Impala-架构与设计

一、背景和起源

现有的大数据查询分析工具Hive更适合长时间批处理查询分析，并不能满足实时交互式场景。因此根据谷歌的Dremel设计思想，Cloudera公司开发了一款高效率实时查询工具Impala，其性能比Hive快10到100倍。Impala没有使用MapReduce进行计算，而是将整个查询转化成执行计划树，分发到各个机器执行，然后通过拉的方式获取结果并组合成最终结果。

二、框架概述

Impala是一款基于Hive的大数据分析查询引擎，直接使用Hive的元数据Metastore，因此如果使用Impala需要先安装Hive并启动Metastore服务。Impala不依赖MapReduce而是将执行计划树进行并行计算，使用拉的方式获取结果数据，把结果数据按执行树流是传递汇集，减少中间结果落盘。

1.设计特点

• 本地化计算、减少数据的网络传输
• 采用Hive Metastore进行元数据存储和管理
• 无需进行格式转化
• 支持即席查询无延迟
• 采用大规模并行处理架构、硬件利用率高
• 不依赖MapReduce，并行处理执行计划，避免启动MapReduce开销
• 结果写入内存并通过网络汇总，节省读写磁盘开销

2.框架优点

• 基于内存进行计算，适合实时交互式SQL查询和分析
• 无需转化为MapReduce，直接访问HDFS以及Hbase数据，低延迟

3.框架限制

• 数据需要写入内存，对内存消耗比较大
• 没有容错逻辑，如果执行过程发生错误会直接返回错误
• 不支持UDF定制

三、架构图

Impala采用MPP架构，主要由Impala Daemon、Statestore和Catalog等三个模块组成。

1.Impala Daemon

接收查询请求，将查询请求生成计划树，分发执行计划到其他节点。进行数据读写，将结果进行汇总并返回。
Impala Daemon服务包含三个模块：Query Planner、Query Coordinator和Query Executor。

2.Statestore

主要是收集集群中所有Deamon的节点信息和健康情况。每个Deamon会从Statestore拉取并缓存所有Deamon相关信息，用于执行计划的分配。

3.Catalog

Impala的元数据服务，集群启动时从Hive Metastore加载元数据信息，如需再次加载需要使用invalidate metadata、refresh命令。Catalog负责接收Statestore的元数据查询请求。在Impala执行SQL导致元数据发生变化时，Catalog会将元数据变化同步给Statestore，再由Statestore广播给所有Daemon节点。

四、Impala查询流程

1.发起查询

客户端向Impala集群任意节点发送查询SQL语句

2.生成执行计划

Query Planner对查询语句进行解析生成解析树，然后将解析树变成执行计划。

3.分配任务

Query Coordinator根据执行计划和从Statestore获取的集群Daemon节点情况，将任务分配给Query Executor节点进行计算。

4.交换中间数据

Query Executor对计算的中间结果进行交换。

5.汇集结果

Query Coordinator从集群中的Query Executor节点拉取结果并进行汇集。

6.返回结果

Query Coordinator将汇总后的结果返回给客户端。

总结

Impala是大数据进行实时交互式分析查询的一个工具，没有依赖MapReduce执行任务，而是将任务分配到各个Impala节点进行计算和汇总，从而避免了MapReduce的启动时间。直接使用内存进行结果的保存减少了读写磁盘的时间。经过以上架构设计Impala的性能比Hive高出10到100倍，非常适用于即席查询和交互式分析场景。

参考链接

1.Apache Impala
2.Impala: A Modern, Open-Source SQL Engine for Hadoop