Impala 介绍及部署优化

Posted 2021-04-24 fanrui

通过本文，你能get 到以下知识：

• Impala 架构及各角色的功能

• Impala 查询执行流程

• Impala 该如何合理地部署

一、 Impala 介绍

Impala 是 Cloudera 公司推出，可以使用 SQL 对 HDFS、HBase 数据进行高性能、低延迟交互式查询。Impala 是分布式的大规模并行计算（MPP）数据库计算引擎。Impala 与 Apache Hive 使用相同的元数据、SQL语法（Hive SQL）、ODBC驱动程序和用户界面（Hue），为批处理或实时查询提供了一个熟悉且统一的平台，Hive用户可以低成本地开销使用 Impala。

Impala 架构

Impala 角色图如下所示：

Impala 中包含三种角色，分别是 Impala Daemon、Statestore 和 Catalog Service。Impala集群包含一个 Catalog Server (Catalogd)、一个 Statestore Server (Statestored) 和若干个 Impala Daemon (Impalad)。下面介绍三个角色的功能：

• Catalogd 主要负责元数据的获取和 DDL 的执行

• Statestored 主要负责消息/元数据的广播

• Impalad 主要负责查询的接收和执行

更加详细的功能请参考官网 Components of the Impala Server[1]。

Impalad 内部包含多个组件，如下图所示：

Impalad 中包含 Query Planner、Coordinator 和 Executor。

• Query Planner 进行 sql 解析，规划执行计划

• Query Coordinator 管理元数据缓存，负责查询的调度、将任务分配给 Executor

• Query Executor 负责数据的读取和计算（即：真正干活的角色）

二、Impala 查询执行流程

如上图所示是 Impala 的查询执行流程。

1. 客户端发送 SQL 查询请求到任其中一台 Impalad 的Query Planner

2. 由 Query Planner 解析 SQL，规划执行计划，将任务发给 Query Coordinator

3. 由 Query Coordinator 来调度分配任务到相应的 Impalad 节点

4. 各 Impalad 节点的 Query Executor 进行执行 SQL工作

5. 各 Impalad 节点执行SQL结束以后，将结果返回给 Query Coordinator，Coordinator进行结果汇总

6. Query Coordinator 将结果返回给Client

三、 合理的部署 Impala 各角色

如下图所示，是 Impala 官网的架构图。

提出几点部署的优化：

Impalad 与 DataNode 混合部署

Impala 常用于统计 HDFS 上的数据，因此强烈建议将 Impalad 和 DataNode 部署到同一台机器。这样可以保证 Impala 任务运行时可以直接从服务器本地读取数据，减少数据的网络传输。

如果 Impalad 与 DataNode 分开部署，那么每次进行统计时，都需要先将数据从 DataNode 拉取到 Impalad，再由 Impalad 的 Executor 进行计算，大数据计算中网络 IO 很容易成为瓶颈。

具体的操作比较简单，这里不赘述。

Impalad 的 Coordinator 与 Executor 独立部署

Impalad 支持的部署模式

Impala 2.9 及以上版本，Impalad 可配置为 Coordinator only、 Executor only 或 Coordinator and Executor（默认）三种模式。默认情况下，每个 Impalad 都包含了 Coordinator 和 Executor。

• 如果 Impalad 配置为 Coordinator only，说明该 Impalad 仅用于协调，不用于真正的计算

• 如果 Impalad 配置为 Executor only，说明该 Impalad 仅用于计算，不用于协调

• 如果 Impalad 配置为 Coordinator and Executor，说明该 Impalad 既用于计算，也用于协调

Coordinator 缓存元数据的问题

Impala 的元数据缓存在catalogd和各个 Coordinator 角色的Impalad中。Catalogd 中的缓存是最新的，各个Coordinator都缓存的是Catalogd内元数据的一个复本。元数据由Catalogd向外部系统获取，并通过 Statestored 传播给各个 Coordinator。

如果集群中所有的 Impalad 都包含 Coordinator 角色，那么每个 Impalad 节点都需要缓存一份元数据，则每个 Coordinator 节点都需要消耗一定的内存空间。Impala 通过 Statestored 将元数据传播给各个 Coordinator，同步元数据就会消耗特别大的网络带宽，Statestored 的网络 IO 可能成为瓶颈。

笔者运维的 Impala 集群包含 200 个 Impalad 节点，且 Impala 中维护的数据表比较多，Impalad 配置为 Coordinator and Executor 模式，发现 Statestored 的网络 IO 能达到 1GB/s 左右，真是太恐怖了。

由于集群中表比较大，元数据比较多，每个 Coordinator 需要占用 20G 左右的内存资源，而且属于 7*24 小时常驻内存。200 个 Impalad 节点，因此 Coordinator 占用了 4T 的内存资源（太可怕了，如果一台服务器100G，相当于 40 台服务器被浪费了）。

集群中应该提供更多的资源给 Executor 去干活，应该部署少量的 Coordinator，少量的 Coordinator 即可满足集群的工作负载。并不需要每个 Impalad 都部署 Coordinator，强烈建议生产环境 Coordinator 与 Executor 独立部署，即：选择一些节点单独部署 Executor，再选择一些节点单独部署 Coordinator。

问题来了，到底分别部署多少个 Executor 和 Coordinator 呢？Impala 官方建议每 50 个 Executor 对应一个 Coordinator。当然这只是一个经验值，具体可以参考角色负载情况进行调整。详细信息请参考 Impala 官网 How to Configure Impala with Dedicated Coordinators[2]，该链接详细讲述了为什么要配置专属的 Coordinator，即为什么要独立部署？且讲述了该如何来控制 Executor 和 Coordinator 的比例。

如何配置 Impalad 的模式(实操)

在 Impalad 启动时，指定 is_executor=false 或 is_coordinator=false。Impalad 默认配置为 Coordinator and Executor 模式。

• 如果想部署独立的 Coordinator Impalad，只需要设置 is_executor=false 关闭 Executor 即可。

• 如果想部署独立的 Executor Impalad，只需要设置 is_coordinator=false 关闭 Coordinator 即可。

如果使用 Cloudera Manager 部署 Impala，如下图所示强烈建议将 Impalad 节点进行分组，分成 3 组：

• 默认组表示独立部署 Executor

• coordinator 组表示独立部署 Coordinator

• coordinator-and-executor 组表示混合部署 Coordinator 和 Executor

如下图所示，在 Impala 配置页面按照角色组进行配置，默认组关闭 Coordinator，coordinator 组关闭 Executor 即可。

引用：

[1] Impala 官网 -- Components of the Impala Server http://impala.apache.org/docs/build/html/topics/impala_components.html

[2] Impala 官网 -- How to Configure Impala with Dedicated Coordinators https://impala.apache.org/docs/build/html/topics/impala_dedicated_coordinator.html

[3]