impala 基础知识及使用

第1章 Impala的基本概念

1.1 什么是Impala

Cloudera公司推出，提供对HDFS、HBase数据的高性能、低延迟的交互式SQL查询功能。

基于Hive，使用内存计算，兼顾数据仓库、具有实时、批处理、多并发等优点。

是CDH平台首选的PB级大数据实时查询分析引擎。

1.2 Impala的优缺点

1.2.1 优点

1）基于内存运算，不需要把中间结果写入磁盘，省掉了大量的I/O开销。

2）无需转换为Mapreduce，直接访问存储在HDFS，HBase中的数据进行作业调度，速度快。

3）使用了支持Data locality的I/O调度机制，尽可能地将数据和计算分配在同一台机器上进行，减少了网络开销。

4）支持各种文件格式，如TEXTFILE 、SEQUENCEFILE 、RCFile、Parquet。

5）可以访问hive的metastore，对hive数据直接做数据分析。

1.2.2 缺点

1）对内存的依赖大，且完全依赖于hive。

2）实践中，分区超过1万，性能严重下降。

3）只能读取文本文件，而不能直接读取自定义二进制文件。

4）每当新的记录/文件被添加到HDFS中的数据目录时，该表需要被刷新。

1.3 Impala的架构

从上图可以看出，Impala自身包含三个模块：Impalad、Statestore(存放Hive的元数据)和Catalog(拉取真实数据)，除此之外它还依赖Hive Metastore和HDFS。

1）impalad：

接收client的请求、Query执行并返回给中心协调节点；

子节点上的守护进程，负责向statestore保持通信，汇报工作。

2）Catalog：

分发表的元数据信息到各个impalad中；

接收来自statestore的所有请求。

3）Statestore：

负责收集分布在集群中各个impalad进程的资源信息、各节点健康状况，同步节点信息；

第2章 Impala的安装

2.1 impala的相关地址

1）Impala的官网

http://impala.apache.org/

2）Impala文档查看

http://impala.apache.org/impala-docs.html

3）下载地址

http://impala.apache.org/downloads.html

2.2 Impala的安装方式

Cloudera Manager（CDH首推）

下面我们使用Cloudera Manager安装Impala

1）在主页中点击添加服务

2）选择Impala服务

1、进行角色分配

注意：最好将StateStore和CataLog Sever单独部署在同一节点上。
2、配置Impala

3、启动Impala

4、安装成功

2.3 Impala 的监护管理

可以通过下面的链接来访问Impala的监护管理页面：

1）查看StateStore

http://hadoop102:25010/

2） 查看Catalog

http://hadoop102:25020/

2.4 Impala的初体验

1）启动Impala

[root@hadoop102 ~]# impala-shell

2）查看数据库

[hadoop102:21000] > show databases;

3）打开默认数据库

[hadoop102:21000] > use default;

4）显示数据库中的表

[hadoop102:21000] > show tables;

5.创建一张student表

[hadoop102:21000] > create table student(id int, name string)

                  > row format delimited

                  > fields terminated by '\t';

6.向表中导入数据

hadoop102:21000] > load data inpath '/student.txt' into table student;

注意：

1） 关闭（修改hdfs的配置dfs.permissions为false）或修改hdfs的权限，否则impala没有写的权限

[hdfs@hadoop102 ~]$ hadoop fs -chmod 777 /

2） Impala不支持将本地文件导入到表中

7.查询

[hadoop102:21000] > select * from student;

8.退出impala

[hadoop102:21000] > quit;

第3章 Impala的操作命令

3.1 Impala的外部shell

选项	描述
centered 文本居中	right-aligned 文本居右
-h, --help	显示帮助信息
-v or --version	显示版本信息
-i hostname, --impalad=hostname	指定连接运行 impalad 守护进程的主机。默认端口是 21000。
-q query, --query=query	从命令行中传递一个shell 命令。执行完这一语句后 shell 会立即退出。
-f query_file, --query_file= query_file	传递一个文件中的 SQL 查询。文件内容必须以分号分隔 。
-o filename or --output_file filename	保存所有查询结果到指定的文件。通常用于保存在命令行使用 -q 选项执行单个查询时的查询结果。
-c	查询执行失败时继续执行
-d default_db or --database=default_db	指定启动后使用的数据库，与建立连接后使用use语句选择数据库作用相同，如果没有指定，那么使用default数据库
-r or --refresh_after_connect	建立连接后刷新 Impala 元数据
-p, --show_profiles	对 shell 中执行的每一个查询，显示其查询执行计划
-B（–delimited）	去格式化输出
–output_delimiter=character	指定分隔符
–print_header	打印列名

1）连接指定hadoop103的impala主机

[root@hadoop102 datas]# impala-shell -i hadoop103

2）使用-q查询表中数据，并将数据写入文件中

[hdfs@hadoop103 ~]$ impala-shell -q 'select * from student' -o output.txt

3）查询执行失败时继续执行

[hdfs@hadoop103 ~]$ vim impala.sql

select * from student;

select * from stu;

select * from student;

[hdfs@hadoop103 ~]$ impala-shell -f impala.sql

(加上-c 失败会继续执行)

[hdfs@hadoop103 ~]$ impala-shell -c -f impala.sql

4）在hive中创建表后，使用-r刷新元数据

hive> create table stu(id int, name string);

[hadoop103:21000] > show tables;

Query: show tables

+---------+

| name    |

+---------+

| student |

+---------+

[hdfs@hadoop103 ~]$ impala-shell -r

[hadoop103:21000] > show tables;

Query: show tables

+---------+

| name    |

+---------+

| stu     |

| student |

+---------+

5）显示查询执行计划

[hdfs@hadoop103 ~]$ impala-shell -p

[hadoop103:21000] > select * from student;

6）去格式化输出

[root@hadoop103 ~]# impala-shell -q 'select * from student' -B --output_delimiter="\t" -o output.txt

[root@hadoop103 ~]# cat output.txt

1001    tignitgn

1002    yuanyuan

1003    haohao

1004    yunyun

3.2 Impala的内部shell

选项	描述
help｜显示帮助信息
explain	显示执行计划
profile	(查询完成后执行） 查询最近一次查询的底层信息
shell	不退出impala-shell执行shell命令
version	显示版本信息（同于impala-shell -v）
connect	连接impalad主机，默认端口21000（同于impala-shell -i）
refresh	增量刷新元数据库
invalidate metadata	全量刷新元数据库（同于 impala-shell -r）
history	历史命令

1）查看执行计划

explain select * from student;

2）查询最近一次查询的底层信息

[hadoop103:21000] > select count(*) from student;

[hadoop103:21000] > profile;

3）查看hdfs及linux文件系统

[hadoop103:21000] > shell hadoop fs -ls /;

[hadoop103:21000] > shell ls -al ./;

4）刷新指定表的元数据

hive> load data local inpath '/opt/module/datas/student.txt' into table student;

[hadoop103:21000] > select * from student;

[hadoop103:21000] > refresh student;

[hadoop103:21000] > select * from student;

5）查看历史命令

[hadoop103:21000] > history；

第4章 Impala的数据类型

Hive数据类型	Impala数据类型	长度
TINYINT	TINYINT	1byte有符号整数
SMALINT	SMALINT	2byte有符号整数
INT	INT	4byte有符号整数
BIGINT	BIGINT	8byte有符号整数
BOOLEAN	BOOLEAN	布尔类型，true或者false
FLOAT	FLOAT	单精度浮点数
DOUBLE	DOUBLE	双精度浮点数
STRING	STRING	字符系列。可以指定字符集。可以使用单引号或者双引号。
TIMESTAMP	TIMESTAMP	时间类型
BINARY	不支持	字节数组

注意：Impala虽然支持array，map，struct复杂数据类型，但是支持并不完全，一般处理方法，将复杂类型转化为基本类型，通过hive创建表。

第5章 DDL数据定义

5.1 创建数据库

CREATE DATABASE [IF NOT EXISTS] database_name

[COMMENT database_comment]

[LOCATION hdfs_path];

注意：Impala不支持WITH DBPROPERTIE…语法

[hadoop103:21000] > create database db_hive

                  > WITH DBPROPERTIES('name' = 'ttt');

Query: create database db_hive

WITH DBPROPERTIES('name' = 'ttt')

ERROR: AnalysisException: Syntax error in line 2:

WITH DBPROPERTIES('name' = 'ttt')

^

Encountered: WITH

Expected: COMMENT, LOCATION

5.2 查询数据库

5.2.1 显示数据库

[hadoop103:21000] > show databases;

[hadoop103:21000] > show databases like 'hive*';

Query: show databases like 'hive*'

+---------+---------+

| name    | comment |

+---------+---------+

| hive_db |         |

+---------+---------+
[hadoop103:21000] > desc database hive_db;

Query: describe database hive_db

+---------+----------+---------+

| name    | location | comment |

+---------+----------+---------+

| hive_db |          |         |

+---------+----------+---------+

5.2.2 删除数据库

[hadoop103:21000] > drop database hive_db;

[hadoop103:21000] > drop database hive_db cascade;

注：Impala不支持alter database语法，当数据库被 USE 语句选中时，无法删除======

5.3 创建表

5.3.1 管理表

[hadoop103:21000] > create table if not exists student2(

                  > id int, name string

                  > )

                  > row format delimited fields terminated by '\t'

                  > stored as textfile

                  > location '/user/hive/warehouse/student2';

[hadoop103:21000] > desc formatted student2;

5.3.2 外部表

[hadoop103:21000] > create external table stu_external(

                  > id int,

                  > name string)

                  > row format delimited fields terminated by '\t' ;

5.4 分区表

5.4.1 创建分区表

[hadoop103:21000] > create table stu_par(id int, name string)

                  > partitioned by (month string)

                  > row format delimited

                  > fields terminated by '\t';

5.4.2 向表中导入数据

[hadoop103:21000] > alter table stu_par add partition (month='201810');

[hadoop103:21000] > load data inpath '/student.txt' into table stu_par partition(month='201810');

[hadoop103:21000] > insert into table stu_par partition (month = '201811')

                  > select * from student;
注意：

如果分区没有，load data导入数据时，不能自动创建分区。

5.4.3 查询分区表中的数据

[hadoop103:21000] > select * from stu_par where month = '201811';

5.4.4 增加分区

1、增加单个分区
[hadoop103:21000] > alter table stu_par add partition (month='201812');
2、增加多个分区
[hadoop103:21000] > alter table stu_par add partition (month='201812') partition (month='201813');

5.4.5 删除分区

1、删除单个分区
[hadoop103:21000] >  alter table stu_par  drop if exists partition (month='201812');

2、删除多个分区
[hadoop103:21000] >  alter table stu_par  drop if exists partition (month='201812'),partition (month='201813');

5.4.5 查看分区

[hadoop103:21000] > show partitions stu_par;

5.4.6 添加表注释

[hadoop103:21000] >alter table stu_par  set TBLPROPERTIES ('comment' = '注释内容')

5.4.7 修改字段注释

[hadoop103:21000] >ALTER TABLE 表名  CHANGE 要更改的列名   更改后的列名  更改后的类型  COMMENT '注释'

5.4.8 修改表名

[hadoop103:21000] >ALTER TABLE [old_db_name.]old_table_name RENAME TO [new_db_name.]new_table_name

5.4.9 添加列

[hadoop103:21000] >ALTER TABLE name ADD COLUMNS (col_spec[, col_spec ...])

5.4.10 删除列

[hadoop103:21000] > ALTER TABLE name DROP [COLUMN] column_name

5.4.11 更改列的名称和类型

[hadoop103:21000] > ALTER TABLE name CHANGE column_name new_name new_type

第6章 DML数据操作

6.1 数据导入（基本同hive类似）

注意：impala不支持load data local inpath…

6.2 数据的导出

1）impala不支持insert overwrite…语法导出数据

2）impala 数据导出一般使用 impala -o

[root@hadoop103 ~]# impala-shell -q 'select * from student' -B --output_delimiter="\t" -o output.txt

[root@hadoop103 ~]# cat output.txt

1001    tignitgn

1002    yuanyuan

1003    haohao

1004    yunyun

Impala 不支持export和import命令

第7章 查询

基本的语法跟hive的查询语句大体一样
Impala不支持CLUSTER BY, DISTRIBUTE BY, SORT BY
Impala中不支持分桶表
Impala不支持COLLECT_SET(col)和explode（col）函数
Impala支持开窗函数

[hadoop103:21000] > select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) from business;

第8章 函数

8.1 自定义函数

1）创建一个Maven工程Hive

2）导入依赖

<dependencies>

<!-- https://mvnrepository.com/artifact/org.apache.hive/hive-exec -->

<dependency>

<groupId>org.apache.hive</groupId>

<artifactId>hive-exec</artifactId>

<version>1.2.1</version>

</dependency>

</dependencies>

3）创建一个类

package com.atguigu.hive;

import org.apache.hadoop.hive.ql.exec.UDF;

 

public class Lower extends UDF {

 

public String evaluate (final String s) {

 

if (s == null) {

return null;

}

 

return s.toLowerCase();

}

}

4）打成jar包上传到服务器/opt/module/jars/udf.jar

5.）将jar包上传到hdfs的指定目录

hadoop fs -put hive_udf-0.0.1-SNAPSHOT.jar /

6）创建函数

[hadoop103:21000] > create function mylower(string) returns string location '/hive_udf-0.0.1-SNAPSHOT.jar' symbol='com.atguigu.hive_udf.Hive_UDF';

7）使用自定义函数

[hadoop103:21000] > select ename, mylower(ename) from emp;

8）通过show functions查看自定义的函数

[hadoop103:21000] > show functions;

Query: show functions

+-------------+-----------------+-------------+---------------+

| return type | signature       | binary type | is persistent |

+-------------+-----------------+-------------+---------------+

| STRING      | mylower(STRING) | JAVA        | false         |

+-------------+-----------------+-------------+---------------+

第9章 存储和压缩

文件格式	压缩编码	Impala是否可直接创建	是否可直接插入
Parquet	Snappy（默认）, GZIP;	Yes	支持：CREATE TABLE, INSERT, 查询
Text	LZO，gzip，bzip2，snappy	Yes. 不指定 STORED AS 子句的 CREATE TABLE 语句，默认的文件格式就是未压缩文本	支持：CREATE TABLE, INSERT, 查询。如果使用 LZO 压缩，则必须在 Hive 中创建表和加载数据
RCFile	Snappy, GZIP, deflate, BZIP2	Yes.	仅支持查询，在 Hive 中加载数据
SequenceFile	Snappy, GZIP, deflate, BZIP2	Yes.	仅支持查询，在 Hive 中加载数据

注：impala不支持ORC格式

1）创建parquet格式的表并插入数据进行查询

[hadoop104:21000] > create table student2(id int, name string)

row format delimited

fields terminated by '\t'

stored as PARQUET;

[hadoop104:21000] > insert into table student2 values(1001,'zhangsan');

[hadoop104:21000] > select * from student2;

2）创建sequenceFile格式的表，插入数据时报错

[hadoop104:21000] > insert into table student3 values(1001,'zhangsan');

Query: insert into table student3 values(1001,'zhangsan')

Query submitted at: 2018-10-25 20:59:31 (Coordinator: http://hadoop104:25000)

Query progress can be monitored at: http://hadoop104:25000/query_plan?query_id=da4c59eb23481bdc:26f012ca00000000

WARNINGS: Writing to table format SEQUENCE_FILE is not supported. Use query option ALLOW_UNSUPPORTED_FORMATS to override.

第10章 优化

1、 尽量将StateStore和Catalog部署到同一个节点，保证他们正常通行。

2、 通过对Impala Daemon内存限制（默认256M）及StateStore工作线程数，来提高Impala的执行效率。

3、 SQL优化，使用之前调用执行计划。

4、 选择合适的文件格式进行存储，提高查询效率。

5、 避免产生很多小文件（如果有其他程序产生的小文件，可以使用中间表，将小文件数据存放到中间表。然后通过insert…select…方式中间表的数据插入到最终表中）

6、 使用合适的分区技术，根据分区粒度测算

7、 使用compute stats进行表信息搜集，当一个内容表或分区明显变化，重新计算统计相关数据表或分区。因为行和不同值的数量差异可能导致impala选择不同的连接顺序时，表中使用的查询。

[hadoop104:21000] > compute stats student;

Query: compute stats student

±----------------------------------------+

| summary |

±----------------------------------------+

| Updated 1 partition(s) and 2 column(s). |

±----------------------------------------+

8、 网络io的优化：

  a.尽可能的做条件过滤

  b.使用limit字句

c.输出文件时，避免使用美化输出

d.尽量少用全量元数据的刷新