Impala学习--Impala概述，Impala系统架构

Imapla概述

Impala是Cloudera公司的一个实时海量查询产品。是对于已有Hive产品的补充。Impala采用了和Hive相同的类SQL接口，但并没有采用MapRed框架执行任务，而是采用了类似Dremel的方式。号称秒级可以扫描PB数据。

其实Impala就是自己实现了一个执行引擎。这个引擎不像MapRed一样是一个通用框架，并且也没有任何failover和high availability的设计。但是优势在于执行速度足够快，秒级返回。其设计理念就是，执行速度足够快，快到如果失败了，重新执行一遍的代价也不大。

很显然，MapRed之所以流行就在于其可以很好的做到可扩展和容错。容错的价值在于，当一个大任务需要1小时以上的执行时间，如果在执行过程中发生故障，可以快速恢复，而不许要重新执行。所以这也是MPI任务为什么采用checkpoint的进行容错。都是为了减少机器故障给执行时间带来额开销。

Hive是在MapRed模型之上抽象出来的类似SQL的接口，简化了写MapRed程序的代价。同样由于依赖于MapRed系统，导致Hive任务执行时间很长，和MapRed一样，只适合执行批处理任务。

而面对实时查询的需求，旧的做法通常是先通过MapRed对数据进行加工，再导出到mysql等系统中。然而这种做法存在多个问题：

数据存在多个地方，如果管理不善，很容易带来数据不一致等各种问题
用户需要了解数据是否已存储在mysql中
mysql对存储数据量有限制

其实用户的实时查询请求经常会扫描大量数据，但计算都相对简单，例如只是count(*)，等等。为满足这种需求，Google提出了Dremel，而Cloudera参考了Dremel的设计思路，实现了Impala。

Impala存在以下特点：

面向实时查询，结果秒级返回
兼容hive的类sql语法，但暂时不支持udf和transform
可以和hive共享metastore
没有任何failover的设计
支持从hdfs和hbase读取数据
运行时环境用c++实现，并利用了llvm的技术，动态优化执行代码

最后说一下，Impala不会完全替代Hive，因为毕竟Hive的容错和稳定性是Impala比不了的。Impala只是Hive的一个补充，可以快速的响应一些简单的查询请求。

从业务角度上分析，如果Imapla能够做到在5秒，甚至更短的时间内返回结果，那将有机会替代现有的mysql或oracal数据库，成为决策系统的底层支撑查询引擎。例如目前Oracal的BI或类似的系统，底层使用的是传统关系数据库，对海量数据的查询性能非常差。如果替换成Impala，则能够访问的数据量将大的多，对BI系统在公司业务上的贡献将有质的飞跃。

预告一下，后续将继续发表一些和impala有关的文章，将会涉及到系统架构，如何安装调试，前端代码分析，后台代码分析，llvm优化等等。

Impala系统架构

上图中，黄色部分谓Imapla模块，蓝色部分为运行Impala依赖的其他模块。

从部署上看，Impala整体分为两部分：

StateStore
Impalad

其中StateStore是一个集群状态服务进程。在集群中只存在一个实例。Impalad是分布式的存在于集群中的worker进程。每一个Impalad又包含了以下部分：

StateStoreSubscriber:订阅StateStore状态
Scheduler:调度器
Analyzer:对提交的Query进行语法分析
Planner:生成执行计划
Coordinator:管理一个Query的执行，包括分发给其他Impalad执行
PlanFragmentExecutor:执行一个PlanFragment

同时，Impala依赖的外部系统包括：

HDFS/HBase:用于读取查询数据
HDFS NameNode:用于检查输入数据位置
Hive MetaStore:用于访问表的元数据

整体流程：

客户端向某一个Impalad提交一个query
Impalad通过jni，将query传送给java前端，由java前端完成语法分析和生成执行计划，并将执行计划封装成thrift格式返回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)
Coordinator根据执行计划，访问Scheduler，完成调度，并将任务分发给远端的Impalad执行
用户调用GetNext()方法获取计算结果，如果是insert语句，则将计算结果写回hdfs
当所有输入数据被消耗光，执行结束。
在执行过程中，如果有任何故障发生，则整个执行失败

这个流程与Hive相比，编译和生成执行计划阶段比较相似，但是执行阶段有很大不同：

执行计划
Hive依赖于MapRed执行框架，执行计划被严格划分成Map->Shuffle->Red->Map->Shuffle->Red…的模型。如果一个Qurey会被编译成多轮MapRed，则每一轮结束都会存在一个barrier。此外，如果Hive中有两个可以并行的子查询，且分组的key不相同，则需要两个独立的MapRed任务才能完成。这个问题在Impala中不存在。

Impala的执行计划是一刻完整的树（DAG），不受任何约束，这个执行计划和Dryad的DAG模型很相像。这个执行计划中，只有在必要的时候才会出现barrier，例如group，top等。其他的计算都是流式的。前面算子的计算结果，可以立即被后面算子消耗。

数据流
Hive的数据流采用推的方式，每一各计算节点计算完成后将数据主动下推给后续节点。

Impala采用拖的方式，后续节点主动向前面节点要数据。拖的方式的特点在于，数据可以流式的返回给客户端，只要有1条数据被处理完成，就可以立即展现出来。

外存使用
Hive执行过程中，如果内存放不下所有数据，则会利用外存，以保证query能顺利执行完。每一轮MapRed结束，中间结果也会写入hdfs中。由于Hadoop框架的限制，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，则直接返回错误，而不会利用外存。这使得Impala目前能处理的Query可能收到一定的限制。例如在做聚合操作，或join时，可能因为内存不够而失败。同时Impala在多个阶段之间利用网络传输数据。总的来说，Impala执行过程中，不会有任何写磁盘操作（除非用户制定insert命令）

调度
Hive任务的调度依赖于Hadoop的调度策略。

Impala的调度由自己完成，目前的调度算法会尽量满足数据的局部性，即扫描数据的进程应尽量靠近数据本身所在的物理机器。但目前调度暂时还没有考虑负载均衡的问题。从Cloudera的资料看，Impala程序的瓶颈是网络IO，目前Impala中已经存在对Impalad机器网络吞吐进行统计，但目前还没有利用统计结果进行调度。

容错
Hive任务依赖于Hadoop框架的容错能力，可以做到很好的failover。

Impala中不存在任何容错逻辑，如果执行过程中发生故障，则直接返回错误。当一个Impalad失败时，在这个Impalad上正在运行的所有query都将失败。但由于Impalad是对等的，用户可以向其他Impalad提交query，不影响服务。当StateStore失败时，也不会影响服务，但由于Impalad已经不能再更新集群状态，如果此时有其他Impalad失败，则无法及时发现。这样调度时，如果谓一个已经失效的Impalad调度了一个任务，则整个query无法执行。