大数据之Impala

Impala是cloudera提供的一款高效率的sql查询工具，提供实时的查询效果，官方测试性能比hive快10到100倍，其sql查询比sparkSQL还要更加快速，号称是当前大数据领域最快的查询sql工具。

impala是基于hive并使用内存进行计算，兼顾数据仓库，具有实时，批处理，多并发等优点。

1.Impala与Hive关系

　　impala是基于hive的大数据分析查询引擎，直接使用hive的元数据库metadata，意味着impala元数据都存储在hive的metastore当中，并且impala兼容hive的绝大多数sql语法。所以需要安装impala的话，必须先安装hive，保证hive安装成功，并且还需要启动hive的metastore服务。

　　Hive元数据包含用Hive创建的database、table等元信息。元数据存储在关系型数据库中，如Derby、MySQL等。

　　客户端连接metastore服务，metastore再去连接MySQL数据库来存取元数据。有了metastore服务，就可以有多个客户端同时连接，而且这些客户端不需要知道MySQL数据库的用户名和密码，只需要连接metastore 服务即可。

　　　　

　　Hive适合于长时间的批处理查询分析，而Impala适合于实时交互式SQL查询。可以先使用hive进行数据转换处理，之后使用Impala在Hive处理后的结果数据集上进行快速的数据分析。

2. Impala与Hive异同

　　Impala 与Hive都是构建在Hadoop之上的数据查询工具各有不同的侧重适应面，但从客户端使用来看Impala与Hive有很多的共同之处，如数据表元数据、ODBC/JDBC驱动、SQL语法、灵活的文件格式、存储资源池等。

　　但是Impala跟Hive最大的优化区别在于：没有使用 MapReduce进行并行计算，虽然MapReduce是非常好的并行计算框架，但它更多的面向批处理模式，而不是面向交互式的SQL执行。与 MapReduce相比，Impala把整个查询分成一执行计划树，而不是一连串的MapReduce任务，在分发执行计划后，Impala使用拉式获取数据的方式获取结果，把结果数据组成按执行树流式传递汇集，减少的了把中间结果写入磁盘的步骤，再从磁盘读取数据的开销。Impala使用服务的方式避免每次执行查询都需要启动的开销，即相比Hive没了MapReduce启动时间。

　　2.1． Impala使用的优化技术

• • 使用LLVM产生运行代码，针对特定查询生成特定代码，同时使用Inline的方式减少函数调用的开销，加快执行效率。(C++特性)
  • 充分利用可用的硬件指令（SSE4.2）。
  • 更好的IO调度，Impala知道数据块所在的磁盘位置能够更好的利用多磁盘的优势，同时Impala支持直接数据块读取和本地代码计算checksum。
  • 通过选择合适数据存储格式可以得到最好性能（Impala支持多种存储格式）。
  • 最大使用内存，中间结果不写磁盘，及时通过网络以stream的方式传递。　　

　　2.2． 执行计划

Hive: 依赖于MapReduce执行框架，执行计划分成 map->shuffle->reduce->map->shuffle->reduce…的模型。如果一个Query会 被编译成多轮MapReduce，则会有更多的写中间结果。由于MapReduce执行框架本身的特点，过多的中间过程会增加整个Query的执行时间。

Impala: 把执行计划表现为一棵完整的执行计划树，可以更自然地分发执行计划到各个Impalad执行查询，而不用像Hive那样把它组合成管道型的 map->reduce模式，以此保证Impala有更好的并发性和避免不必要的中间sort与shuffle。

　　2.3． 数据流

Hive: 采用推的方式，每一个计算节点计算完成后将数据主动推给后续节点。

Impala: 采用拉的方式，后续节点通过getNext主动向前面节点要数据，以此方式数据可以流式的返回给客户端，且只要有1条数据被处理完，就可以立即展现出来，而不用等到全部处理完成，更符合SQL交互式查询使用。

　　2.4． 内存使用

Hive: 在执行过程中如果内存放不下所有数据，则会使用外存，以保证Query能顺序执行完。每一轮MapReduce结束，中间结果也会写入HDFS中，同样由于MapReduce执行架构的特性，shuffle过程也会有写本地磁盘的操作。

Impala: 在遇到内存放不下数据时，版本1.0.1是直接返回错误，而不会利用外存，以后版本应该会进行改进。这使用得Impala目前处理Query会受到一定的限制，最好还是与Hive配合使用。

　　2.5． 调度

Hive: 任务调度依赖于Hadoop的调度策略。

Impala: 调度由自己完成，目前只有一种调度器simple-schedule，它会尽量满足数据的局部性，扫描数据的进程尽量靠近数据本身所在的物理机器。调度器 目前还比较简单，在SimpleScheduler::GetBackend中可以看到，现在还没有考虑负载，网络IO状况等因素进行调度。但目前 Impala已经有对执行过程的性能统计分析，应该以后版本会利用这些统计信息进行调度吧。

　　2.6． 容错

Hive: 依赖于Hadoop的容错能力。

Impala: 在查询过程中，没有容错逻辑，如果在执行过程中发生故障，则直接返回错误（这与Impala的设计有关，因为Impala定位于实时查询，一次查询失败， 再查一次就好了，再查一次的成本很低）。

　　2.7． 适用面

Hive: 复杂的批处理查询任务，数据转换任务。

Impala：实时数据分析，因为不支持UDF，能处理的问题域有一定的限制，与Hive配合使用,对Hive的结果数据集进行实时分析。

3． Impala架构

　　Impala主要由Impalad、 State Store、Catalogd和CLI组成。

　　3.1． Impalad

Impalad: 与DataNode运行在同一节点上，由Impalad进程表示，它接收客户端的查询请求（接收查询请求的Impalad为Coordinator，Coordinator通过JNI调用java前端解释SQL查询语句，生成查询计划树，再通过调度器把执行计划分发给具有相应数据的其它Impalad进行执行），读写数据，并行执行查询，并把结果通过网络流式的传送回给Coordinator，由Coordinator返回给客户端。同时Impalad也与State Store保持连接，用于确定哪个Impalad是健康和可以接受新的工作。

在Impalad中启动三个ThriftServer: beeswax_server（连接客户端），hs2_server（借用Hive元数据）， be_server（Impalad内部使用）和一个ImpalaServer服务。

　　3.2． Impala State Store

Impala State Store: 跟踪集群中的Impalad的健康状态及位置信息，由statestored进程表示，它通过创建多个线程来处理Impalad的注册订阅和与各Impalad保持心跳连接，各Impalad都会缓存一份State Store中的信息，当State Store离线后（Impalad发现State Store处于离线时，会进入recovery模式，反复注册，当State Store重新加入集群后，自动恢复正常，更新缓存数据）因为Impalad有State Store的缓存仍然可以工作，但会因为有些Impalad失效了，而已缓存数据无法更新，导致把执行计划分配给了失效的Impalad，导致查询失败。

　　3.3． CLI

　　　　CLI: 提供给用户查询使用的命令行工具（Impala Shell使用python实现），同时Impala还提供了Hue，JDBC， ODBC使用接口。

　　3.4． Catalogd

Catalogd：作为metadata访问网关，从Hive Metastore等外部catalog中获取元数据信息，放到impala自己的catalog结构中。impalad执行ddl命令时通过catalogd由其代为执行，该更新则由statestored广播。

4． Impala查询处理过程

　　Impalad分为Java前端与C++处理后端，接受客户端连接的Impalad即作为这次查询的Coordinator，Coordinator通过JNI调用Java前端对用户的查询SQL进行分析生成执行计划树。

　　

　　Java前端产生的执行计划树以Thrift数据格式返回给C++后端（Coordinator）（执行计划分为多个阶段，每一个阶段叫做一个PlanFragment，每一个PlanFragment在执行时可以由多个Impalad实例并行执行(有些PlanFragment只能由一个Impalad实例执行,如聚合操作)，整个执行计划为一执行计划树）。

　　Coordinator根据执行计划，数据存储信息（Impala通过libhdfs与HDFS进行交互。通过hdfsGetHosts方法获得文件数据块所在节点的位置信息），通过调度器（现在只有simple-scheduler, 使用round-robin算法）Coordinator::Exec对生成的执行计划树分配给相应的后端执行器Impalad执行（查询会使用LLVM进行代码生成，编译，执行），通过调用GetNext()方法获取计算结果。

　　如果是insert语句，则将计算结果通过libhdfs写回HDFS当所有输入数据被消耗光，执行结束，之后注销此次查询服务。

5. Impala安装部署

 　　5.1． 安装前提

集群提前安装好hadoop，hive。

hive安装包scp在所有需要安装impala的节点上，因为impala需要引用hive的依赖包。

hadoop框架需要支持C程序访问接口，查看下图，如果有该路径下有这么文件，就证明支持C接口。

　　5.2． 下载安装包、依赖包

由于impala没有提供tar包进行安装，只提供了rpm包。因此在安装impala的时候，需要使用rpm包来进行安装。rpm包只有cloudera公司提供了，所以去cloudera公司网站进行下载rpm包即可。

但是另外一个问题，impala的rpm包依赖非常多的其他的rpm包，可以一个个的将依赖找出来，也可以将所有的rpm包下载下来，制作成我们本地yum源来进行安装。这里就选择制作本地的yum源来进行安装。

所以首先需要下载到所有的rpm包，下载地址如下

http://archive.cloudera.com/cdh5/repo-as-tarball/5.14.0/cdh5.14.0-centos6.tar.gz

　　5.3．上传并解压安装包

　　　 使用sftp(winscp)的方式把安装包大文件上传到服务器/cloudera_data目录下。并解压在该文件夹。

cd /cloudera_data
tar -zxvf cdh5.14.0-centos6.tar.gz

　　   5.4． 配置本地yum源信息

　　　　5.4.1 安装Apache Server服务器

yum  -y install httpd
service httpd start
chkconfig httpd on

　　 　　5.4.2  配置本地yum源信息

cd /etc/yum.repos.d
vim localimp.repo 

#键入如下代码，地址修改成你解压后的地址
[localimp]
name=localimp
baseurl=http://node-3/cdh5.14.0/
gpgcheck=0
enabled=1

　　　　　　创建apache  httpd的读取链接,确保linux的Selinux关闭

1 ln -s /cloudera_data/cdh/5.14.0 /var/www/html/cdh5.14.0

　　　  通过浏览器访问本地yum源，如果出现下述页面则成功。http://192.168.111.220/cdh5.14.0/

            

　　　　将本地yum源配置文件localimp.repo发放到所有需要安装impala的节点。

cd /etc/yum.repos.d/

scp localimp.repo  node-2:$PWD

scp localimp.repo  node-3:$PWD

 　　  5.5．安装Impala

　　　　5.5.1． 集群规划

服务名称	从节点	从节点	主节点
impala-catalog			Node-3
impala-state-store			Node-3
impala-server(impalad)	Node-1	Node-2	Node-3

　　　　5.5.2  主节点安装

　　　　　　　　在规划的主节点node-3执行以下命令进行安装：

yum install -y impala impala-server impala-state-store impala-catalog impala-shell

　　　　5.5.3． 从节点安装

　　　　　　　在规划的从节点node-1、node-2执行以下命令进行安装：

yum install -y impala-server

　　　　5.5.4．修改Hadoop、Hive配置

　　　　　　需要在3台机器整个集群上进行操作，都需要修改。hadoop、hive是否正常服务并且配置好，是决定impala是否启动成功并使用的前提。

　　　　　　 修改hive配置

<configuration> 
<!--配置MySQL数据库访问地址-->
  <property> 
    <name>javax.jdo.option.ConnectionURL</name>  
    <value>jdbc:mysql://node-1:3306/hive?createDatabaseIfNotExist=true</value> 
  </property>  
<!--配置Java前端访问时元数据的默认驱动数据库-->
  <property> 
    <name>javax.jdo.option.ConnectionDriverName</name>  
    <value>com.mysql.jdbc.Driver</value> 
  </property>  
<!--配置Java前端访问时元数据的默认驱动数据库用户名-->
  <property> 
    <name>javax.jdo.option.ConnectionUserName</name>  
    <value>root</value> 
  </property>  
<!--配置Java前端访问时元数据的默认驱动数据库密码-->
  <property> 
    <name>javax.jdo.option.ConnectionPassword</name>  
    <value>123456</value> 
  </property>  
<!--SQL查询结果是否打印对应的数据库名-->
  <property> 
    <name>hive.cli.print.current.db</name>  
    <value>true</value> 
  </property>  
<!--SQL查询结果是否打印对应的字段名在表头-->
  <property> 
    <name>hive.cli.print.header</name>  
    <value>true</value> 
  </property>  
  <!-- 绑定运行hiveServer2的主机host,这个根据你自己搭建的来，你Hive搭建在哪台服务器就写那台服务器 -->  
  <property> 
    <name>hive.server2.thrift.bind.host</name>  
    <value>node3</value> 
  </property>  
  <!-- 指定hive metastore服务请求的uri地址，根据你Hive配置信息来配置 -->  
  <property> 
    <name>hive.metastore.uris</name>  
    <value>thrift://node-1:9083</value> 
  </property>  
 <!-- 这个是元数据访问超时时间-->  
  <property> 
    <name>hive.metastore.client.socket.timeout</name>  
    <value>3600</value> 
  </property> 
</configuration>

　　上诉配置最主要的就是Hiveserver2和MetaStore的相关信息配置，如果配错了不但你的impala起不来，你得Hive也将启动不起来，所以一定要细心在细心

　　将hive安装包scp给其他两个机器。

cd /export/servers/

scp -r hive/ node-2:$PWD

scp -r hive/ node-3:$PWD

　　　修改hadoop配置

　　　　所有节点创建下述文件夹　　　　　

mkdir -p /var/run/hdfs-sockets

　　　　修改所有节点的hdfs-site.xml添加以下配置，修改完之后重启hdfs集群生效　

vim   etc/hadoop/hdfs-site.xml

<property>
        <name>dfs.client.read.shortcircuit</name>
        <value>true</value>
    </property>
<!--注意这个配置，这个配置后当impala任务出现异常可能会死锁该文件夹，导致你的Hadoop集群启动失败，遇到这种现象时，强制删除最后一环dn文件夹-->
    <property>
        <name>dfs.domain.socket.path</name>
        <value>/var/run/hdfs-sockets/dn</value>
    </property>
    <property>
        <name>dfs.client.file-block-storage-locations.timeout.millis</name>
        <value>10000</value>
    </property>
    <property>
        <name>dfs.datanode.hdfs-blocks-metadata.enabled</name>
        <value>true</value>
    </property>

dfs.client.read.shortcircuit 打开DFSClient本地读取数据的控制，

dfs.domain.socket.path是Datanode和DFSClient之间沟通的Socket的本地路径。

把更新hadoop的配置文件，scp给其他机器。

cd /export/servers/hadoop-2.7.5/etc/hadoop

scp -r hdfs-site.xml node-2:$PWD

scp -r hdfs-site.xml node-3:$PWD 

注意：root用户不需要下面操作，普通用户需要这一步操作。

　　   给这个文件夹赋予权限，如果用的是普通用户hadoop，那就直接赋予普通用户的权限，例如：

chown  -R  hadoop:hadoop   /var/run/hdfs-sockets/

　　   因为这里直接用的root用户，所以不需要赋权限了。

　　  当出现执行某一个任务后卡死，导致Hadoop DataNode无法启动时，查看日志是关于/var/run/hdfs-sockets/的错误时，强行删除/var/run/hdfs-sockets/下的dn文件夹，再重新启动Hadoop集群。

　　 5.5.5．重启hadoop、hive，并分别启动MataStore服务和HiveServer2服务（重点）

cd  /export/servers/hive
#启动MetaStore服务
nohup bin/hive --service metastore &
#启动HiveServer2服务
nohup bin/hive --service hiveserver2 &

cd /export/servers/hadoop-2.7.5/
sbin/stop-dfs.sh  |  sbin/start-dfs.sh

　　　5.5.6． 复制hadoop、hive配置文件

　　impala的配置目录为/etc/impala/conf，这个路径下面需要有core-site.xml，hdfs-site.xml以及hive-site.xml。

#所有节点执行以下命令
cp -r /export/servers/hadoop-2.7.5/etc/hadoop/core-site.xml /etc/impala/conf/core-site.xml
cp -r /export/servers/hadoop-2.7.5/etc/hadoop/hdfs-site.xml /etc/impala/conf/hdfs-site.xml
cp -r /export/servers/hive/conf/hive-site.xml /etc/impala/conf/hive-site.xml

　　　5.5.7． 修改impala配置

　　　　  修改impala默认配置

　　　　　　　　所有节点更改impala默认配置文件

vim /etc/default/impala
#键入如下信息
IMPALA_CATALOG_SERVICE_HOST=node-3

IMPALA_STATE_STORE_HOST=node-3

　　　　　添加mysql驱动

　　　　　　　　通过配置/etc/default/impala中可以发现已经指定了mysql驱动的位置名字。

　　　　　　

 　　　　　　切记：注释不要删

　　　　　　使用软链接指向该路径即可（3台机器都需要执行）

ln -s /export/servers/hive/lib/mysql-connector-java-5.1.32.jar /usr/share/java/mysql-connector-java.jar

　　　　　 修改bigtop配置

　　　　　　　　修改bigtop的java_home路径（3台机器）

vim /etc/default/bigtop-utils
export JAVA_HOME=/export/servers/jdk1.8.0_65

6.启动、关闭impala服务

#主节点node-3启动以下三个服务进程
service impala-state-store start
service impala-catalog start
service impala-server start

#从节点启动node-1与node-2启动impala-server
service  impala-server  start

查看impala进程是否存在

ps -ef | grep impala

启动之后所有关于impala的日志默认都在/var/log/impala

如果需要关闭impala服务 把命令中的start该成stop即可。注意如果关闭之后进程依然驻留，可以采取下述方式删除。正常情况下是随着关闭消失的。

　　6.1． impala web ui

　　　　访问impalad的管理界面http://node-3:25000/

　　　　访问statestored的管理界面http://node-3:25010/

7. Impala-shell命令参数

　　7.1． impala-shell外部命令

所谓的外部命令指的是不需要进入到impala-shell交互命令行当中即可执行的命令参数。impala-shell后面执行的时候可以带很多参数。你可以在启动 impala-shell 时设置，用于修改命令执行环境。

impala-shell -h 可以帮助我们查看帮助手册。也可以参考课程附件资料。

比如几个常见的：

impala-shell -r 刷新impala元数据，与建立连接后执行 REFRESH 语句效果相同

impala-shell -f 文件路径 执行指的的sql查询文件。

impala-shell -i 指定连接运行 impalad 守护进程的主机。默认端口是 21000。你可以连接到集群中运行 impalad 的任意主机。

impala-shell -o 保存执行结果到文件当中去。

　　7.2 impala-shell内部命令

　　　 所谓内部命令是指，进入impala-shell命令行之后可以执行的语法。

　　　　 connect hostname 连接到指定的机器impalad上去执行。

　　　　 refresh dbname.tablename增量刷新，刷新某一张表的元数据，主要用于刷新hive当中数据表里面的数据改变的情况。

　　　　invalidate  metadata全量刷新，性能消耗较大，主要用于hive当中新建数据库或者数据库表的时候来进行刷新。

　　　　quit/exit命令 从Impala shell中弹出

　　　　explain 命令 用于查看sql语句的执行计划。

　　　　explain的值可以设置成0,1,2,3等几个值，其中3级别是最高的，可以打印出最全的信息

　　　　set explain_level=3;

 　　　profile命令执行sql语句之后执行，可以打印出更加详细的执行步骤，主要用于查询结果的查看，集群的调优等。

　　　　

注意:如果在hive窗口中插入数据或者新建的数据库或者数据库表，那么在impala当中是不可直接查询，需要执行invalidate metadata以通知元数据的更新；

在impala-shell当中插入的数据，在impala当中是可以直接查询到的，不需要刷新数据库，其中使用的就是catalog这个服务的功能实现的，catalog是impala1.2版本之后增加的模块功能，主要作用就是同步impala之间的元数据。

更新操作通知Catalog，Catalog通过广播的方式通知其它的Impalad进程。默认情况下Catalog是异步加载元数据的，因此查询可能需要等待元数据加载完成之后才能进行（第一次加载）。

8. Impala sql语法

impala的SQL语法大致与Hive或者传统的SQL语法一致，所以这边就不在赘述了。

好了impala的相关内容就介绍到这，明天继续加油。