Impala概述及其安装部署

最新推荐文章于 2024-08-07 09:43:18 发布
最新推荐文章于 2024-08-07 09:43:18 发布
阅读量1.1k 收藏 2
点赞数 2
文章标签： impala 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zh2475855601/article/details/110919038
版权

文章目录

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
    在这里插入图片描述

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。

  1. 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。

  2. 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。

  3. 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

在这里插入图片描述

  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。

在这里插入图片描述
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。
    在这里插入图片描述
  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
  1. 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：
    在这里插入图片描述

  • 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
    在这里插入图片描述
  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
  1. 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
  1. 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。
  1. 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

  1. 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。

  2. 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
  1. 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
  1. 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。
    在这里插入图片描述
    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
  1. 从节点启动node02与node03impala-server
service  impala-server  start
  1. 查看impala进程是否存在
ps -ef | grep impala

在这里插入图片描述
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：
    在这里插入图片描述

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/
大数据老人家i
关注
Impala原理与代码实例讲解
程序员光剑
07-02 309
Impala原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：Impala, 数据仓库查询优化, 并行计算, 分布式存储系统, SQL查询处理 1. 背景介绍
Impala-cdh集群安装部署
09-18
由于Impala的版本是CDH的，所以安装Impala的涉及到的Hive、Hadoop、Spark、Hbase等环境也要统一使用CDH版本。 本文档部署impala时所用到的Hive、Hadoop等环境的安装方式是使用tar包方式安装的（cdh版本的tar包安装与Apache的tar包安装方式相同）。cdh版本的tar包下载地址：http://archive-primary.cloudera.com/cdh5/cdh/5/
Apache Impala : Impala安装部署
12-10 6703
Impala安装部署 安装前提： 集群提前安装好hadoop，hive。 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。 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。 下载安装包、依赖包 由于impala没有提供tar包进行安装，只提供了rpm包。因此在安装impala的时候，需要使用rpm...
Apache Impala 安装与使用教程
最新发布
gitblog_00747的博客
08-07 445
Apache Impala 安装与使用教程 impalaApache Impala项目地址:https://gitcode.com/gh_mirrors/impala3/impala 本文将指导您了解Apache Impala的目录结构、启动文件以及配置文件，助您顺利进行安装和使用。 1. 项目目录结构及介绍 在克隆或下载Apache Impala的源代码后，您会看到以下主要目录结构： Impa...
impala的安装部署
Hxm6440的博客
12-11 344
文章目录安装impala的之前集群提前安装好 hadoop，hive。每个节点需要先安装 nc安装impala的节点至少需要12G的剩余空间软件包的上传解压上传安装包解压安装包制作网络资源库（node03是主节点）安装impala修改hive配置文件修改hadoop配置文件复制hadoop、hive的配置文件到impala配置文件修改impala的配置文件修改bigtop配置(三个节点都要执行)重...
Impala安装部署
依旧的博客
12-10 3897
一、​​​​​安装前提 集群提前安装好hadoop，hive。 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。 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。 二、下载安装包、依赖包 由于impala没有提供tar包进行安装，只提供了rpm包。因此在安装impala的时候，需要使用rp...
Impala的安装部署及使用，shell介绍，Impala sql语法
写的不好之处,请指教
12-10 6190
一、Impala概述 1.Impala基本介绍 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D...
cloudera impala安装使用中文版
03-20
在实际部署 Cloudera Impala 之前，需要确保环境满足以下条件： - **操作系统**: 支持的操作系统包括但不限于 Red Hat Enterprise Linux 7.x 或更高版本。 - **Hadoop 版本**: 需要与 CDH 版本兼容的 Hadoop 配置。...
源码编译安装
04-23
例如，在安装 MariaDB 5.5 及其更高版本时，由于采用了 CMake 构建工具，因此必须先安装 CMake 和其他依赖项。 **步骤如下：** 1. **安装编译工具和基础库文件：** ```bash [root@localhost ~]# yum ...
Docker 化部署 Apache Spark
程序员光剑
08-06 899
15年7月，Apache基金会宣布开源了Spark项目，这标志着基于内存计算的大数据处理技术进入了一个全新的阶段。由于Spark的分布式架构特性，使其具有极高的可扩展性和容错性。因此，越来越多的公司、组织和个人开始使用Spark作为分析平台进行大数据的分析处理。同时，Spark也已经成为开源领域里非常流行的一个项目。在生产环境中，部署Spark的方式通常采用集群部署模式，即将集群中的各个节点配置成一个整体，形成统一的计算资源池。这种方式的优点是简单、灵活，能够适应各种业务场景；
impala的安装
04-28
Impala的最大特点也是最大卖点就是它的快速，它是基于Hive的大数据实时分析查询引擎，这里详细介绍了如何安装。
Cloudera Impalad分布式群集部署（yum本地源+代码实例）
12-05
Cloudera Impalad分布式群集部署（yum本地源+代码实例）
Impala 安装配置
baidu_38284985的博客
07-02 708
https://blog.csdn.net/wankunde/article/details/78624685
impala 安装部署
热门推荐
大数据记录
12-10 1万+
1.下载jar包（官方） http://archive.cloudera.com/cdh5/repo-as-tarball/5.14.0/cdh5.14.0-centos6.tar.gz 2.上传解压 注意：由于jar的大小比较大若没有硬盘大小,那么大建议添加一块新的大小要大于12G tar -zxvf cdh5.14.0-centos6.tar.gz -C . 3.安装n...
七十二、Impala的简介与安装部署
象在舞的技术专栏
05-14 2321
咱们前面几篇文章穿插了些CDH的内容，因为咱们的Impala的安装是基于CDH的，所以提前将如何部署安装CDH讲解了一下。本文我们来看一下Impala的相关知识。关注专栏《破茧成蝶——大数据篇》，查看更多相关的内容~ 一、Impala概述 1.1Impala是什么 Impala是由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。它基于Hive，使用内存计算，兼顾数据仓库、具有实时、批处理、多并发等优点，是CDH平台首选的PB级大数据实时查询分析引擎。 .
Impala2.7.0-cdh5.x.x安装部署
weixin_34163553的博客
10-29 329
部署impala impala安装选择rpm包方式进行，这是本次部署唯一一个主要主件采用rpm方式进行安装部署，这里主要原因是cloudera没有提供现成的tar包文件，而源码编译过程会出现各种未知原因，为了方便采用以下方式进行部署。 安装介质如下： $ ls bigtop-utils-0.7.0+cdh5.10.0+0-1.cdh5.10.0.p0.71.el7.noarch.rpm impal...
B02 - 034、了解Impala的部署环境
吾心持剑，剑锋披靡
06-28 229
初学耗时：0.5h 注：CSDN手机端暂不支持章节内链跳转，但外链可用，更好体验还请上电脑端。 一、   1.1    1.2  记忆词：     B02 - 999、部署大数据环境及部分编译  ギ 舒适区ゾ || ♂ 累觉无爱 ♀ 一、   1.1 ~    1.2 ~      1.2.1 .       1.2.2 .  ...
大数据之Impala安装使用
大数据同盟会的博客
12-04 7686
Kylin和Impala区别： 既然在线分析已经使用了kylin，为啥还用impala呢？ 因为kylin不够灵活，只能分析简单的星型/雪花模型，impala可以通过窗口函数，进行复杂的行为数据分析； 反之，当数据量大的时候，impala比较慢，所以只用kylin进行预计算。 一、 ...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

大数据老人家i

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值