【Impala篇】---Hue从初始到安装应用
一、前述
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。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.一般公司选择使用CDH部署集群，可以考虑下Impala。
二、具体原理
优点：
1、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 2、无需转换为MR，直接读取HDFS数据 3、C++编写，LLVM统一编译运行 4、兼容HiveSQL 5、具有数据仓库的特性，可对hive数据直接做数据分析 6、支持Data Local 7、支持列式存储 8、支持JDBC/ODBC远程访问
缺点：
1、对内存依赖大 2、C++编写 开源？！ 3、完全依赖于hive 4、实践过程中 分区超过1w 性能严重下降 5、稳定性不如hive
6. 此外，Impala不支持HiveQL以下特性： 可扩展机制，例如：TRANSFORM、自定义文件格式、自定义SerDes XML、JSON函数 某些聚合函数： covar_pop, covar_samp, corr, percentile, percentile_approx, histogram_numeric, collect_set Impala仅支持：AVG,COUNT,MAX,MIN,SUM 多Distinct查询 UDF、UDAF 以下语句： ANALYZE TABLE (Impala：COMPUTE STATS)、DESCRIBE COLUMN、DESCRIBE DATABASE、EXPORT TABLE、IMPORT TABLE、SHOW TABLE EXTENDED、SHOW INDEXES、SHOW COLUMNS、
架构：
解释：
真正计算进程：
整条sql的分发。中心功能。将任务分发给对应的executor计算。汇总结果返回给客户端:
解析器,解析执行计划:
executor 关联子查询，没有子查询就没有关联了:
Statestore Daemon（负责健康集群） 实例*1 - statestored 负责收集分布在集群中各个impalad进程的资源信息、各节点健康状况，同步节点信息. 负责query的调度 Catalog Daemon（分发元数据信息） 实例*1 - catalogd 分发表的元数据信息到各个impalad中 接收来自statestore的所有请求 Impala Daemon（真正处理节点） 实例*N – impalad 接收client、hue、jdbc或者odbc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
Impala Shell（控制台外部执行时命令） -h（--help）帮助 -v（--version）查询版本信息 -V（--verbose）启用详细输出 --quiet 关闭详细输出 -p 显示执行计划 -ihostname（--impalad=hostname） 指定连接主机 格式hostname：port 默认端口21000 -r（--refresh_after_connect）刷新所有元数据 -qquery（--query=query）从命令行执行查询，不进入impala-shell
-ddefault_db（--database=default_db）指定数据库 -B（--delimited）去格式化输出 --output_delimiter=character 指定分隔符 --print_header 打印列名 -f query_file（--query_file=query_file）执行查询文件，以分号分隔 -o filename（--output_filefilename）结果输出到指定文件 -c 查询执行失败时继续执行（一般项目升级的时候，二期可以执行一期的业务看下具体哪些业务语句失败了） -k（--kerberos） 使用kerberos安全加密方式运行impala-shell -l 启用LDAP认证 -u 启用LDAP时，指定用户名
Impala Shell（控制台内部执行时命令）
help connect <hostname:port> 连接主机，默认端口21000 refresh <tablename> 增量刷新元数据库 invalidate metadata 全量刷新元数据库 explain <sql> 显示查询执行计划、步骤信息（不执行sql） set explain_level 设置显示级别（0,1,2,3） shell <shell> 不退出impala-shell执行Linux命令 profile （查询完成后执行） 查询最近一次查询的底层信息
实例：
去格式化：
指定规则。
可以用于以后的结果的使用！！！！
备注：
1.在hive中创建表不会同步到impala
2.StateStore 健康检查和Daemon 计算节点一般不会再一个节点上.
3.StateStore 健康检查和元数据同步catalog在一个节点上。
4.Hive中创建的表 impala中执行全量更新，其他条件下最好不用。
Impala HBase整合（实际上hive与hbase整合即可，共用同一套元数据）
Impala可以通过Hive外部表方式和HBase进行整合，步骤如下： 步骤1：创建hbase 表，向表中添加数据 create 'test_info', 'info' put 'test_info','1','info:name','zhangsan' put 'test_info','2','info:name','lisi' 步骤2：创建hive表 CREATE EXTERNAL TABLE test_info(key string,name string ) ROW FORMAT SERDE 'org.apache.hadoop.hive.hbase.HBaseSerDe' STORED by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler' WITH SERDEPROPERTIES ("hbase.columns.mapping"=":key,info:name") TBLPROPERTIES ("hbase.table.name" = "test_info"); 步骤3：刷新Impala表 invalidate metadata
Impala 存储&&分区
Impala 存储&&分区
Impala 性能优化
1.执行计划 查询sql执行之前，先对该sql做一个分析，列出需要完成这一项查询的详细方案 命令：explain sql、profile。
2.要点：
1、SQL优化，使用之前调用执行计划 2、选择合适的文件格式进行存储 3、避免产生很多小文件（如果有其他程序产生的小文件，可以使用中间表） 4、使用合适的分区技术，根据分区粒度测算 5、使用compute stats进行表信息搜集 6、网络io的优化： a.避免把整个数据发送到客户端 b.尽可能的做条件过滤 c.使用limit字句 d.输出文件时，避免使用美化输出 7、使用profile输出底层信息计划，在做相应环境优化
备注：
中间表 可以解决insert语句造成的小表问题 。建立一个同样的表结构的表，insert select查出来相当于放入一个表里面，即小文件规模减小。
可以解决 格式不支持问题。利用中间表转一下，将结果放到中间表，写入本来的表。
优质内容筛选与推荐>>1、最大子段和问题
2、第三周作业
3、openpose关节图
4、5G，仅仅是更快的网速吗？
5、我们要努力呀，再不努力就长老了。