转载

网易视频云：impala笔记

Impala是hadoop上交互式MPP SQL引擎，也是目前性能最好的开源SQL-on-hadoop方案。如下图所示， impala性能超过SparkSQL、 Presto、 Hive。

网易视频云：impala笔记

impala与hadoop生态结合紧密

（1） HDFS是impala最主要的数据源。除此之外， impala也支持HBase，甚至支持S3存储。

（2） impala表定义存储在hive metastore中，支持读取hive表定义。

（3）支持Parquet， RCFile， sequence file， txt等常见文件格式，其中Parquet是列存格式，性能最佳。

（4）集成YARN。

SQL支持度：

支持SQL92中的大部分select语句，以及SQL2003标准中的分析函数。不支持DELETE和UPDATE，但是支持批量装载数据（insert into select, LOAD DATA) 和批量删除数据（drop partition）。除此之外，用户也可直接操作HDFS文件实现数据装载和清理。

网易视频云：impala笔记

架构如上图所示。

• impalad是最核心组件，负责接收用户查询请求（ODBC协议），生成查询计划，协调其他impalad执行查询计划，并汇总查询结果返回给用户。 impalad部署在每个datanode上，一般来说impalad只读取本机数据，尽量避免远程访问HDFS文件数据。

• statestore负责集群元数通知和分发。元数据包括catalog和集群成员关系等， SQL查询依赖于这些元数据，所以元数据会缓存在每个impalad节点。 statestore通过publish/subsriber机制确保impalad及时拿到最新元数据，但是它本身不需要理解元数据，也不需要持久化元数据。 statestore宕机重启时，元数据可从权威数据源或者从impalad重构，因此statestore虽是全局单点，但也不影响可用性。

• catalogd负责数据库、表等catalog信息，实现DDL功能， catalog更新通过statestore分发给impalad。

查询执行

impalad分为frontend和backend两个层次， frondend用java实现（通过JNI嵌入impalad），负责查询计划生成，而backend用C++实现，负责查询执行。

frontend生成查询计划分为两个阶段：（1）生成单机查询计划，单机执行计划与关系数据库执行计划相同，所用查询优化方法也类似。（2）生成分布式查询计划。根据单机执行计划，生成真正可执行的分布式执行计划，降低数据移动，尽量把数据和计算放在一起。

网易视频云：impala笔记

上图是SQL查询例子，该SQL的目标是在三表join的基础上算聚集，并按照聚集列排序取topN。 impala的查询优化器支持代价模型：利用表和分区的cardinality，每列的distinct值个数等统计数据， impala可估算执行计划代价，并生成较优的执行计划。上图左边是frontend查询优化器生成的单机查询计划，与传统关系数据库不同，单机查询计划不能直接执行，必须转换成如图右半部分所示的分布式查询计划。该分布式查询计划共分成6个segment（图中彩色无边框圆角矩形），每个segment是可以被单台服务器独立执行的计划子树。

impala支持两种分布式join方式，表广播和哈希重分布：表广播方式保持一个表的数据不动，将另一个表广播到所有相关节点（图中t3）；哈希重分布的原理是根据join字段哈希值重新分布两张表数据(譬如图中t1和t2）。分布式计划中的聚集函数分拆为两个阶段执行。第一步针对本地数据进行分组聚合（Pre-AGG）以降低数据量，并进行数据重分步，第二步，进一步汇总之前的聚集结果（mergeAgg）计算出最终结果。与聚集函数类似， topN也是分为两个阶段执行，（1）本地排序取topN，以降低数据量；（2） merge sort得到最终topN结果。

Backend从frontend接收plan segment并执行，执行性能非常关键，impala采取的查询性能优化措施有

• 向量执行。一次getNext处理一批记录，多个操作符可以做pipeline。

• LLVM编译执行， CPU密集型查询效率提升5倍以上。

• IO本地化。利用HDFS short-circuit local read功能，实现本地文件读取

• Parquet列存，相比其他格式性能最高提升5倍。

资源管理

impala通常与MR等离线任务运行在一个集群上，通过YARN统一管理资源，如何同时满足交互式查询和离线查询两种需求具有较大挑战性。 YARN通过全局唯一的Resource Mananger调度资源，好处是RM拥有整个集群全局信息，能做出更好调度决策，缺点是资源分配的性能不足。 Impala每个查询都需要分配资源，当每秒查询数上千时， YARN资源分配的响应时间变的很长，影响到查询性能。目前通过两个措施解决这个问题：（1）引入快速、非集中式的查询准入机制，控制查询并发度。（2）LLAM（low latency application master）通过缓存资源，批量分配，增量分配等方式实现降低资源分配延时。