Impala系统架构

• 负责协调客户端提交的查询的执行
• 包含Query Planner、Query Coordinator和Query Exec Engine三个模块。
• 与HDFS的数据节点（HDFS DN）运行在同一节点上。
• 给其他Impalad分配任务以及收集其他Impalad的执行结果进行汇总。
• Impalad也会执行其他Impalad给其分配的任务，主要就是对本地HDFS和HBase里的部分数据进行操作。

• 会创建一个statestored进程。
• 负责收集分布在集群中各个Impalad进程的资源信息，用于查询调度。

• 给用户提供查询使用的命令行工具。
• 还提供了Hue、JDBC及ODBC的使用接口。

说明：Impala中的元数据直接存储在Hive中。Impala采用与Hive相同的元数据、SQL语法、ODBC驱动程序和用户接口，从而使得在一个Hadoop平台上，可以统一部署Hive和Impala等分析工具，同时支持批处理和实时查询。

Impala查询执行过程

1. 第0步，当用户提交查询前，Impala先创建一个负责协调客户端提交的查询的Impalad进程，该进程会向Impala State Store提交注册订阅信息，State Store会创建一个statestored进程，statestored进程通过创建多个线程来处理Impalad的注册订阅信息。
2. 第1步，用户通过CLI客户端提交一个查询到impalad进程，Impalad的Query Planner对SQL语句进行解析，生成解析树；然后，Planner把这个查询的解析树变成若干PlanFragment，发送到Query Coordinator.
3. 第2步，Coordinator通过从MySQL元数据库中获取元数据，从HDFS的名称节点中获取数据地址，以得到存储这个查询相关数据的所有数据节点。
4. 第3步，Coordinator初始化相应impalad上的任务执行，即把查询任务分配给所有存储这个查询相关数据的数据节点。
5. 第4步，Query Executor通过流式交换中间输出，并由Query Coordinator汇聚来自各个impalad的结果。
6. 第5步，Coordinator把汇总后的结果返回给CLI客户端。

Impala与Hive的比较

1. 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。
2. Hive依赖于MapReduce计算框架，Impala把执行计划表现为一棵完整的执行计划树，直接分发执行计划到各个Impalad执行查询。
3. Hive在执行过程中，如果内存放不下所有数据，则会使用外存，以保证查询能顺序执行完成，而Impala在遇到内存放不下数据时，不会利用外存，所以Impala目前处理查询时会受到一定的限制。

1. Hive与Impala使用相同的存储数据池，都支持把数据存储于HDFS和HBase中。
2. Hive与Impala使用相同的元数据。
3. Hive与Impala中对SQL的解释处理比较相似，都是通过词法分析生成执行计划。

• Impala的目的不在于替换现有的MapReduce工具。
• 把Hive与Impala配合使用效果最佳。
• 可以先使用Hive进行数据转换处理，之后再使用Impala在Hive处理后的结果数据集上进行快速的数据分析。

一文讲解 Flink 中的时间、窗口和流 Join

2021-09-27

大数据环境下的数仓是如何管理元数据的

2021-09-25

四万字长文 | Spark性能优化实战手册（建议收藏）

2021-09-24

🧐分享、点赞、在看，给个3连击呗！👇