f QUERY_FILE, --query_file=QUERY_FILE
                        Execute the queries in the query file, delimited by ;
                        [default: none]
  -o OUTPUT_FILE, --output_file=OUTPUT_FILE
                        If set, query results are written to the given file.
                        Results from multiple semicolon-terminated queries
                        will be appended to the same file [default: none]
  -B, --delimited       Output rows in delimited mode [default: False]
  --print_header        Print column names in delimited mode when pretty-
                        printed. [default: False]
  --output_delimiter=OUTPUT_DELIMITER
                        Field delimiter to use for output in delimited mode
                        [default: \t]
  -p, --show_profiles   Always display query profiles after execution
                        [default: False]
  --quiet               Disable verbose output [default: False]
  -v, --version         Print version information [default: False]
  -c, --ignore_query_failure
                        Continue on query failure [default: False]
  -r, --refresh_after_connect
                        Refresh Impala catalog after connecting
                        [default: False]
  -d DEFAULT_DB, --database=DEFAULT_DB
                        Issues a use database command on startup
                        [default: none]
  -u USER, --user=USER  User to authenticate with. [default: root]
  --ssl                 Connect to Impala via SSL-secured connection
                        [default: False]
  --var=KEYVAL          Define variable(s) to be used within the Impala
                        session. [default: none]

Impala内部Shell

选项	描述
help	显示帮助信息
explain	显示执行计划
profile (查询完成后执行）	查询最近一次查询的底层信息
shell	不退出impala-shell执行shell命令
version	显示impala-shell和impala的版本信息
connect	连接impalad主机，默认端口21000（同于impala-shell -i），如 connect hadoop103;
refresh	增量刷新元数据库
invalidate metadata	全量刷新元数据库（慎用）（同于 impala-shell -r）
history	历史命令

进入内部shell

# 进入外部shell
impala-shell

# 进入内部shell
help方式查看

Impala的数据类型

Hive数据类型	Impala数据类型	长度
TINYINT	TINYINT	1byte有符号整数
SMALINT	SMALINT	2byte有符号整数
INT	INT	4byte有符号整数
BIGINT	BIGINT	8byte有符号整数
BOOLEAN	BOOLEAN	布尔类型，true或者false
FLOAT	FLOAT	单精度浮点数
DOUBLE	DOUBLE	双精度浮点数
STRING	STRING	字符系列。可以指定字符集。可以使用单引号或者双引号。
TIMESTAMP	TIMESTAMP	时间类型
BINARY	不支持	字节数组

• Impala虽然支持array、map、struct复杂数据类型，但是并不完全支持，一般处理方法，将复杂类型转化为基本类型，从hive中创表。

存储和压缩

支持的存储压缩

文件格式	压缩编码	Impala是否可直接创建	是否可直接插入
Parquet	Snappy（默认）, GZIP;	Yes	支持：CREATE TABLE, INSERT, 查询
TextFile	LZO，gzip，bzip2，snappy	Yes. 不指定 STORED AS 子句的 CREATE TABLE 语句，默认的文件格式就是未压缩文本	支持：CREATE TABLE, INSERT, 查询。如果使用 LZO 压缩，则必须在 Hive 中创建表和加载数据
RCFile	Snappy, GZIP, deflate, BZIP2	Yes.	支持CREATE，查询，在 Hive 中加载数据
SequenceFile	Snappy, GZIP, deflate, BZIP2	Yes.	支持：CREATE TABLE, INSERT, 查询。需设置 修改参数: ALLOW_UNSUPPORTED_FORMATS=true

• impala不支持ORC格式

性能优化

• 尽量将StateStore和Catalog单独部署到同一个节点上，使其能正常通信。

• 通过对Impala Daemon内存限制(默认256MB)及StateStore工作线程数，来提供Impala的执行效率。

• 防止小文件、选择合适的文件存储格式、使用分区。

• 使用compute stats进行表信息搜集，当一个内容表或分区明显变化，重新计算统计相关数据表或分区。

• io优化

  • 避免整个数据发送到客户端

  • 条件过滤

  • limit子句

  • 尽量少用全量元数据刷新