大数据技术入门：impala查询引擎

大家好，我是百思不得小赵。

创作时间：2022 年 7 月 5 日
博客主页： 🔍点此进入博客主页
—— 新时代的农民工 🙊
—— 换一种思维逻辑去看待这个世界 👀
今天是加入CSDN的第1221天。觉得有帮助麻烦👏点赞、🍀评论、❤️收藏

---

---

一、概述

Impala是Cloudera公司主导开发的新型查询系统，它提供SQL语义，能查询存储在Hadoop的HDFS和HBase中的PB级大数据。已有的Hive系统虽然也提供了SQL语义，但由于Hive底层执行使用的是MapReduce引擎，仍然是一个批处理过程，难以满足查询的交互性。相比之下，Impala的最大特点也是最大卖点就是它的快速。----来源于百度百科

Impala核心能力

Impala是性能最高的SQL引擎（提供类似RDBMS的体验），它提供了访问存储在Hadoop分布式文件系统中的数据的最快方法。Impala 可以实现快速查询。

二、技术特性

• 基于内存进行计算（即计算过程中没有中间数据落盘），能够对 PB 级数据进行交互式实时查询、分析
• 无需转换为 MR，直接读取 HDFS 及 Kudu 数据 ，从而大大降低了延迟。
• Impala 没有 MapReduce批处理，而是通过使用与商用并行关系数据库中类似的分布式查询引擎（由 Query Planner、Query Coordinator 和Query Exec Engine 三部分组成）
• 前端 java、后端 C++ 编写，使用 LLVM 框架统一编译运行（区别于 GCC）
• 兼容 HiveSQL
• 支持 Hive 基本的一些查询等，Hive 中的一些复杂结构是不支持的
• 具有数据仓库的特性，可对 Hive 数据直接做数据分析

三、功能特性

• Impala支持内存中数据处理，它访问/分析存储在Hadoop数据节点上的数据，而无需数据移动。
• 使用类SQL查询访问数据。
• Impala为HDFS中的数据提供了更快的访问。
• 可以将数据存储在Impala存储系统中，如Apache HBase和Amazon s3。
• Impala支持各种文件格式，如LZO，序列文件，Avro，RCFile和Parquet。

四、Impala 工作原理

Impalad:
Impala 核心组件，运行在各个数据节点上面， 守护进程 Impala daemon，它负责接收从 impala-shell、Hue、JDBC、ODBC 等接口发送的查询语句，解析 SQL 语句并执行查询任务，任务完成返回结果给到客户端。Impalad 内部是由 Query Planner、Query Coordinator 和 Query Executor 三部分组成：。

State Store:
负责检查集群各个节点上 Impala daemon 的健康状态，同时不间断地将结果反馈给各个 Impala daemon。守护进程 ：statestored，整个集群只运行一个进程。

Catalogd：
负责元数据管理，可以从 Hive 元数据库中提取更新元数据给其他组件，也能将元数据变化通知给集群的各个节点，

五、日常运维指令

连接 Impala

impala-shell  -i data -s xxx -d rawdata -k

-d：指定数据库登录
-i：指定 impalad 登录，这个一般在 元数据节点连接 impala 的时候，要指定
-k：如果启用 kerberos，则需要指定
-s：指定 kerberos 登录的账号，如果不指定，默认账号是 “impala” ，如果混部 kerberos 场景下，客户给我们的 principal 是 sa_cluster，那就要指定 -s 为 sa_cluster
-q：直接执行 sql 语句，不用进入  impala-shell 环境
-o：查询结果输出到指定文件