執(zhí)行行計(jì)劃樹如圖 4所示， 綠色的部分為可以分布式并行執(zhí)行：

圖 4

4. Impala相對(duì)于Hive所使用的優(yōu)化技術(shù)

1、沒有使用MapReduce進(jìn)行并行計(jì)算，雖然MapReduce是非常好的并行計(jì)算框架，但它更多的面向批處理模式，而不是面向交互式的SQL執(zhí)行。與MapReduce相比：Impala把整個(gè)查詢分成一執(zhí)行計(jì)劃樹，而不是一連串的MapReduce任務(wù)，在分發(fā)執(zhí)行計(jì)劃后，Impala使用拉式獲取數(shù)據(jù)的方式獲取結(jié)果，把結(jié)果數(shù)據(jù)組成按執(zhí)行樹流式傳遞匯集，減少的了把中間結(jié)果寫入磁盤的步驟，再?gòu)拇疟P讀取數(shù)據(jù)的開銷。Impala使用服務(wù)的方式避免每次執(zhí)行查詢都需要啟動(dòng)的開銷，即相比Hive沒了MapReduce啟動(dòng)時(shí)間。

2、使用LLVM產(chǎn)生運(yùn)行代碼，針對(duì)特定查詢生成特定代碼，同時(shí)使用Inline的方式減少函數(shù)調(diào)用的開銷，加快執(zhí)行效率。

3、充分利用可用的硬件指令（SSE4.2）。

4、更好的IO調(diào)度，Impala知道數(shù)據(jù)塊所在的磁盤位置能夠更好的利用多磁盤的優(yōu)勢(shì)，同時(shí)Impala支持直接數(shù)據(jù)塊讀取和本地代碼計(jì)算checksum。

5、通過(guò)選擇合適的數(shù)據(jù)存儲(chǔ)格式可以得到最好的性能（Impala支持多種存儲(chǔ)格式）。

6、最大使用內(nèi)存，中間結(jié)果不寫磁盤，及時(shí)通過(guò)網(wǎng)絡(luò)以stream的方式傳遞。

5. Impala與Hive的異同

數(shù)據(jù)存儲(chǔ)：使用相同的存儲(chǔ)數(shù)據(jù)池都支持把數(shù)據(jù)存儲(chǔ)于HDFS, HBase。

元數(shù)據(jù)：兩者使用相同的元數(shù)據(jù)。

SQL解釋處理：比較相似都是通過(guò)詞法分析生成執(zhí)行計(jì)劃。

執(zhí)行計(jì)劃：
Hive: 依賴于MapReduce執(zhí)行框架，執(zhí)行計(jì)劃分成map->shuffle->reduce->map->shuffle->reduce…的模型。如果一個(gè)Query會(huì)被編譯成多輪MapReduce，則會(huì)有更多的寫中間結(jié)果。由于MapReduce執(zhí)行框架本身的特點(diǎn)，過(guò)多的中間過(guò)程會(huì)增加整個(gè)Query的執(zhí)行時(shí)間。
Impala: 把執(zhí)行計(jì)劃表現(xiàn)為一棵完整的執(zhí)行計(jì)劃樹，可以更自然地分發(fā)執(zhí)行計(jì)劃到各個(gè)Impalad執(zhí)行查詢，而不用像Hive那樣把它組合成管道型的map->reduce模式，以此保證Impala有更好的并發(fā)性和避免不必要的中間sort與shuffle。

數(shù)據(jù)流：
Hive: 采用推的方式，每一個(gè)計(jì)算節(jié)點(diǎn)計(jì)算完成后將數(shù)據(jù)主動(dòng)推給后續(xù)節(jié)點(diǎn)。
Impala: 采用拉的方式，后續(xù)節(jié)點(diǎn)通過(guò)getNext主動(dòng)向前面節(jié)點(diǎn)要數(shù)據(jù)，以此方式數(shù)據(jù)可以流式的返回給客戶端，且只要有1條數(shù)據(jù)被處理完，就可以立即展現(xiàn)出來(lái)，而不用等到全部處理完成，更符合SQL交互式查詢使用。

內(nèi)存使用：
Hive: 在執(zhí)行過(guò)程中如果內(nèi)存放不下所有數(shù)據(jù)，則會(huì)使用外存，以保證Query能順序執(zhí)行完。每一輪MapReduce結(jié)束，中間結(jié)果也會(huì)寫入HDFS中，同樣由于MapReduce執(zhí)行架構(gòu)的特性，shuffle過(guò)程也會(huì)有寫本地磁盤的操作。
Impala: 在遇到內(nèi)存放不下數(shù)據(jù)時(shí)，當(dāng)前版本1.0.1是直接返回錯(cuò)誤，而不會(huì)利用外存，以后版本應(yīng)該會(huì)進(jìn)行改進(jìn)。這使用得Impala目前處理Query會(huì)受到一定的限制，最好還是與Hive配合使用。Impala在多個(gè)階段之間利用網(wǎng)絡(luò)傳輸數(shù)據(jù)，在執(zhí)行過(guò)程不會(huì)有寫磁盤的操作（insert除外）。

調(diào)度：
Hive: 任務(wù)調(diào)度依賴于Hadoop的調(diào)度策略。
Impala: 調(diào)度由自己完成，目前只有一種調(diào)度器simple-schedule，它會(huì)盡量滿足數(shù)據(jù)的局部性，掃描數(shù)據(jù)的進(jìn)程盡量靠近數(shù)據(jù)本身所在的物理機(jī)器。調(diào)度器目前還比較簡(jiǎn)單，在SimpleScheduler::GetBackend中可以看到，現(xiàn)在還沒有考慮負(fù)載，網(wǎng)絡(luò)IO狀況等因素進(jìn)行調(diào)度。但目前Impala已經(jīng)有對(duì)執(zhí)行過(guò)程的性能統(tǒng)計(jì)分析，應(yīng)該以后版本會(huì)利用這些統(tǒng)計(jì)信息進(jìn)行調(diào)度吧。

容錯(cuò)：
Hive: 依賴于Hadoop的容錯(cuò)能力。
Impala: 在查詢過(guò)程中，沒有容錯(cuò)邏輯，如果在執(zhí)行過(guò)程中發(fā)生故障，則直接返回錯(cuò)誤（這與Impala的設(shè)計(jì)有關(guān)，因?yàn)镮mpala定位于實(shí)時(shí)查詢，一次查詢失敗，再查一次就好了，再查一次的成本很低）。但從整體來(lái)看，Impala是能很好的容錯(cuò)，所有的Impalad是對(duì)等的結(jié)構(gòu)，用戶可以向任何一個(gè)Impalad提交查詢，如果一個(gè)Impalad失效，其上正在運(yùn)行的所有Query都將失敗，但用戶可以重新提交查詢由其它Impalad代替執(zhí)行，不會(huì)影響服務(wù)。對(duì)于State Store目前只有一個(gè)，但當(dāng)State Store失效，也不會(huì)影響服務(wù)，每個(gè)Impalad都緩存了State Store的信息，只是不能再更新集群狀態(tài)，有可能會(huì)把執(zhí)行任務(wù)分配給已經(jīng)失效的Impalad執(zhí)行，導(dǎo)致本次Query失敗。

適用面：
Hive: 復(fù)雜的批處理查詢?nèi)蝿?wù)，數(shù)據(jù)轉(zhuǎn)換任務(wù)。
Impala：實(shí)時(shí)數(shù)據(jù)分析，因?yàn)椴恢С諹DF，能處理的問(wèn)題域有一定的限制，與Hive配合使用,對(duì)Hive的結(jié)果數(shù)據(jù)集進(jìn)行實(shí)時(shí)分析。

6. Impala的優(yōu)缺點(diǎn)

優(yōu)點(diǎn)：

1. 支持SQL查詢，快速查詢大數(shù)據(jù)。
2. 可以對(duì)已有數(shù)據(jù)進(jìn)行查詢，減少數(shù)據(jù)的加載，轉(zhuǎn)換。
3. 多種存儲(chǔ)格式可以選擇（Parquet, Text, Avro, RCFile, SequeenceFile）。
4. 可以與Hive配合使用。

缺點(diǎn)：

1. 不支持用戶定義函數(shù)UDF。
2. 不支持text域的全文搜索。
3. 不支持Transforms。
4. 不支持查詢期的容錯(cuò)。
5. 對(duì)內(nèi)存要求高。

原文地址：Impala與Hive的比較, 感謝原作者分享。

聲明：本網(wǎng)頁(yè)內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問(wèn)題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com