Impala簡介

Impala是由Cloudera公司開發(fā)的新型查詢系統(tǒng)，它提供SQL語義，能查詢存儲在Hadoop的HDFS和HBase上的PB級大數(shù)據(jù)，在性能上比Hive高出3~30倍。

Impala的運(yùn)行需要依賴于Hive的元數(shù)據(jù)。Impala是參照 Dremel系統(tǒng)進(jìn)行設(shè)計(jì)的。

Impala采用了與商用并行關(guān)系數(shù)據(jù)庫類似的分布式查詢引擎，可以直接與HDFS和HBase進(jìn)行交互查詢。

Impala和Hive采用相同的SQL語法、ODBC驅(qū)動(dòng)程序和用戶接口。

 

圖：Impala與其他組件的關(guān)系

Impala系統(tǒng)架構(gòu)

圖：Impala系統(tǒng)架構(gòu)圖

Impala和Hive、HDFS、HBase等工具是統(tǒng)一部署在一個(gè)Hadoop平臺上的。Impala主要由Impalad，State Store和CLI三部分組成。

（1）Impalad

• 負(fù)責(zé)協(xié)調(diào)客戶端提交的查詢的執(zhí)行
• 包含Query Planner、Query Coordinator和Query Exec Engine三個(gè)模塊。
• 與HDFS的數(shù)據(jù)節(jié)點(diǎn)（HDFS DN）運(yùn)行在同一節(jié)點(diǎn)上。
• 給其他Impalad分配任務(wù)以及收集其他Impalad的執(zhí)行結(jié)果進(jìn)行匯總。
• Impalad也會執(zhí)行其他Impalad給其分配的任務(wù)，主要就是對本地HDFS和HBase里的部分?jǐn)?shù)據(jù)進(jìn)行操作。

（2）State Store

• 會創(chuàng)建一個(gè)statestored進(jìn)程。
• 負(fù)責(zé)收集分布在集群中各個(gè)Impalad進(jìn)程的資源信息，用于查詢調(diào)度。

（3）CLI

• 給用戶提供查詢使用的命令行工具。
• 還提供了Hue、JDBC及ODBC的使用接口。

說明：Impala中的元數(shù)據(jù)直接存儲在Hive中。Impala采用與Hive相同的元數(shù)據(jù)、SQL語法、ODBC驅(qū)動(dòng)程序和用戶接口，從而使得在一個(gè)Hadoop平臺上，可以統(tǒng)一部署Hive和Impala等分析工具，同時(shí)支持批處理和實(shí)時(shí)查詢。

Impala查詢執(zhí)行過程

圖：Impala查詢執(zhí)行過程圖

Impala執(zhí)行查詢的具體過程：

1. 第0步，當(dāng)用戶提交查詢前，Impala先創(chuàng)建一個(gè)負(fù)責(zé)協(xié)調(diào)客戶端提交的查詢的Impalad進(jìn)程，該進(jìn)程會向Impala State Store提交注冊訂閱信息，State Store會創(chuàng)建一個(gè)statestored進(jìn)程，statestored進(jìn)程通過創(chuàng)建多個(gè)線程來處理Impalad的注冊訂閱信息。
2. 第1步，用戶通過CLI客戶端提交一個(gè)查詢到impalad進(jìn)程，Impalad的Query Planner對SQL語句進(jìn)行解析，生成解析樹；然后，Planner把這個(gè)查詢的解析樹變成若干PlanFragment，發(fā)送到Query Coordinator.
3. 第2步，Coordinator通過從MySQL元數(shù)據(jù)庫中獲取元數(shù)據(jù)，從HDFS的名稱節(jié)點(diǎn)中獲取數(shù)據(jù)地址，以得到存儲這個(gè)查詢相關(guān)數(shù)據(jù)的所有數(shù)據(jù)節(jié)點(diǎn)。
4. 第3步，Coordinator初始化相應(yīng)impalad上的任務(wù)執(zhí)行，即把查詢?nèi)蝿?wù)分配給所有存儲這個(gè)查詢相關(guān)數(shù)據(jù)的數(shù)據(jù)節(jié)點(diǎn)。
5. 第4步，Query Executor通過流式交換中間輸出，并由Query Coordinator匯聚來自各個(gè)impalad的結(jié)果。
6. 第5步，Coordinator把匯總后的結(jié)果返回給CLI客戶端。

Impala與Hive的比較

圖：Impala與Hive的對比

Hive與Impala的不同點(diǎn)總結(jié)如下：

1. Hive適合于長時(shí)間的批處理查詢分析，而Impala適合于實(shí)時(shí)交互式SQL查詢。
2. Hive依賴于MapReduce計(jì)算框架，Impala把執(zhí)行計(jì)劃表現(xiàn)為一棵完整的執(zhí)行計(jì)劃樹，直接分發(fā)執(zhí)行計(jì)劃到各個(gè)Impalad執(zhí)行查詢。
3. Hive在執(zhí)行過程中，如果內(nèi)存放不下所有數(shù)據(jù)，則會使用外存，以保證查詢能順序執(zhí)行完成，而Impala在遇到內(nèi)存放不下數(shù)據(jù)時(shí)，不會利用外存，所以Impala目前處理查詢時(shí)會受到一定的限制。

Hive與Impala的相同點(diǎn)總結(jié)如下：

1. Hive與Impala使用相同的存儲數(shù)據(jù)池，都支持把數(shù)據(jù)存儲于HDFS和HBase中。
2. Hive與Impala使用相同的元數(shù)據(jù)。
3. Hive與Impala中對SQL的解釋處理比較相似，都是通過詞法分析生成執(zhí)行計(jì)劃。

總結(jié)：

• Impala的目的不在于替換現(xiàn)有的MapReduce工具。
• 把Hive與Impala配合使用效果最佳。
• 可以先使用Hive進(jìn)行數(shù)據(jù)轉(zhuǎn)換處理，之后再使用Impala在Hive處理后的結(jié)果數(shù)據(jù)集上進(jìn)行快速的數(shù)據(jù)分析。