Impala在网易大数据的优化和实践

问题导读：

1、Impala有哪些优势？
2、Impala有哪些不足？
3、Impala部署方式有哪些？



01 Impala的定位及优势

Impala有哪些优势，让我们选择Impala作为网易内部的OLAP查询引擎？

1. Impala在数据处理中的角色

先来看一下Impala在数据处理中的角色。



对于数据量较少的场景，例如百万数据以下的情况，可以采用传统的关系型数据库，如MySQL或者PostgreSQL等，或者一些文档数据库，比如MongoDB等。随着数据量的增大，达到上亿级别时，一般选择分析型数仓来存储，并使用OLAP引擎来查询。此等规模的数据查询，对响应时间的要求虽然比关系型数据库要低，但一般也要求在秒级返回查询结果，不能有太大的延迟。Impala、Presto、Greenplum等都在此列。当规模继续扩大到上百亿以上时，则会选择批处理引擎，如Hive、Spark来进行数据处理。

今天分享的Impala就是针对分析型数仓的查询引擎。分析型数仓有很多种建模方式。



以Druid和Click House为代表的宽表模型，还有以Impala等为代表的星型/雪花型的建模方式。我们将Impala作为通用的查询引擎，比较典型的应用场景有自助数据分析、BI报表等。在分享的第三部分，有关于Impala在网易大数据平台“猛犸”中的介绍，以及在网易云音乐中的实际使用场景的说明。

2. Impala的优势

网易为什么选择Impala作为OLAP查询引擎，Impala到底有哪些优势？Impala的优势，总结起来包括：

MPP 架构，去中心化
优秀的查询性能
友好的 WebUI 界面
完全兼容 Hive 元数据
Apache 顶级项目，社区活跃度高
支持多种数据格式（ Parquet/ORC 等）
与 Kudu 结合使用，实时数仓
① 去中心化的MPP并行架构


相比于传统的关系型数据库，MPP架构可以充分发挥多服务器的特点，将数据量比较大的操作，分散在多台服务器上并行处理。这些复杂的大数据量的操作，对于单台服务器来说是无法完成的任务。

Impala还区别于其他MPP架构的引擎的一点，是Impala有多个Coordinator和Executor，多个Coordinator可以同时对外提供服务。多Coordinator的架构设计让Impala可以有效防范单点故障的出现。

② 优秀的查询性能



Impala支持CBO（基于代价的执行优化），除此之外，Impala还对Catalog进行了缓存。缓存的信息包括：库和表的信息、HDFS数据库、统计信息等。元数据都缓存在了Impala内部，在做CBO时，能够发挥更大的优势，做出更优的选择。除此之外，Impala同时具有典型的OLAP引擎应有的特征：静态代码生成支持LLVM、JIT；支持HDFS本地读区，减少访问NameNode、DataNode和数据网络传输的开销，对性能有比较大的提升；还有算子下推，runtime filter在Join时，对与join条件之外的列可以进行动态过滤。

从我们实际使用效果来说，Impala性能优势非常明显。前段时间我们对Impala、presto和spark3.0进行了对比测试。测试用例选择tpcds，并行节点8个。



总的来说，Impala相比Presto有明显的优势，相比Spark 3.0也有一定的优势。Spark 3.0对性能做了很多优化和改进，相比之下Impala性能有一些优势，不过Impala因为支持的SQL类型少一些，有一些tpcds的测试用例并不能完成。

③ 友好的WebUI界面



一般来说，大数据查询引擎的查询计划，比关系型数据库的查询计划复杂的多。Impala提供了一个比较友好的WebUI，在这个界面上，能看到完整的执行计划、内存使用情况、异常查询分析，也可以通过界面终止查询语句。

此外，Impala的优势还体现在：完全兼容Hive元数据、Apache顶级项目有较高的社区活跃度、支持多种数据格式（Parquet、ORC等）、可以与Kudu结合使用等。

02 对Impala的一些增强和优化

在我们生产实践中，也发现了Impala的一些不足，因此网易大数据团队对Impala进行了一些优化和增强。包括以下几个方面：

• Impala 管理服务器
• 元数据同步增强
• 基于zookeeper的服务高可用
• 支持更多存储后端
• 其他增强和优化
  

1. Impala管理服务器

Impala已经提供了WebUI的情况下，为什么需要一个管理服务器？

其中一个原因，是社区版的WebUI是非持久化的，一旦Impalad异常退出，这些信息都会丢失。



我们通过MySQL存储WebUI上的信息，将统计信息、执行信息等重要信息保存到MySQL数据库中，实现持久化保存。在此基础上，管理平台给我们带来许多增值收益。相比于原生的WebUI，增强版的WebUI可以汇总各个coordinator执行的SQL语句，直观展示当前执行的SQL。

还可以作为集群持续优化的平台。因为记录了历史执行的SQL，可以为后续SQL优化提供依据，比如集群SQL的性能指标、随时间变化的性能表现，以及大部分SQL的执行时间。通过统计SQL执行失败的次数，出错SQL，为定位和回溯问题提供帮助。



2. 元数据同步增强

Impala对元数据的缓存，一方面大幅提升了查询性能，但另一方面，元数据更新也带来了新的问题。因为数据可以不通过Impala客户端，而通过其他组件比如Hive进行更新，这就让Impala无法感知到元数据的更新。而老旧的元数据会导致查询失败或者性能下降。因此，需要一个机制能够让Impala及时感知元数据的更新。社区版提供了INVALIDATE METADATA这一命令，可以手动刷新元数据。不过如果一些用户不熟悉这个操作，没有更新Impala缓存的元数据，就会导致查询的问题。怎么解决这样的问题？



网易对此进行优化，引入了元数据自动同步机制：在Hive进行DDL相关操作时，记录操作日志，Impala通过消费操作日志，进行必要的Invalidate Metadata的操作，无须人工操作，大大提高了元数据缓存的可用性和实时性。对于提升Impala的查询性能，降低查询错误都有很大的帮助。

另外一个是元数据的黑白名单机制，配合Impala不同的元数据加载方式。对于启动时加载元数据的，配置黑名单，屏蔽不需要通过Impala查询的表；对于延迟加载元数据的，配置白名单，即刻加载元数据，避免首次查询时延迟过大。

另外需要提醒的是，Impala 3.x版本在元数据缓存管理上有了极大的改进，网易大数据团队也在调研中，准备从2.12升级到3.4版本。

3. 基于ZK的服务高可用

虽然每一个Impalad都可以作为Coordinator，对外提供访问服务，接受客户端请求，但是缺乏一个路由机制。当一个client连接的特定coordinator失效之后，就无法在进行查询了。



网易大数据团队参考Hive的实现，引入zookeeper作为访问代理，客户端首先通过zookeeper找到可用的coordinator节点，然后再提交SQL查询请求。通过这种方式，提供了更健壮的查询服务模式。

4. 支持更多存储后端

对于后端存储的支持，网易团队增加了对iceberg表的创建和查询的支持。已经在云音乐业务上使用，并且贡献给了Impala社区。



其他后端还包括对Alluxio的支持，使用Alluxio作为Impala和HDFS之间的二级缓存。这方面的详细信息，可以搜索《网易严选：基于 Alluxio+Impala 深度融合架构的 BI 系统性能优化实践》。

此外对接Elastic Search查询，充分发挥了ES倒排索引的优势。

5. 其他增强和优化



其他的增强还有：权限的优化、Hive多版本适配、支持JSON，以及社区版的一些Bug修正。

03 Impala在网易的使用案例分析

1. Impala的部署和使用

Impala两种部署方式：混合部署与独立部署。混合部署是指Impala和其他大数据组件共用HDFS。而独立部署则是为Impala配置独立的HDFS。独立部署的优势在于IO和网络通信都有保障，对性能和稳定性的提升有帮助。但是代价也十分明显：成本上升。



Impala与Kudu结合，可以用来构建实时数仓。Kudu增量写入，定期保存到HDFS。Kudu的使用一方面提供了更新数据和删除数据的能力，另一方面也解决了HDFS上小文件的问题。而Impala可以同时查询Kudu和HDFS上的数据。



网易内部对集群的监控，对接了网易内部的哨兵服务。可以提供准实时的告警能力。运维人员通过设置阈值，订阅告警信息，从而了解集群的监控程度。

此外，对于Impala集群的部署和使用，还有几点需要注意：

• 按照大业务划分不同的集群
• 按照不同的子业务或者 SQL 类型划分队列
• coordinator 节点与 executor 节点分开部署
• 对于机器数比较少的集群，机器上可部署多个节点，增加并发
• 业务方重试机制，以免 impalad 节点挂掉导致 SQL 失败
• 通过 impala hint 改变表的 join 方式
• 结合实际情况参考是否设置 mem_limit ，设置多大 mem_limit
  

2. 网易大数据中的Impala

在网易大数据平台“猛犸”中，Impala位于数据计算层，提供交互式查询的能力，对应的应用场景是自助分析。



在网易对外提供的产品和服务中，复杂报表和自助取数，都用到了Impala。其中自助分析服务适用于有一定SQL基础的用户，通过自己写SQL语句，查询数据。灵活性比较大，同时门槛也比较高。



网易有数的自助取数服务（easyFetch）可以通过拖拽维度和度量，方便的获取数据，并生成图表报告。后端对接的是网易有数的API。非常适合非专业人员使用数据，发挥出数据的生产力。



网易现在内部有8个Impala集群，超过200个节点，最大集群规模超过60个节点。除了内部服务外，对外的商业化服务，已经有超过20个Impala集群。

3. Impala在云音乐的使用实践

网易云音乐，有2个Impala集群，超过60个节点的规模。主要的应用场景包括：有数报表、自助分析、音乐版权、A/B测试，easyFetch等等。绝大部分应用场景下，Impala的查询时间不超过2秒。



云音乐A/B测试早期使用Spark按照小时粒度，完成从ODS到DWD层的数据清洗工作，之后生成用户分流表和指标统计表，再使用Spark关联这两张表的结果写入到Kudu中，最后使用Impala对接数据，供用户查询。这样数据延迟至少1～2小时，有些结果甚至在第二天才能看到。但是对于A/B测试，能够实时看到结果才是最好的。



对此云音乐团队基于Flink做了实时性改造。将DWS变成流表，这样Impala可以同时查询T+1的结果表和流表中的实时数据。A/B测试的效果就可以近实时的看到了。

最新经典文章，欢迎关注公众号

---------------------

作者：DataFunTalk
来源：zhihu
原文：Impala在网易大数据的优化和实践