impala数据库查询表索引 impala查询所有表以及模式名

impala 查询计划树

impala介绍

MPP什么意思：即大规模并行处理

impala 是一种新型的MPP查询引擎，每一个impala执行的sql，可能同时在多个工作节点上进行运算，每一个节点执行查询任务的一部分，然后通过网络通信传递给下一个子任务，中间数据尽可能不落地。

impala可以处理的数据：HBASE，HDFS，KUDU

impala架构

这个架构图说明了impala的架构，也说明了impala的sql查询的执行流程。

对于图中的名词解释：

odbc：开放的数据库连接

Statestore：impala的消息同步节点

Catalog：impala中的元数据服务节点

impalad：impala系统中任务的执行节点

Query Planner：查询计划树（sql执行计划生成器）

Coordinator： impalad 节点中协调者模块，对外提供查询接口，包括beeswax接口 和 hiveserver2接口

---

impala 查询的执行流程

可以看到带序号的小箭头，流程如下：

1. 向impalad 发送sql 语句： 客户端通过beeswax 或者 hiveserver2接口 发送一个sql查询请求到impalad 节点，
   （ 名词解释：
   FE ：impala 代码上划分的使用C++ 实现的 backend部分；
   backend ：impalad 节点中的任务执行模块，提供任务执行的接口；
   ）
2. 生成单机和分布式的执行计划: 之后由FE 模块处理，通过Analyser依次对这个sql执行词法分析、语法分析、语义分析、查询重写等操作。生成该sql 的statement 信息，根据这个信息，Planner生成单机的执行计划， 这个计划是由planNode组成的一棵树，也有一些sql优化。
   将Planner的 单机执行计划 转换成 分布式的并行的物理执行计划（由多个Fragment组成），Fragment 之间有数据的依赖，新的计划也会加入一些ExchangeNode 和 DataStreamSink 信息等。
   （ 名词解释：
   Analyser：impalad 提供的一中sql 解析器；
   Fragment ： sql生成的分布式执行计划的一个子任务（它包括执行计划的一个子树）；
   ExchangeNode：一种特殊的PlanNode，主要是处理前一个Fragment传递过来的数据；
   DataStreamSink：这个不是PlanNode，他的作用是传输当前的Fragment输出数据到不同的节点。
   ）
3. 执行这个分布式计划：由BE处理生成的分布式物理执行计划，将Fragment 根据数据的分区信息发配到不同的Impala节点上执行，每个Impala节点接受到Fragment后交由 backend 模块处理Fragment的执行。
   （名词解释：
   BE：impalad 上使用 Java实现的 frontend 部分。
   ）
4. Fragment之间的数据依赖：每一个Fragment 的执行输出通过DataStreamSink 发送到下一个Fragment，由下一个Fragment的ExchangeNode接受，Fragment 运行的过程中不断的向coordinator 节点汇报当前的运行状态。
5. 结果汇总：用于查询的sql 通常会有一个单独的Fragment用于结果的汇总，这个Fragment只会在coordinator中运行，将多个backend的最终执行结果汇总，然后转换成 ResultSet信息。
6. 读取查询的结果：客户端调用 获取 ResultSet的接口，读取查询的结果，最后客户端调用CloseOperation 关闭本次查询，本质本次查询的结束。

impala 查询数据为什么比hive快：

impala之所以会比hive来说快，根本的原因是：

1. 中间结果不落地；
2. sql语句解析出来的任务尽可能的并行化执行，也避免了sorting 和 shuffle ；
3. impala为每个查询 产生了汇编级别的代码，其他的代码框架会增加额外的延迟；
4. 还有一点，Impala 是一个长期运行的进程，不会有MapReduce 和 Spark 的启动任务的时间，所以相比Hive ，Impala的sql 查询时间会更快。