impala基础

1. impala介绍

1.1 impala概述

• Impala是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。
• 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sq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。

1.2 impala与hive的关系

• impala是基于hive的大数据分析查询引擎，直接使用hive的元数据metadata。
• 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。
• 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。

1.3 impala优点

• 基于内存进行计算，能够对PB级数据进行交互式实时查询、分析，只要你内存足够大
• 摈弃了MR的计算，改用C+来实现，有针对性的硬件优化
  • 在底层对硬件进行优化， LLVM统一编译运行：编译器，比较稳定，效率高
• 具有数据仓库的特性，可对hive数据直接做数据分析
• 支持列式存储
  • 可以和Hbase整合，因为hive可以整合hbase
• 支持Data Local
  • 数据本地化：无需数据移动，减少数据的传输
• 支持JDBC/ODBC远程访问

1.4 impala缺点

• 基于内存计算，对内存依赖性较大
• 基于hive，与hive共存亡，紧耦合
• 稳定性不如hive
• 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
• 不支持用户定义函数UDF
  

2. impala基础架构

Impala主要由Impalad、 State Store、Catalogd和CLI组成。

2.1 impala体系结构

2.1.1 Statestored

impala集群的主节点

• 为ImpalaDaemon提供查找服务，并周期性地检查Impala进程状态

补充说明：

如果某个Impalad节点由于硬件错误、软件错误或者其他原因导致离线，statestored就会通知其他的节点，避免其他节点再向这个离线的节点发送请求。

由于statestored是当集群节点有问题的时候起通知作用，所以它对Impala集群并不是有关键影响的。

如果statestored没有运行或者运行失败，其他节点和分布式任务会照常运行，只是说当节点掉线的时候集群会变得没那么健壮。当statestored恢复正常运行时，它就又开始与其他节点通信并进行监控。

2.1.2 Catalogd

impala集群的主节点

• 从Hive元数据库中同步元数据，分发表的元数据信息到各个impala daemon中
• 接收来自statestore的所有请求，告知哪些impalad节点是健康的

补充说明：

• Impala 1.2中加入的catalog服务减少了REFRESH和INVALIDATE METADATA语句的使用。
• 在之前的版本中，当在某个节点上执行了CREATE DATABASE、DROP DATABASE、CREATE TABLE、ALTER TABLE、或者DROP TABLE语句之后，需要在其它的各个节点上执行命令INVALIDATE METADATA来确保元数据信息的更新。
• 同样的，当你在某个节点上执行了INSERT语句，在其它节点上执行查询时就得先执行REFRESH table_name这个操作，这样才能识别到新增的数据文件。
• 需要注意的是，通过Impala执行的操作带来的元数据变化，有了catalog就不需要再执行REFRESH和INVALIDATE METADATA，但如果是通过Hive进行的建表、加载数据，则仍然需要执行REFRESH和INVALIDATE METADATA来通知Impala更新元数据信息。

2.1.3 impalad

• Impala的核心组件是运行在各个节点上面的impalad这个守护进程
• 接收client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
• 执行计算。

因内存依赖大，所以最好不要和imapla的其他组件放到同一节点
最好是与hdfs的datanode节点部署在一起，提高查询计算（数据本地化）。
考虑集群性能问题，一般将StateStored 与 Catalogd 放在同一节点上，因两者之间要进行大量的通信。

2.2 impala查询过程

客户端连接到impala daemon 上，它的内部有三个组件；

Query planner（查询解析器）

• 将我们的字符串sql 语句解释成为执行计划，

Query coordinator（中心协调节点）

• coordinator从State Store请求其他的Impala daemons，并把查询分发给其他的Impala daemons

Query executor（查询执行器）

• 而做查询工作的是就是executor
  

2.3 元数据缓存

1）impala集群中的元数据是保存在hive的metastore中的（mysql数据库中）

2）当impala集群启动之后，catalogd会从hive的metastore中把元数据信息同步过来，然后通过Statestore分发元数据信息到impala daemon中进行缓存。

3）如果在impala deamon中产生的元数据变更（创建库、创建表、修改表）操作。Catalog服务通知所有Impala daemons来更新缓存。这些都会缓存下来，然后通过catalog持久化这些信息到hive的metastore中.

4)如果是hive的客户端进行了元数据的变更操作，这个时候对于impala来说是不知道的，这里就需要impala去手动同步刷新.

2.3.1 refresh 命令手动同步

用于刷新某个表或者某个分区的数据信息，它会重用之前的表元数据，仅仅执行文件刷新操作

• 例如insert into、load data、alter table add partition、alter table drop partition等

REFRESH [table]                             //刷新某个表
REFRESH [table] PARTITION [partition]       //刷新某个表的某个分区

2.3.2 imvalidate metadata 命令手动同步

用于刷新全库或者某个表的元数据，包括表的元数据和表内的文件数据.

• 例如hive中create table/drop table/alter table add columns等操作。

INVALIDATE METADATA;                   //重新加载所有库中的所有表
INVALIDATE METADATA [table]            //重新加载指定的某个表

3. impala安装部署

3.1 配置本地yum源

1. 由于impala没有提供tar包供我们进行安装，只提供了rpm包，所以我们在安装impala的时候，需要使用rpm包来进行安装，rpm包只有cloudera公司提供了，所以我们去cloudera公司网站进行下载rpm包即可，但是另外一个问题，impala的rpm包依赖非常多的其他的rpm包，可以一个个的将依赖找出来，也可以将所有的rpm包下载下来，制作成我们本地yum源来进行安装。

2)我们这里就选择制作本地yum源来进行安装，所以首先我们需要下载到所有的rpm包，下载地址如下

http://archive.cloudera.com/cdh5/repo-as-tarball/5.14.0/

镜像文件 cdh5.14.0-centos7.tar.gz

3.1.1 配置本地Yum的Repository

把node3服务器作为镜像源节点，使用httpd这个软件来作为服务端，启动httpd的服务来作为我们镜像源的下载地址

• 1.上传镜像文件到node3上
• 2.解压 tar -zxvf cdh5.14.0-centos7.tar.gz -C /opt/bigdata
• 3.安装httpd服务并启动

   yum -y install httpd
   systemctl start httpd.service

• 4.创建yum源配置文件

进入到/etc/yum.repos.d目录，新建文件
vim localimp.repo

[localimp]
name=localimp
baseurl=http://node3/cdh5.14.0
gpgcheck=0
enabled=1

• 5.创建apache httpd的读取连接

ln -s /opt/bigdata/cdh/5.14.0  /var/www/html/cdh5.14.0

• 6.页面访问本地yum源

http://node3/cdh5.14.

• 7.将node3上制作好的localimp配置文件发放到其他节点上去

scp /etc/yum.repos.d/localimp.repo node1:/etc/yum.repos.d
scp /etc/yum.repos.d/localimp.repo node2:/etc/yum.repos.d

3.2 安装规划

服务名称	node1	node2	node3
impala-catalog	安装	不安装	不安装
impala-state-store	安装	不安装	不安装
impala-server	不安装	安装	安装
impala-shell	不安装	安装	安装

• 其中state-store 和 catalog 类似于 namenode一般部署在主节点
• 而 impala-server类似于datenode部署在子节点上
• impala-shell可以部署在任意节点上。它是impala的shell 客户端。

3.3 yum源安装

主节点node1执行以下命令进行安装

yum install impala-state-store -y
yum install impala-catalog -y
yum install bigtop-utils -y

从节点node2和node3执行以下命令进行安装

yum install impala-server -y
yum install impala-shell -y
yum install bigtop-utils -y

3.4 修改配置信息

3.4.1 修改 hive-site.xml文件

impala依赖于hive，所以首先需要进行hive的配置修改；

# node1机器修改hive-site.xml内容如下:
vim /opt/bigdata/hive/conf/hive-site.xml

    <!--让hive提供元数据服务-->
    <!--<property>
    	<name>hive.server2.thrift.bind.host</name>
     	<value>node1</value>
    </property>-->
    <property>
        <name>hive.metastore.uris</name>
        <value>thrift://node1:9083</value>
    </property>
    <property>
        <name>hive.metastore.client.socket.timeout</name>
        <value>3600</value>
    </property>

3.4.2 将hive的安装目录发送到node2与node3上

在node1上执行命令

cd /opt/bigdata/
scp -r hive node2:$PWD
scp -r hive node3:$PWD

3.4.3 启动hive的metastore服务

在node1上启动hive的metastore服务

cd /opt/bigdata/hive
nohup bin/hive --service metastore &

注意：一定要保证mysql的服务正常启动，否则metastore的服务不能够启动

3.4.4 所有hadoop节点修改hdfs-site.xml文件

所有节点创建文件夹，并且授权

##用root用户创建，并授权给hadoop用户
mkdir -p /var/run/hdfs-sockets
chown -R hadoop:hadoop /var/run/hdfs-sockets

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 /opt/bigdata/hadoop/etc/hadoop/hdfs-site.xml

<!--短路读取 就是允许impala把一些信息存储在本地磁盘上，可以加快计算的速度-->
  <property>
     <name>dfs.client.read.shortcircuit</name>
     <value>true</value>
  </property>
<!--打开块位置的存储的元数据信息-->
  <property>
     <name>dfs.datanode.hdfs-blocks-metadata.enabled</name>
     <value>true</value>
  </property>
<!--Datanode和DFSClient之间沟通的Socket的本地文件路径-->
  <property>
      <name>dfs.domain.socket.path</name>
      <value>/var/run/hdfs-sockets/dn</value>
  </property>
<!--分布式文件系统中并行RPC的超时-->
   <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>-->

三台机器执行以下命令给文件夹授权

sudo  chown  -R  hadoop:hadoop   /var/run/hdfs-sockets/

3.4.5 重启hdfs

start-dfs.sh

3.4.6 创建hadoop与hive的配置文件的连接

• 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、hive-site.xml拷贝到这里来，但是我们这里使用软连接的方式会更好。
  • 所有节点执行以下命令创建链接到impala配置目录下来

ln -s /opt/bigdata/hadoop/etc/hadoop/core-site.xml /etc/impala/conf/core-site.xml
ln -s /opt/bigdata/hadoop/etc/hadoop/hdfs-site.xml  /etc/impala/conf/hdfs-site.xml
ln -s /opt/bigdata/hive/conf/hive-site.xml /etc/impala/conf/hive-site.xml

3.4.7 所有节点修改impala默认配置

所有节点修改impala默认配置

vi /etc/default/impala

#指定集群的CATALOG_SERVICE和STATE_STORE服务地址
IMPALA_CATALOG_SERVICE_HOST=node1
IMPALA_STATE_STORE_HOST=node1

3.4.8 所有节点创建mysql的驱动包的软连接

mkdir -p /usr/share/java

ln -s /opt/bigdata/apache-hive-1.2.2-bin/lib/mysql-connector-java-5.1.46.jar /usr/share/java/mysql-connector-java.jar

3.4.9 所有节点修改bigtop的java路径（root）

修改bigtop的java_home路径

vim /etc/default/bigtop-utils

export JAVA_HOME=/usr/java/jdk1.8.0_211-amd64

4. impala集群的启动和停止

4.1 启动

1、需要启动HDFS

##用hadoop用户启动hadoop,hive 用root用户启动impala
start-dfs.sh

2、启动hive的元数据服务

• 在node1上执行命令

cd /opt/bigdata/hive
nohup bin/hive --service metastore &

3、启动impala

• 在主节点node1上启动以下服务

service impala-state-store start
service impala-catalog start

• 在从节点node2和node3上启动impala-server

service impala-server start

4、查看impala进程是否存在

ps -ef | grep impala

注意：启动之后所有关于impala的日志默认都在 /var/log/impala这个路径下，node1机器上面应该有二个进程，node2与node3机器上面只有一个进程，如果进程个数不对，去对应目录下查看报错日志

4.2 停止

• 在主节点node1上关闭以下服务

service impala-state-store stop
service impala-catalog stop

• 在从节点node2和node3上关闭impala-server

service impala-server stop

5. impala的web管理界面

启动好impala集群之后，可以访问web地址，查看集群相关信息

• 访问 statestored 的管理界面http://node1:25010/
  
• 访问 catalogd 的管理界面http://node1:25020/
  
• 访问 impalad 的管理界面http://node2:25000/
  

6. impala的使用

6.1 impala-shell的外部命令参数语法

1.不需要进入到impala-shell交互命令行当中即可执行的命令参数

2.impala-shell后面执行的时候可以带很多参数：

• -h 查看帮助文档

impala-shell -h

• -r 刷新整个元数据，数据量大的时候，比较消耗服务器性能

impala-shell -r

• -v 查看对应版本

impala-shell -v -V

• -f 执行查询文件

cd /opt/install

vim impala-shell.sql

select * from course.score;


通过-f 参数来执行执行的查询文件

impala-shell -f impala-shell.sql

• -p 显示查询计划

impala-shell -f impala-shell.sql -p

6.2 impala-shell的内部命令参数语法

在node2或者是node3上进入impala-shell命令行之后可以执行的语法

1）help

• 帮助文档
  
  

2）connect

• connect hostname 连接到某一台机器上面去执行
  

3）refresh 刷新

• refresh dbname.tablename 增量刷新，刷新某一张表的元数据，主要用于刷新hive当中数据表里面的数据改变的情况

4）invalidate metadata

• invalidate metadata全量刷新，性能消耗较大，主要用于hive当中新建数据库或者数据库表的时候来进行刷新

5）explain

• 用于查看sql语句的执行计划

explain select * from default.employee;

explain的值可以设置成0,1,2,3等几个值，其中3级别是最高的，可以打印出最全的信息

set explain_level=3;

6) profile命令：

• 执行sql语句之后执行，可以打印出更加详细的执行步骤
• 主要用于查询结果的查看，集群的调优等

   select * from course.score;
   
   profile;

7）注意

• (1) 在hive窗口当中插入的数据或者新建的数据库或者数据库表，在impala当中是不可直接查询到的，需要刷新数据库，使用命令 invalidate metadata；
• (2) 在impala-shell当中插入的数据，在impala当中是可以直接查询到的，不需要刷新数据库，其中使用的就是catalog这个服务的功能实现的，catalog是impala1.2版本之后增加的模块功能，主要作用就是同步impala之间的元数据.

6.3 创建数据库

impala-shell进入到impala的交互窗口

6.3.1 查看所有数据库

show databases;

6.3.2 创建与删除数据库

创建数据库

create database if not exists mydb1;

这里会涉及到在hdfs上无法创建目录权限的问题

(1)关闭文件权限检查： 修改hdfs-site.xml文件添加以下配置

<property>
<name>dfs.permissions</name>
<value>false</value>
</property>

(2) 修改文件权限

hdfs dfs -chmod 777 /user/hive/warehouse

删除数据库

drop database if exists mydb1;

6.4 创建表

创建表的语法跟hive一样

内部表：
create  table  mydb1.student1(id int ,name string ,age int )  row  format  delimited fields terminated  by  '\t' ;


外部表：
create  external table  mydb1.student2(id int ,name string ,age int )  row  format  delimited fields terminated  by  '\t' location  '/user/hive/warehouse/student2';

6.5 向表中加载数据

insert语句插入数据

insert into student1 values (1, 'zhangsan', 25 );
insert into student1 values (2, 'lisi', 20 );
insert into student1 values (3, 'xiaozhang', 35 );
insert into student1 values (4, 'laowang', 45 );

通过load hdfs的数据到impala表中

# 准备数据student.txt并上传到hdfs的 /impala/data路径下去(注意目录权限)
11	zhangsan1	15
22	zhangsan2	20
33	zhangsan3	30
44	zhangsan4	50

加载数据

load data inpath '/impala/data' into table student1;

使用insert into select 语法

insert  into  user1 select * from user2;

6.6 查询数据

select * from student1;

6.7 清空表数据

truncate  student1;

6.8 删除表数据

drop table student1；

7. impala操作实战

1、在hive中创建一张表

   create table access_user(
   session_id string,
   cookie_id string,
   visit_time string,
   user_id string,
   age int,
   sex string,
   visit_url string,
   visit_os string,
   browser_name string,
   visit_ip string,
   province string,
   city string,
   page_id string,
   goods_id string,
   shop_id string
   )row format delimited fields terminated by ',';

2、加载数据到hive表中

• 测试数据user50w.csv文件

load data local inpath '/home/hadoop/user50w.csv' into table access_user;

3、hive中执行查询语句

select count(*) from access_user;

4、impala-shell中同步hive的元数据

invalidate metadata;

5、impala-shell中执行查询语句

select count(*) from access_user;

6、order by语句

• 基础语法

select * from table_name ORDER BY col_name [ASC|DESC] [NULLS FIRST|NULLS LAST]
Select * from employee ORDER BY id asc;

7、group by语句

select name, sum(salary) from employee group by name;

8、having语句

• 基础语法

select * from table_name ORDER BY col_name [ASC|DESC] [NULLS FIRST|NULLS LAST]

-- 按年龄对表进行分组，并选择每个组的最大工资，并显示大于20000的工资

select max(salary) from employee group by age having max(salary) > 20000;

9、limit语句

select * from employee order by id limit 4;

10、impala当中的数据表导入几种方式

• 第一种方式，通过load hdfs的数据到impala当中去

create table user(id int ,name string,age int ) row format delimited fields terminated by "\t";

准备数据user.txt并上传到hdfs的 /user/impala路径下去

1	hello	15
2	zhangsan	20
3	lisi	30
4	wangwu	50

加载数据

load data inpath '/user/impala/' into table user;

查询加载的数据

select  *  from  user;

如果查询不不到数据，那么需要刷新一遍数据表

refresh  user;

• 第二种方式：

create  table  user2   as   select * from  user;

• 第三种方式：

insert  into  不推荐使用 因为会产生大量的小文件
千万不要把impala当做一个数据库来使用

• 第四种方式：

insert  into  select  用的比较多

8. impala的JDBC操作

构建maven工程，添加依赖

<!--导入impala的依赖-->
<dependency>
    <groupId>com.cloudera</groupId>
    <artifactId>ImpalaJDBC41</artifactId>
    <version>2.5.42</version>
</dependency>
<!--导入hive-service的依赖-->
<dependency>
    <groupId>org.apache.hive</groupId>
    <artifactId>hive-service</artifactId>
    <version>1.2.1</version>
</dependency>
<!--导入hive-jdbc的依赖-->
<dependency>
    <groupId>org.apache.hive</groupId>
    <artifactId>hive-jdbc</artifactId>
    <version>1.2.1</version>
    <exclusions>
        <exclusion>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-service-rpc</artifactId>
        </exclusion>
        <exclusion>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-service</artifactId>
        </exclusion>
    </exclusions>
</dependency>

开发代码:

package com.xichuan.dev;
import java.sql.*;
/**
* Created by XiChuan on 2020/4/21.
  */
  public class TestImpala {
  //impala的url连接地址
  private static String url = "jdbc:impala://node2:21050/default";
  //数据库连接
  private static Connection conn;
  private static PreparedStatement ps;
  public static void main(String[] args) {
  try {
  //获取数据库连接
  conn = DriverManager.getConnection(url);

           //定义查询的sql语句
           String sql="select * from mydb1.student1 limit 5";

           //预编译sql语句
           ps= conn.prepareStatement(sql);

           //执行sql查询
           ResultSet rs = ps.executeQuery();
           while(rs.next()){
               String id = rs.getString("id");
               String name = rs.getString("name");
               String age = rs.getString("age");

               System.out.println(id+"\t"+name+"\t"+age+"\t");
           }


       } catch (SQLException e) {
           e.printStackTrace();
       }finally {
           if(conn!=null){
               try {
                   conn.close();
               } catch (SQLException e) {
                   e.printStackTrace();
               }
           }
       }
  }
  }