一開始需要全量導入kudu，這時候我們先用sqoop把關係數據庫數據導入臨時表，再用impala從臨時表導入kudu目標表
由於sqoop從關係型數據直接以parquet格式導入hive會有問題，這裏默認hive的表都是text格式；每次導完到臨時表，需要做invalidate metadata 表操作，不然後面直接導入kudu的時候會查不到數據.
除了查詢，建議所有impala操作都在impala-shell而不在hue上面執行
impala併發寫入kudu的時候，數據量比較大的時候
這時候kudu配置參數 --memory_limit_hard_bytes能大點就大點，因爲kudu寫入首先保存再內存裏面，到一定閥值才溢寫到磁盤，這個是直接最能提高寫的方法；
當然不是所有機器都有那麼多資源，可以把--maintenance_manager_num_threads 這個參數稍微調大，需要調試，提高數據從內存寫入磁盤的效率
impala查詢kudu
首先所有表做完全量的etl操作，必須得執行compute stats 表名，不然impala執行sql生成的計劃執行數評估的內存不準確，容易評估錯誤導致實際執行不了
kudu表最好不要做任何壓縮，保證原始掃描性能發揮最好；假如對查詢性能要求比存儲要求高的話；大部分企業對實時查詢效率要求高，而且存儲成本畢竟低；
kudu針對大表要做好分區，最好range和hash一起使用，前提是主鍵列包含能hash的id，但range分區一定要做好，經驗告訴我一般是基於時間；
查詢慢的sql，一般要拿出來；方便的話做下explain，看下kudu有沒有過濾部分數據關鍵字kudu predicates；假如sql沒問題，那在impala-shell執行這個sql，最後執行summray命令，重點查看單點峯值內存和時間比較大的點，對相關的表做優化，解決數據傾斜問題
kudu數據刪除
大表不要delete，不要猶豫直接drop，在create吧；磁盤空間會釋放的
關於impala + kudu 和 impala + parquet
網上很多分析impala + kudu 要比 impala + parquet 優越很多；誰信誰XB；
首先兩個解決的場景不一樣，kudu一般解決實時，hive解決的是離線（通常是T + 1或者 T -1）
hive基於hdfs，hdfs已經提供一套較爲完善的存儲機制，底層數據和文件操作便利；安全性，可擴展性都比kudu強很多，最重要parquet + impala效率要比kudu高，數倉首選是它
kudu最大優勢是能做類似關係型數據庫一樣的操作，insert, update, delete，這樣熱點的數據可以存儲在kudu裏面並隨時做更新
最後談到的實時同步工具
同步工具我們這裏使用streamsets，一個拖拉拽的工具，非常好用；但內存使用率高，通過jconsole我們發現，所有任務同時啓動；JVM新生代的內容幾乎都跑到老年代了，GC沒來的及，就內存溢出了；後面單獨拿幾臺服務器出來做這個ETL工具，jvm配置G1垃圾回收器
本文分享自微信公衆號 - 大數據技術與架構（import_bigdata）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。