Impala的invalidate metadata与refresh 区别

在Impala中，invalidate metadata与refresh语句都可以用来刷新表，但它们本质上还是不同的。

一、Impala on Hive介绍

我们一般会采用传统的MySQL或PostgreSQL数据库作为Hive的Metastore（元数据存储）组件。在CDH中默认是MySQL，我们可以通过show tables in hive语句清晰地看到Hive Metastore中的各个表。

mysql> show tables in hive;
+---------------------------+
| Tables_in_hive            |
+---------------------------+
| BUCKETING_COLS            |
| CDS                       |
| COLUMNS_V2                |
| COMPACTION_QUEUE          |
| COMPLETED_TXN_COMPONENTS  |
| DATABASE_PARAMS           |
| DBS                       |
| DB_PRIVS                  |
| DELEGATION_TOKENS         |
| FUNCS                     |
| FUNC_RU                   |
| GLOBAL_PRIVS              |
| HIVE_LOCKS                |
| IDXS                      |
| INDEX_PARAMS              |
| MASTER_KEYS               |
| METASTORE_DB_PROPERTIES   |
| NEXT_COMPACTION_QUEUE_ID  |
| NEXT_LOCK_ID              |
| NEXT_TXN_ID               |
| NOTIFICATION_LOG          |
| NOTIFICATION_SEQUENCE     |
| NUCLEUS_TABLES            |
| PARTITIONS                |
| PARTITION_EVENTS          |
| PARTITION_KEYS            |
| PARTITION_KEY_VALS        |
| PARTITION_PARAMS          |
| PART_COL_PRIVS            |
| PART_COL_STATS            |
| PART_PRIVS                |
| ROLES                     |
| ROLE_MAP                  |
| SDS                       |
| SD_PARAMS                 |
| SEQUENCE_TABLE            |
| SERDES                    |
| SERDE_PARAMS              |
| SKEWED_COL_NAMES          |
| SKEWED_COL_VALUE_LOC_MAP  |
| SKEWED_STRING_LIST        |
| SKEWED_STRING_LIST_VALUES |
| SKEWED_VALUES             |
| SORT_COLS                 |
| TABLE_PARAMS              |
| TAB_COL_STATS             |
| TBLS                      |
| TBL_COL_PRIVS             |
| TBL_PRIVS                 |
| TXNS                      |
| TXN_COMPONENTS            |
| TYPES                     |
| TYPE_FIELDS               |
| VERSION                   |
+---------------------------+
54 rows in set (0.00 sec)

它的组织方式与MySQL中的information_schema类似。如TBLS保存有所有表的元数据，COLUMNS保存有所有列的元数据，PARTITIONS存储分区信息，SDS存储表及分区对应的HDFS目录映射，等等。

Impala作为一个MPP查询引擎，经常会配合Hive一同使用，我们的业务中也是如此。下图示出Impala及周边组件的大体结构。

Impala的核心组件是impalad，它负责提供所有查询服务。另外，还有catalogd负责获取与缓存表元数据，statestored则负责表元数据到每个impalad的更新。
这种方案完美解决了每次查询都要获取表元数据的问题，因为一旦表结构非常复杂或者数据很多，获取元数据会造成很大的延迟。如果将它们缓存下来，元数据就可以重用，节省时间。

但是，它又带来了一个新的问题：由于缓存不会即时刷新，当在Hive本身进行元数据甚至数据的更改时，Impala无法感知到。常见的情境如在Hive中新建了一张表，或者直接在Hive表对应的HDFS目录中新增文件等。所以，Impala才提供了invalidate metadata与refresh两条语句来打补丁。

二、invalidate metadata

invalidate的意思是“使无效、使作废”，因此invalidate metadata的含义就是“废除（缓存的）元数据”。它的语法是：

invalidate metadata;           -- 废除所有表的元数据
invalidate metadata [table];   -- 废除表table的元数据

（1）I获取到表table，对catalogd发起resetMetadata请求；
（2）catalogd收到该请求，执行invalidateTable操作，清除所有与table相关的元数据缓存，重新读取Metastore中的所有元数据，并生成新的缓存。但是此时生成的缓存只包含库名和表名，是不完整的；
（3）catalogd再生成一个标记缓存的版本号，将这个不完整的缓存和版本号一起返回给I，然后继续异步加载其余的元数据；
（4）I收到catalogd返回的不完整缓存和版本号，用它来更新本地缓存。

invalidate metadata的特点就是异步性和全量性。从上面可以看出，在刚执行完时，除了I之外的其他impalad仍然保有旧的元数据缓存，就算I保有的新元数据也是残缺的。只有当catalogd异步加载完了table对应的所有元数据，才会生成一个更新的版本号，并将完整的元数据通过statestored广播给所有impalad，整个Impala集群的元数据感知才会达到一致。

2、refresh

refresh的意思比较简单，“刷新”。它的语法是：

refresh [table];                           -- 刷新表table的元数据
refresh [table] partition [partition];     -- 刷新表table的partition分区元数据

在I上执行refresh table语句会发生如下的动作：

（1）I获取到表table，对catalogd发起resetMetadata请求；
（2）catalogd收到该请求：对指定了partition的请求，执行reloadPartition操作，获取该分区最新的元数据并刷新；对未指定partition的请求，执行reloadTable操作，获取全部分区最新的元数据并刷新。这里的“刷新”是指Metastore中与缓存对比如果没有变化，就保持原状；如果有增删改，才会发生改变；
（3）I收到catalogd返回的完整缓存，用它来更新本地缓存。
当然，statestored仍会负责广播新的元数据到其他节点。在广播完之前，除了I之外的其他impalad也保有旧的缓存。

由此可见，与invalidate metadata不同，refresh的特点是同步性和增量性。并且，它的执行是围绕单表以及单表的分区进行的，因此它更轻量级，也更适合分区元数据或数据文件更改之后的刷新。

如何正确使用

通过上面的简单分析，容易做出以下总结：

1.如果数仓中发生了增删表或改变表结构的行为，如create table、drop table、alter table add column等，就使用invalidate metadata [table]语句。

2.如果数仓中某表加入了新数据，或者有分区的改动，如load data、alter table add partition等，就使用refresh [table] (partition [partition])语句。

3.invalidate metadata比起refresh而言要重量级得多，并且它造成impalad之间查询不一致也会更严重。因此，也几乎禁止使用不带表名的invalidate metadata语句。

4.如果数仓中涉及到非常大批量的元数据更改，那么建议直接重启catalogd和statestored，这总比使用不带表名的invalidate metadata来得高效一些。