Impala概述及其安装部署

一、概述

1.基本概念

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是参照谷歌的新三篇论文（Caffeine–网络搜索引擎、Pregel–分布式图计算、Dremel–交互式分析工具）当中的Dremel实现而来，其中旧三篇论文分别是（BigTable，GFS，MapReduce）分别对应我们即将学的HBase和已经学过的HDFS以及MapReduce。

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。

2.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。

• 关系图
  

3.Impala与Hive异同

• 相同点
  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。

• 不同点

1. Impala使用的优化技术不同
   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. 架构不同：
   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。

3. 执行计划不同：
   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。

执行计划：数据库内部对SQL语句分析后决定的执行路径和执行步骤。
4. 获取数据流方式不同：
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。

5. 内存使用方式不同：
   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。

6. 调度方式不同：
   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。

7. 应用场景不同：
   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。

4.Impala架构

1. 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(协调器)，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。

2. State Store
   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. 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。

4. Catalogd（目录）
   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。

5. 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。

二、安装部署(以Node01节点为例)

1.安装前提

1. 集群提前安装好hadoop，hive。
2. 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。
3. 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。
   
4. 同步linux系统时间

2.下载安装包、依赖包

需要下载到所有的rpm包，下载地址：
http://archive.cloudera.com/cdh5/repo-as-tarball/5.14.0/cdh5.14.0-centos6.tar.gz

3.配置本地yum源

1. 上传安装包并解压

cd /export/soft
tar -zxvf  cdh5.14.0-centos6.tar.gz -C ../servers

2. 配置本地Yum源

• 安装Apache Server服务器：
  yum -y install httpd
  service httpd start
  chkconfig httpd on

• 配置本地yum源的文件：
  cd /etc/yum.repos.d
  vim CentOS-Media.repo
  修改成以下内容：

[c6-media]
name=CentOS-$releasever - Media
baseurl=file:///export/servers/impala/5.14.0
gpgcheck=0
enabled=1
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-6

• 创建httpd读取的软连接：
  ln -s /export/servers/impala/5.14.0 /var/www/html/5.14.0

• 验证：
  http://node01/5.14.0/
  出现如下所示页面代表成功：
  

• 配置node02、node03节点的网络yum源

cd /etc/yum.repos.d
vi CentOS-Media.repo

修改成以下内容：
[c6-media]
name=CentOS-$releasever - Media
baseurl=http://node01/5.14.0
gpgcheck=1
enabled=0
gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-6

4.安装Impala

1. 集群规划
   
2. 主节点安装
   在主节点node01执行以下命令进行安装：

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

3. 从节点安装
   在规划的从节点node02、node03执行以下命令进行安装：.

yum install -y impala-server

5.修改Hadoop、Hive配置

• 修改hive配置(在node01机器上进行配置，然后分发给其他2台机器)

vim /export/servers/hive/conf/hive-site.xml

添加以下内容：
<configuration> 
  <property> 
    <name>javax.jdo.option.ConnectionURL</name>  
    <value>jdbc:mysql://node-1:3306/hive?createDatabaseIfNotExist=true</value> 
  </property>  
  <property> 
    <name>javax.jdo.option.ConnectionDriverName</name>  
    <value>com.mysql.jdbc.Driver</value> 
  </property>  
  <property> 
    <name>javax.jdo.option.ConnectionUserName</name>  
    <value>root</value> 
  </property>  
  <property> 
    <name>javax.jdo.option.ConnectionPassword</name>  
    <value>hadoop</value> 
  </property>  
  <property> 
    <name>hive.cli.print.current.db</name>  
    <value>true</value> 
  </property>  
  <property> 
    <name>hive.cli.print.header</name>  
    <value>true</value> 
  </property>  
  <!-- 绑定运行hiveServer2的主机host,默认localhost -->  
  <property> 
    <name>hive.server2.thrift.bind.host</name>  
    <value>node-1</value> 
  </property>  
  <!-- 指定hive metastore服务请求的uri地址 -->  
  <property> 
    <name>hive.metastore.uris</name>  
    <value>thrift://node-1:9083</value> 
  </property>  
  <property> 
    <name>hive.metastore.client.socket.timeout</name>  
    <value>3600</value> 
  </property> 
</configuration>

将hive-site.xml文件分发给其他两个机器：

cd /export/servers/hive/conf
scp -r hive-site.xml root@node02:$PWD
scp -r hive-site.xml root@node03:$PWD

• 修改hadoop配置

1. 所有节点创建下述文件夹：

mkdir -p /var/run/hdfs-sockets

2. 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
添加以下内容：
<property>
		<name>dfs.client.read.shortcircuit</name>
		<value>true</value>
	</property>
	<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>

其中：
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。

3. 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 

4. 给/var/run/hdfs-sockets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/
   注意：root用户不需要该操作，普通用户需要这一步操作。

5. 重启hadoop、hive
   在node-1上执行下述命令分别启动hive metastore服务和hadoop

cd  /export/servers/hive
nohup bin/hive --service metastore &
nohup bin/hive --service hiveserver2 &

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

6. 复制hadoop、hive配置文件
   impala的配置目录为/etc/impala/conf，这个路径下面需要把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-2.6.0-cdh5.14.0/etc/hadoop/core-site.xml /etc/impala/conf/core-site.xml
cp -r /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/hdfs-site.xml /etc/impala/conf/hdfs-site.xml
cp -r /export/servers/hive-1.1.0-cdh5.14.0/conf/hive-site.xml /etc/impala/conf/hive-site.xml

7.修改impala配置

1. 修改impala默认配置

所有节点更改impala默认配置文件：
vim /etc/default/impala
IMPALA_CATALOG_SERVICE_HOST=node01
IMPALA_STATE_STORE_HOST=node01

2. 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。
   
   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-1.1.0-cdh5.14.0/lib/mysql-connector-java
5.1.38.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

8.启动关闭impala服务

1. 主节点node01启动以下三个服务进程

启动：
service impala-state-store start
service impala-catalog start
service impala-server start

关闭：
service impala-state-store start
service impala-catalog start
service impala-server start

2. 从节点启动node02与node03impala-server

service  impala-server  start

3. 查看impala进程是否存在

ps -ef | grep impala

补充：

• 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况下除。正常情是随着关闭消失的。
  解决方式：
  

4.impala Web Ui

访问impalad的管理界面：
http://node01:25000/

访问statestored的管理界面：
http://node01:25010/