1. Impala 是什么
Impala是我使用最多,也是使用非常广泛的实时查询系统。相较于之前介绍的HAWQ, Presto 以及 Drill 等,已经可以找到很多它的相关资料。它同样是基于Hadoop的以SQL语言接口,并提供实时的,高并发的查询MPP类查询引擎。即然是提供实时的查询,那么它的运算方式肯定不能基于MapReduce,Impala将所有的中间结果数据都放在内存中。实际上在新版本的Impala中,已经支持Spill to disk特性,只是使用场景还非常有限。
另一个Impala的最大特点是与HIVE共用同一份数据字典和表数据,也就是Impala可以直接查询Hive的数据,且在其中一个组件中新建的表或加载的数据,在另一个组件中立即可以查询。我认为这个特性是非常有用的。即针对大部分数据可以采用Impala完成实时的查询分析,而针对部分海量的,分析过程中内存不能容纳的基础数据,可以采用HIVE进行分析后,对结果使用Impala进行二次分析或实时查询进行及时的呈现。
既然要跟Hive一起玩,那么Impala必须支持HIVE所支持的文件格式,包括:Parquet,Text,OCR,SequenceFile等。同时在SQL兼容上,也与HIVESQL大部分兼容(实际上作为标准SQL所用到的SELECT,GROUP,JOIN,OVER等基本都差不多)。
2. Impala 结构
Impala的结构非常简单明了,它是一个无主节点的分布式系统,典型的部署方式同样是每一台DataNode上部署一个Cloudera Impala服务,即Impalad进程。看图:
- Impalad: 即部署在每一台DataNode上的Cloudera Impala服务。它包含接受连接,处理用户提交SQL,结果返回,查询分析,任务分发与协调的功能等。用户可以连接到集群中的任意一台Impala节点上进行查询。每个Impalad里都包含了三部分:Query planner, Query Coordinator, Query Exec engine. 这也就是为什么它为什么是无主节点且可以任意连接的。
- Statestore: 用于检查所有Impalad节点的状态及其监控。简言之,就是通过心跳信息确定哪些Impalad节点还在,将告诉每一个Impala