文章目錄
1. Impala基本介紹
介紹 :
impala是cloudera提供的一款高效率的sql查詢工具，提供實時的查詢效果，官方測試性能比hive快10到100倍，其sql查詢比sparkSQL還要更加快速，號稱是當前大數據領域最快的查詢sql工具，
impala是參照谷歌的新三篇論文（Caffeine–網絡搜索引擎、Pregel–分佈式圖計算、Dremel–交互式分析工具）當中的Dremel實現而來，其中舊三篇論文分別是（BigTable，GFS，MapReduce）分別對應我們即將學的HBase和已經學過的HDFS以及MapReduce。
impala是基於hive並使用內存進行計算，兼顧數據倉庫，具有實時，批處理，多併發等優點。
2. Impala與Hive關係
關係 :
impala是基於hive的大數據分析查詢引擎，直接使用hive的元數據庫metadata，意味着impala元數據都存儲在hive的metastore當中，並且impala兼容hive的絕大多數sql語法。所以需要安裝impala的話，必須先安裝hive，保證hive安裝成功，並且還需要啓動hive的metastore服務。
Hive元數據包含用Hive創建的database、table等元信息。元數據存儲在關係型數據庫中，如Derby、MySQL等。
客戶端連接metastore服務，metastore再去連接MySQL數據庫來存取元數據。有了metastore服務，就可以有多個客戶端同時連接，而且這些客戶端不需要知道MySQL數據庫的用戶名和密碼，只需要連接metastore 服務即可。
nohup hive --service metastore >> ~/metastore.log 2>&1 &
Hive適合於長時間的批處理查詢分析，而Impala適合於實時交互式SQL查詢。可以先使用hive進行數據轉換處理，之後使用Impala在Hive處理後的結果數據集上進行快速的數據分析。
3. Impala與Hive異同
Impala
Impala與Hive都是構建在Hadoop之上的數據查詢工具各有不同的側重適應面，但從客戶端使用來看Impala與Hive有很多的共同之處，如數據表元數據、ODBC/JDBC驅動、SQL語法、靈活的文件格式、存儲資源池等。
但是Impala跟Hive最大的優化區別在於：沒有使用MapReduce進行並行計算，雖然MapReduce是非常好的並行計算框架，但它更多的面向批處理模式，而不是面向交互式的SQL執行。與 MapReduce相比，Impala把整個查詢分成一執行計劃樹，而不是一連串的MapReduce任務，在分發執行計劃後，Impala使用拉式獲取數據的方式獲取結果，把結果數據組成按執行樹流式傳遞彙集，減少的了把中間結果寫入磁盤的步驟，再從磁盤讀取數據的開銷。Impala使用服務的方式避免每次執行查詢都需要啓動的開銷，即相比Hive沒了MapReduce啓動時間。
3.1 Impala使用的優化技術
簡介:
使用LLVM產生運行代碼，針對特定查詢生成特定代碼，同時使用Inline的方式減少函數調用的開銷，加快執行效率。(C++特性)
充分利用可用的硬件指令（SSE4.2）。
更好的IO調度，Impala知道數據塊所在的磁盤位置能夠更好的利用多磁盤的優勢，同時Impala支持直接數據塊讀取和本地代碼計算checksum。
通過選擇合適數據存儲格式可以得到最好性能（Impala支持多種存儲格式）。
最大使用內存，中間結果不寫磁盤，及時通過網絡以stream的方式傳遞。
3.2 執行計劃
計劃 :
Hive: 依賴於MapReduce執行框架，執行計劃分成 map->shuffle->reduce->map->shuffle->reduce…的模型。如果一個Query會被編譯成多輪MapReduce，則會有更多的寫中間結果。由於MapReduce執行框架本身的特點，過多的中間過程會增加整個Query的執行時間。
Impala:把執行計劃表現爲一棵完整的執行計劃樹，可以更自然地分發執行計劃到各個Impalad執行查詢，而不用像Hive那樣把它組合成管道型的 map->reduce模式，以此保證Impala有更好的併發性和避免不必要的中間sort與shuffle。
3.3 數據流
數據流 :
Hive: 採用推的方式，每一個計算節點計算完成後將數據主動推給後續節點。
Impala:採用拉的方式，後續節點通過getNext主動向前面節點要數據，以此方式數據可以流式的返回給客戶端，且只要有1條數據被處理完，就可以立即展現出來，而不用等到全部處理完成，更符合SQL交互式查詢使用。
3.4 內存使用
內存使用 :
Hive: 在執行過程中如果內存放不下所有數據，則會使用外存，以保證Query能順序執行完。每一輪MapReduce結束，中間結果也會寫入HDFS中，同樣由於MapReduce執行架構的特性，shuffle過程也會有寫本地磁盤的操作。
Impala:在遇到內存放不下數據時，版本1.0.1是直接返回錯誤，而不會利用外存，以後版本應該會進行改進。這使用得Impala目前處理Query會受到一定的限制，最好還是與Hive配合使用。
3.5 調度
調度 :
Hive: 任務調度依賴於Hadoop的調度策略。
Impala: 調度由自己完成，目前只有一種調度器simple-schedule，它會盡量滿足數據的局部性，掃描數據的進程儘量靠近數據本身所在的物理機器。調度器目前還比較簡單，在SimpleScheduler::GetBackend中可以看到，現在還沒有考慮負載，網絡IO狀況等因素進行調度。但目前Impala已經有對執行過程的性能統計分析，應該以後版本會利用這些統計信息進行調度吧。
3.6 容錯
容錯 :
Hive:依賴於Hadoop的容錯能力。
Impala:在查詢過程中，沒有容錯邏輯，如果在執行過程中發生故障，則直接返回錯誤（這與Impala的設計有關，因爲Impala定位於實時查詢，一次查詢失敗，再查一次就好了，再查一次的成本很低）。
3.7 適用面
適用面 :
Hive: 複雜的批處理查詢任務，數據轉換任務。
Impala：實時數據分析，因爲不支持UDF，能處理的問題域有一定的限制，與Hive配合使用,對Hive的結果數據集進行實時分析。
4. Impala架構
Impala主要由Impalad、 State Store、Catalogd和CLI組成。
4.1 Impalad
Impalad :
Impalad: 與DataNode運行在同一節點上，由Impalad進程表示，它接收客戶端的查詢請求（接收查詢請求的Impalad爲Coordinator，Coordinator通過JNI調用java前端解釋SQL查詢語句，生成查詢計劃樹，再通過調度器把執行計劃分發給具有相應數據的其它Impalad進行執行），讀寫數據，並行執行查詢，並把結果通過網絡流式的傳送回給Coordinator，由Coordinator返回給客戶端。同時Impalad也與State Store保持連接，用於確定哪個Impalad是健康和可以接受新的工作。
在Impalad中啓動三個ThriftServer: beeswax_server（連接客戶端），hs2_server（借用Hive元數據）， be_server（Impalad內部使用）和一個ImpalaServer服務。
4.2 Impala State Store
Impala State Store:
Impala State Store:跟蹤集羣中的Impalad的健康狀態及位置信息，由statestored進程表示，它通過創建多個線程來處理Impalad的註冊訂閱和與各Impalad保持心跳連接，各Impalad都會緩存一份State Store中的信息，當State Store離線後（Impalad發現State Store處於離線時，會進入recovery模式，反覆註冊，當State Store重新加入集羣后，自動恢復正常，更新緩存數據）因爲Impalad有State Store的緩存仍然可以工作，但會因爲有些Impalad失效了，而已緩存數據無法更新，導致把執行計劃分配給了失效的Impalad，導致查詢失敗。
4.3 CLI
CLI: 提供給用戶查詢使用的命令行工具（Impala Shell使用python實現），同時Impala還提供了Hue，JDBC，ODBC使用接口。
4.4 Catalogd（目錄）
Catalogd：作爲metadata訪問網關，從Hive Metastore等外部catalog中獲取元數據信息，放到impala自己的catalog結構中。impalad執行ddl命令時通過catalogd由其代爲執行，該更新則由statestored廣播。
5. Impala查詢處理過程
Impalad分爲
Java前端與C++處理後端，接受客戶端連接的Impalad即作爲這次查詢的Coordinator，Coordinator通過JNI調用Java前端對用戶的查詢SQL進行分析生成執行計劃樹。
．
Java前端產生的執行計劃樹以Thrift數據格式返回給C++後端（Coordinator）（執行計劃分爲多個階段，每一個階段叫做一個PlanFragment，每一個PlanFragment在執行時可以由多個Impalad實例並行執行(有些PlanFragment只能由一個Impalad實例執行,如聚合操作)，整個執行計劃爲一執行計劃樹）。
Coordinator根據執行計劃，數據存儲信息（Impala通過libhdfs與HDFS進行交互。通過hdfsGetHosts方法獲得文件數據塊所在節點的位置信息），通過調度器（現在只有simple-scheduler,使用round-robin算法）Coordinator::Exec對生成的執行計劃樹分配給相應的後端執行器Impalad執行（查詢會使用LLVM進行代碼生成，編譯，執行），通過調用GetNext()方法獲取計算結果。
如果是insert語句，則將計算結果通過libhdfs寫回HDFS當所有輸入數據被消耗光，執行結束，之後註銷此次查詢服務。
