最近讀的幾篇關於impala的文章，這篇良心不錯：https://www.biaodianfu.com/impala.html（本文擷取部分內容）

        Impala是Cloudera公司主導開發的新型查詢系統，它提供SQL語義，能查詢儲存在Hadoop的HDFS和HBase中的PB級大資料。已有的Hive系統雖然也提供了SQL語義，但由於Hive底層執行使用的是MapReduce引擎，仍然是一個批處理過程，難以滿足查詢的互動性。相比之下，Impala的最大特點也是最大賣點就是它的快速。    

Impala相對於Hive所使用的優化技術

• 沒有使用MapReduce進行平行計算，雖然MapReduce是非常好的平行計算框架，但它更多的面向批處理模式，而不是面向互動式的SQL執行。與MapReduce相比：Impala把整個查詢分成一執行計劃樹，而不是一連串的MapReduce任務，在分發執行計劃後，Impala使用拉式獲取資料的方式獲取結果，把結果資料組成按執行樹流式傳遞彙集，減少了把中間結果寫入磁碟的步驟，再從磁碟讀取資料的開銷。Impala使用服務的方式避免每次執行查詢都需要啟動的開銷，即相比Hive沒了MapReduce啟動時間。
• 使用LLVM產生執行程式碼，針對特定查詢生成特定程式碼，同時使用Inline的方式減少函式呼叫的開銷，加快執行效率。
• 充分利用可用的硬體指令（2）。
• 更好的IO排程，Impala知道資料塊所在的磁碟位置能夠更好的利用多磁碟的優勢，同時Impala支援直接資料塊讀取和原生代碼計算checksum。
• 通過選擇合適的資料儲存格式可以得到最好的效能（Impala支援多種儲存格式）。
• 最大使用記憶體，中間結果不寫磁碟，及時通過網路以stream的方式傳遞。

Impala與Hive的異同

相同點：

• 資料儲存：使用相同的儲存資料池都支援把資料儲存於HDFS, HBase。
• 元資料：兩者使用相同的元資料。
• SQL解釋處理：比較相似都是通過詞法分析生成執行計劃。

不同點：

執行計劃：

• Hive: 依賴於MapReduce執行框架，執行計劃分成map->shuffle->reduce->map->shuffle->reduce…的模型。如果一個Query會被編譯成多輪MapReduce，則會有更多的寫中間結果。由於MapReduce執行框架本身的特點，過多的中間過程會增加整個Query的執行時間。
• Impala: 把執行計劃表現為一棵完整的執行計劃樹，可以更自然地分發執行計劃到各個Impalad執行查詢，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有更好的併發性和避免不必要的中間sort與shuffle。

資料流：

• Hive: 採用推的方式，每一個計算節點計算完成後將資料主動推給後續節點。
• Impala: 採用拉的方式，後續節點通過getNext主動向前面節點要資料，以此方式資料可以流式的返回給客戶端，且只要有1條資料被處理完，就可以立即展現出來，而不用等到全部處理完成，更符合SQL互動式查詢使用。

記憶體使用：

• Hive: 在執行過程中如果記憶體放不下所有資料，則會使用外存，以保證Query能順序執行完。每一輪MapReduce結束，中間結果也會寫入HDFS中，同樣由於MapReduce執行架構的特性，shuffle過程也會有寫本地磁碟的操作。
• Impala: 在遇到記憶體放不下資料時，當前版本0.1是直接返回錯誤，而不會利用外存，以後版本應該會進行改進。這使用得Impala目前處理Query會受到一定的限制，最好還是與Hive配合使用。Impala在多個階段之間利用網路傳輸資料，在執行過程不會有寫磁碟的操作（insert除外）。

排程：

• Hive: 任務排程依賴於Hadoop的排程策略。
• Impala: 排程由自己完成，目前只有一種排程器simple-schedule，它會盡量滿足資料的區域性性，掃描資料的程序儘量靠近資料本身所在的物理機器。排程器目前還比較簡單，在SimpleScheduler::GetBackend中可以看到，現在還沒有考慮負載，網路IO狀況等因素進行排程。但目前Impala已經有對執行過程的效能統計分析，應該以後版本會利用這些統計資訊進行排程吧。

容錯：

• Hive: 依賴於Hadoop的容錯能力。
• Impala: 在查詢過程中，沒有容錯邏輯，如果在執行過程中發生故障，則直接返回錯誤（這與Impala的設計有關，因為Impala定位於實時查詢，一次查詢失敗，再查一次就好了，再查一次的成本很低）。但從整體來看，Impala是能很好的容錯，所有的Impalad是對等的結構，使用者可以向任何一個Impalad提交查詢，如果一個Impalad失效，其上正在執行的所有Query都將失敗，但使用者可以重新提交查詢由其它Impalad代替執行，不會影響服務。對於State Store目前只有一個，但當State Store失效，也不會影響服務，每個Impalad都快取了State Store的資訊，只是不能再更新叢集狀態，有可能會把執行任務分配給已經失效的Impalad執行，導致本次Query失敗。

適用面：

• Hive: 複雜的批處理查詢任務，資料轉換任務。
• Impala：實時資料分析，因為不支援UDF，能處理的問題域有一定的限制，與Hive配合使用,對Hive的結果資料集進行實時分析。

Impala的優缺點

優點：

• 支援SQL查詢，快速查詢大資料。
• 可以對已有資料進行查詢，減少資料的載入，轉換。
• 多種儲存格式可以選擇（Parquet, Text, Avro, RCFile, SequeenceFile）。
• 可以與Hive配合使用。

缺點：

• 不支援使用者定義函式UDF。
• 不支援text域的全文搜尋。
• 不支援Transforms。
• 不支援查詢期的容錯。
• 對記憶體要求高。

在Cloudera的測試中，Impala的查詢效率比Hive有數量級的提升。從技術角度上來看，Impala之所以能有好的效能，主要有以下幾方面的原因。

• Impala不需要把中間結果寫入磁碟，省掉了大量的I/O開銷。
• 省掉了MapReduce作業啟動的開銷。MapReduce啟動task的速度很慢（預設每個心跳間隔是3秒鐘），Impala直接通過相應的服務程序來進行作業排程，速度快了很多。
• Impala完全拋棄了MapReduce這個不太適合做SQL查詢的正規化，而是像Dremel一樣借鑑了MPP並行資料庫的思想另起爐灶，因此可做更多的查詢優化，從而省掉不必要的shuffle、sort等開銷。
• 通過使用LLVM來統一編譯執行時程式碼，避免了為支援通用編譯而帶來的不必要開銷。
• 用C++實現，做了很多有針對性的硬體優化，例如使用SSE指令。
• 使用了支援Data locality的I/O排程機制，儘可能地將資料和計算分配在同一臺機器上進行，減少了網路開銷。

雖然Impala是參照Dremel來實現的，但它也有一些自己的特色，例如Impala不僅支援Parquet格式，同時也可以直接處理文字、SequenceFile等Hadoop中常用的檔案格式。另外一個更關鍵的地方在於，Impala是開源的，再加上Cloudera在Hadoop領域的領導地位，其生態圈有很大可能會在將來快速成長。

Impala與Shark，Drill等的比較

開源組織Apache也發起了名為Drill的專案來實現Hadoop上的Dremel，目前該專案正在開發當中，相關的文件和程式碼還不多，可以說暫時還未對Impala構成足夠的威脅。從Quora上的問答來看，Cloudera有7-8名工程師全職在Impala專案上，而相比之下Drill目前的動作稍顯遲鈍。具體來說，截止到2012年10月底，Drill的程式碼庫裡實現了query parser, plan parser，及能對JSON格式的資料進行掃描的plan evaluator；而Impala同期已經有了一個比較完畢的分散式query execution引擎，並對HDFS和HBase上的資料讀入，錯誤檢測，INSERT的資料修改，LLVM動態翻譯等都提供了支援。當然，Drill作為Apache的專案，從一開始就避免了某個vendor的一家獨大，而且對所有Hadoop流行的發行版都會做相應的支援，不像Impala只支援Cloudera自己的發行版CDH。從長遠來看，誰會佔據上風還真不一定。

除此之外，加州伯克利大學AMPLab也開發了名為Shark的大資料分析系統。從長遠目標來看，Shark想成為一個既支援大資料SQL查詢，又能支援高階資料分析任務的一體化資料處理系統。從技術實現的角度上來看，Shark基於Scala語言的運算元推導實現了良好的容錯機制，因此對失敗了的長任務和短任務都能從上一個“快照點”進行快速恢復。相比之下，Impala由於缺失足夠強大的容錯機制，其上執行的任務一旦失敗就必須“從頭來過”，這樣的設計必然會在效能上有所缺失。而且Shark是把記憶體當作第一類的儲存介質來做的系統設計，所以在處理速度上也會有一些優勢。實際上，AMPLab最近對Hive，Impala，Shark及Amazon採用的商業MPP資料庫Redshift進行了一次對比試驗，在Scan Query，Aggregation Query和Join Query三種類型的任務中對它們進行了比較。圖2就是AMPLab報告中Aggregation Query的效能對比。在圖中我們可以看到，商業版本的Redshift的效能是最好的， Impala和Shark則各有勝負，且兩者都比Hive的效能高出了一大截。

其實對大資料分析的專案來說，技術往往不是最關鍵的。例如Hadoop中的MapReduce和HDFS都是源於Google，原創性較少。事實上，開源專案的生態圈，社群，發展速度等，往往在很大程度上會影響Impala和Shark等開源大資料分析系統的發展。就像Cloudera一開始就決定會把Impala開源，以期望利用開源社群的力量來推廣這個產品；Shark也是一開始就開源了出來，更不用說Apache的Drill更是如此。說到底還是誰的生態系統更強的問題。技術上一時的領先並不足以保證專案的最終成功。雖然最後那一款產品會成為事實上的標準還很難說，但是，我們唯一可以確定並堅信的一點是，大資料分析將隨著新技術的不斷推陳出新而不斷普及開來，這對使用者永遠都是一件幸事。舉個例子，如果讀者注意過下一代Hadoop（YARN）的發展的話就會發現，其實YARN已經支援MapReduce之外的計算正規化（例如Shark，Impala等），因此將來Hadoop將可能作為一個相容幷包的大平臺存在，在其上提供各種各樣的資料處理技術，有應對秒量級查詢的，有應對大資料批處理的，各種功能應有盡有，滿足使用者各方面的需求。