當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

Impala介绍，Impala架构，Impala安装，impala Shell ，分区创建，refresh,load数据，获取数据的元数据

發布時間：2024/9/27 编程问答 26 豆豆

生活随笔收集整理的這篇文章主要介紹了 Impala介绍，Impala架构，Impala安装，impala Shell ，分区创建，refresh,load数据，获取数据的元数据小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

1 Impala

Impala是Cloudera公司主導開發的新型查詢系統，它提供SQL語義，能查詢存儲在Hadoop的HDFS和HBASE中的PB級大數據。已有的Hive系統雖然也提供了SQL語義，但由于Hive底層執行使用的是MapReduce引擎，仍然是一個批處理過程，難以滿足查詢的交互性。相比之下，Impala的最大特點也是最大賣點就是它的快速。

Impala到底是什么？
Impala是用于處理存儲在Hadoop集群中的大量數據的MPP（大規模并行處理）SQL查詢引擎。它是一個用C ++和Java編寫的開源軟件。與其他Hadoop的SQL引擎相比，它提供了高性能和低延遲。
換句話說，Impala是性能最高的SQL引擎（提供類似RDBMS的體驗），它提供了訪問存儲在Hadoop分布式文件系統中的數據的最快方法。

1.1 Impala介紹

1.1.1 優點

Impala不需要把中間結果寫入磁盤，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（默認每個心跳間隔是3秒鐘），Impala直接通過相應的服務進程來進行作業調度，速度快了很多。

Impala完全拋棄了MapReduce這個不太適合做SQL查詢的范式，而是像Dremel一樣借鑒了MPP（大規模并行處理）并行數據庫的思想另起爐灶，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來統一編譯運行時代碼，避免了為支持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件優化，例如使用SSE指令。

使用了支持Data locality的I/O調度機制，盡可能地將數據和計算分配在同一臺機器上進行，減少了網絡開銷。

基于Hive使用內存計算，兼顧數據倉庫、具有實時、批處理、多并發等優點。

是CDH平臺首選的PB級大數據實時查詢分析引擎。

Impala的特點

Impala快的原因：1、2、3、6
1.基于內存進行計算，能夠對PB級數據進行交互式實時查詢、分析。
2.無需轉換為MR，直接讀取HDFS及Hbase數據，從而大大降低了延遲。
Impala沒有MapReduce批處理，而是通過使用與商用并行關系數據庫中類似的分布式查詢引擎（由Query Planner、Query Coordinator和Query Exec Engine三部分組成）
3.LLVM統一編譯運行（在底層對硬件進行優化，LLVM：編譯器，比較穩定，效率高）
4.兼容HiveSQL
支持hive基本的一些查詢等，hive中的一些復雜結構是不支持的。
5.具有數據倉庫的特征，可對hive數據直接做數據分析。
6.支持Data Local (數據本地化：無需數據移動，減少數據的傳輸)
7.支持列式存儲（可以和Hbase整合：因為Hive可以和Hbase整合）
8.支持JDBC/ODBC遠程訪問。

1.1.2 Impala劣勢

1.對內存依賴大
只在內存中計算，官方建議128G(一般64基本滿足)、可優化：各個節點匯總的節點（服務器）內存選用大的，不匯總節點可小點。
2、C++編寫開源？
對java,C++可能不是很了解
3、完全依賴hive
4、實踐過程中分區超過1w，性能嚴重下下降。
定期刪除沒有必要的分區，保證分區的個數不要太大。
5、穩定性不如hive
因為全在內存中計算，內存不夠，會出現問題，hive內存不夠，可以使用外存。

1.2 Impala的缺點

Impala不提供任何對序列化和反序列化的支持。
Impala只能讀取文本文件，而不能讀取自定義二進制文件。
每當新的記錄/文件被添加到HDFS中的數據目錄中，該表需要被刷新。

1.2.1 功能

Impala可以根據Apache許可證作為開源免費提供。
Impala支持內存中數據處理，它訪問/分析存儲在Hadoop數據節點上的數據，而無需數據移動。
使用類SQL查詢訪問數據。
Impala為HDFS中的數據提供了更快的訪問。
可以將數據存儲在Impala存儲系統中，如Apache HBase和Amazon s3。
Impala支持各種文件格式，如LZO，序列文件，Avro，RCFile和Parquet。

1.2.2 關系數據庫和Impala

Impala使用類似于SQL和HiveQL的Query語言。下表描述了SQL和Impala查詢語言之間的一些關鍵差異。

1.2.3 Hive，Hbase和Impala

雖然Cloudera Impala使用與Hive相同的查詢語言，元數據和用戶界面，但在某些方面它與Hive和HBase不同。下表介紹了HBase，Hive和Impala之間的比較分析。

所有這三個數據庫 -
? 是NOSQL數據庫。
? 可用作開源。
? 支持服務器端腳本。
? 按照ACID屬性，如Durability和Concurrency。
? 使用分片進行分區。

1.3 Impala架構

Impala是在Hadoop集群中的許多系統上運行的MPP（大規模并行處理）查詢執行引擎。與傳統存儲系統不同，impala與其存儲引擎解耦。它有三個主要組件，即Impala daemon（Impalad），Impala Statestore和Impala元數據或metastore.

1.3.1 Impala的核心組件

Statestore Daemon
? Name Service，負責收集分布在集群中各個impalad進程的資源信息、各節點健康狀況，同步節點信息。在集群中運行一個StateStroe daemon進程。多數的生產環境上將它部署在namenode節點上。
Catalog Daemon
Metadata的通信服務，用于廣播impala ddl和DML語句的變更到所有的受影響的impala節點。因此新的表，新的load的數據，等等的等等通過任何Impala節點提交的查詢都可以立即看到這些信息。（在Impala 1.2之前，你必須運行REFRESH 或INVALIDATE METADATA 陳述，在每個節點上同步變更的元數據信息，現在，只有通過外部機制(如Hive)或將數據上載到Amazon S3文件系統來執行DDL或DML時，才需要這些語句），在你的集群上運行有一個這樣的后臺進程，最好與狀態守護進程位于同一主機上。
Impala Daemon(impalad)
Impala的后臺進程。基于HDFS、HBASE和Amazon S3上的數據計劃和執行查詢。在集群上的每個DataNode節點上運行一個impalad進程。
? 接收client、hue、jdbc或者odbc的各種接口的查詢、Query執行并返回給中心協調節點。
? 子節點上的守護進程，負責向statestore保持通信，匯報工作。

每當將查詢提交到特定節點上的impalad時，該節點充當該查詢的“協調器節點”。 Impalad還在其他節點上運行多個查詢。接受查詢后，Impalad讀取和寫入數據文件，并通過將工作分發到Impala集群中的其他Impala節點來并行化查詢。當查詢處理各種Impalad實例時，所有查詢都將結果返回到中央協調節點。
根據需要，可以將查詢提交到專用Impalad或以負載平衡方式提交到集群中的另一Impalad。

impala-shell：
命令行接口，用于向Impala守護進程發出查詢。您可以在網絡上的任何地方的一臺或多臺主機上安裝此功能，不一定是datanode，甚至與Impala在同一個集群中。它可以遠程連接到Impala守護進程的任何實例。

考慮集群性能問題，一般將StateStoreDaemon與 Catalog Daemon放在統一節點上，因之間要做通信。

1.3.2 整體架構流程

1:客戶端向某一個Impalad發送一個query（SQL）
Impalad會與StateStore保持連接（通信），確定Impala集群哪些Impalad是否健康可工作，與NameNode得到數據元數據（數據的位置等）；每個Impalad通過Catalog可知表元數據數據信息。
2: Impalad將query解析為具體的執行計劃Planner, 交給當前機器Coordinator即為中心協調節點。
Impalad通過jni，將query傳送給java前端，由java前端完成語法分析和生成執行計劃（Planner）,并將執行計劃封裝成thrift格式返回，執行計劃分為多個階段，每一個階段叫做一個（計劃片段）PlanFragment,每一個PlanFragment在執行時可以由多個Impalad實例并行執行（有些PlanFragmeng只能由一個Impalad實例執行）。
3.Coordinator(中心協調節點)根據執行計劃Planner，通過本機Executor執行，并轉發給其它有數據的impalad用Executor進行執行。
4.impalad的Executor之間可進行通信，可能需要一些數據的處理。
5.各個impalad的Executor執行完成后，將結果返回給中心協調節點。
用戶調用GetNext()方法獲取計算結果，如果是insert語句，則將計算結果寫回hdfs
當所有輸入數據被消耗光，執行結束(完成)。
在執行過程中，如果有任何故障發生，則整個執行失敗。
6.有中心節點Coordinator將匯聚的查詢結果返回給客戶端。

1.3.3 Impala與Hive的異同

數據存儲：
? 使用相同的存儲數據池都支持把數據存儲于HDFS, HBase。
元數據：
? 兩者使用相同的元數據。
SQL解釋處理：
? 比較相似都是通過詞法分析生成執行計劃。
執行計劃：
Hive: 依賴于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。由于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有更好的并發性和避免不必要的中間sort與shuffle。

數據流：
? Hive: 采用推的方式，每一個計算節點計算完成后將數據主動推給后續節點。
? Impala: 采用拉的方式，后續節點通過getNext主動向前面節點要數據，以此方式數據可以流式的返回給客戶端，且只要有1條數據被處理完，就可以立即展現出來，而不用等到全部處理完成，更符合SQL交互式查詢使用。

內存使用：
? Hive: 在執行過程中如果內存放不下所有數據，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，同樣由于MapReduce執行架構的特性，shuffle過程也會有寫本地磁盤的操作。
? Impala: 在遇到內存放不下數據時，當前版本1.0.1是直接返回錯誤，而不會利用外存，以后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絡傳輸數據，在執行過程不會有寫磁盤的操作（insert除外）

調度
? Hive任務的調度依賴于Hadoop的調度策略。
? Impala的調度由自己完成，目前的調度算法會盡量滿足數據的局部性，即掃描數據的進程應盡量靠近數據本身所在的物理機器。但目前調度暫時還沒有考慮負載均衡的問題。從Cloudera的資料看，Impala程序的瓶頸是網絡IO，目前Impala中已經存在對Impalad機器網絡吞吐進行統計，但目前還沒有利用統計結果進行調度。

容錯
? Hive任務依賴于Hadoop框架的容錯能力，可以做到很好的failover
? Impala中不存在任何容錯邏輯，如果執行過程中發生故障，則直接返回錯誤。當一個Impalad失敗時，在這個Impalad上正在運行的所有query都將失敗。但由于Impalad是對等的，用戶可以向其他Impalad提交query，不影響服務。當StateStore失敗時，也不會影響服務，但由于Impalad已經不能再更新集群狀態，如果此時有其他Impalad失敗，則無法及時發現。這樣調度時，如果有一個已經失效的Impalad調度了一個任務，則整個query無法執行。

1.3.4 Impala的查詢流程

1.4 Impala安裝

安裝CDH6，里面自帶Impala，CDH6的參考文檔：https://blog.csdn.net/tototuzuoquan/article/details/85111018

安裝后的效果：

1.5 Impala Shell

1.5.1 Impala shell外部shell

命令
Impala shell的命令分為一般命令，查詢特定選項以及表和數據庫特定選項，如下所述。
通用命令
? help
? version
? history
? shell (or) !
? connect
? exit | quit
查詢特定的選項
? Set/unset
? Profile
? Explain
表和數據庫特定選項
? Alter
? describe
? drop
? insert
? select
? show
? use

基本數據類型

Sr.No數據類型及說明

1	BIGINT 此數據類型存儲數值，此數據類型的范圍為-9223372036854775808至9223372036854775807.此數據類型在create table和alter table語句中使用。
2	BOOLEAN 此數據類型只存儲true或false值，它用于create table語句的列定義。
3	CHAR 此數據類型是固定長度的存儲，它用空格填充，可以存儲最大長度為255。
4	DECIMAL 此數據類型用于存儲十進制值，并在create table和alter table語句中使用。
5	DOUBLE 此數據類型用于存儲正值或負值4.94065645841246544e-324d -1.79769313486231570e + 308范圍內的浮點值。
6	FLOAT 此數據類型用于存儲正或負1.40129846432481707e-45 … 3.40282346638528860e + 38范圍內的單精度浮點值數據類型。
7	INT 此數據類型用于存儲4字節整數，范圍從-2147483648到2147483647。
8	SMALLINT 此數據類型用于存儲2字節整數，范圍為-32768到32767。
9	STRING 這用于存儲字符串值。
10	TIMESTAMP 此數據類型用于表示時間中的點。
11	TINYINT 此數據類型用于存儲1字節整數值，范圍為-128到127。
12	VARCHAR 此數據類型用于存儲可變長度字符，最大長度為65,535。
13	ARRAY 這是一個復雜的數據類型，它用于存儲可變數量的有序元素。
14	Map 這是一個復雜的數據類型，它用于存儲可變數量的鍵值對。
15	Struct 這是一種復雜的數據類型，用于表示單個項目的多個字段。

Impla-shell相關參數
下面是Impala的外部Shell的一些參數：

-h （--help）幫助 -v （--version）查詢版本信息 -V （--verbose）啟用詳細輸出 --quiet 關閉詳細輸出 -p 顯示執行計劃 -i hostname （--impalad=hostname）指定連接主機格式hostname：port 默認端口21000, impalad shell 默認連接本機impalad - r（--refresh_after_connect）刷新所有元數據 -q query （--query=query）從命令行執行查詢，不進入impala-shell-d default_db （--database=default_db）指定數據庫 -B（--delimited）去格式化輸出 --output_delimiter=character 指定分隔符 --print_header 打印列名-f query_file（--query_file=query_file）執行查詢文件，以分號分隔 -o filename （--output_file filename）結果輸出到指定文件 -c 查詢執行失敗時繼續執行-k （--kerberos）使用kerberos安全加密方式運行impala-shell -l 啟用LDAP認證 -u 啟用LDAP時，指定用戶名

示例：

編寫外部sql文件outersql.sql,文件內容如下： [root@hadoop2 impala]# cat outersql.sql use default;select * from tab2;通過impala-shell執行外部sql文件： [root@hadoop2 impala]# impala-shell -i hadoop2 -f outersql.sql Starting Impala Shell without Kerberos authentication Connected to hadoop2:21000 Server version: impalad version 3.0.0-cdh6.0.1 RELEASE (build 9a74a5053de5f7b8dd983802e6d75e58d31472db) Query: use default Query: select * from tab2 Query submitted at: 2019-09-16 10:01:29 (Coordinator: http://hadoop2:25000) Query progress can be monitored at: http://hadoop2:25000/query_plan?query_id=58415ef715ff66dc:7f6bd85600000000 +----+-------+---------------+ | id | col_1 | col_2 | +----+-------+---------------+ | 1 | true | 12789.123 | | 2 | false | 1243.5 | | 3 | false | 24453.325 | | 4 | false | 2423.3254 | | 5 | true | 243.325 | | 60 | false | 243565423.325 | | 70 | true | 243.325 | | 80 | false | 243423.325 | | 90 | true | 243.325 | +----+-------+---------------+ Fetched 9 row(s) in 4.67s在如直接在impala-shell的后面執行sql語句： [root@hadoop2 impala]# impala-shell -i hadoop2 -q 'select count(0) from tab2'; Starting Impala Shell without Kerberos authentication Connected to hadoop2:21000 Server version: impalad version 3.0.0-cdh6.0.1 RELEASE (build 9a74a5053de5f7b8dd983802e6d75e58d31472db) Query: select count(0) from tab2 Query submitted at: 2019-09-16 10:21:36 (Coordinator: http://hadoop2:25000) Query progress can be monitored at: http://hadoop2:25000/query_plan?query_id=60409a284c3015ac:5892e5bc00000000 +----------+ | count(0) | +----------+ | 9 | +----------+ Fetched 1 row(s) in 0.12s [root@hadoop2 impala]#

1.5.2 Impala內部shell

不進入Impala內部，直接執行的impala-shell
例如：

1.6 Load CSV Data From Local Files

這個章節介紹如何從本地文件中加載CSV 數據。在本地Linux環境中，執行以下命令：

[root@hadoop2 ~]# hdfs dfs -mkdir -p /user/username/sample_data/tab1 /user/username/ sample_data/tab2

接下來為TAB1和TAB2準備一些數據。拷貝下面的內容到你本地的.csv文件中。
tab1.csv的內容如下：

1,true,123.123,2012-10-24 08:55:00 2,false,1243.5,2012-10-25 13:40:00 3,false,24453.325,2008-08-22 09:33:21.123 4,false,243423.325,2007-05-12 22:32:21.33454 5,true,243.325,1953-04-22 09:11:33

tab2.csv的內容如下：

1,true,12789.123 2,false,1243.5 3,false,24453.325 4,false,2423.3254 5,true,243.325 60,false,243565423.325 70,true,243.325 80,false,243423.325 90,true,243.325

使用如下的命令，分別將.csv文件放到獨立的HDFS目錄中。

[root@hadoop2 impala]# hdfs dfs -put tab1.csv /user/username/sample_data/tab1 [root@hadoop2 impala]# hdfs dfs -ls /user/username/sample_data/tab1 Found 1 items -rw-r--r-- 3 root supergroup 192 2019-09-16 09:08 /user/username/sample_data/tab1/tab1.csv[root@hadoop2 impala]# hdfs dfs -put tab2.csv /user/username/sample_data/tab2 [root@hadoop2 impala]# hdfs dfs -cat /user/username/sample_data/tab2/tab2.csv 1,true,12789.123 2,false,1243.5 3,false,24453.325 4,false,2423.3254 5,true,243.325 60,false,243565423.325 70,true,243.325 80,false,243423.325 90,true,243.325

每個數據文件的名稱是沒有意義的。事實上，當Impala第一次檢查數據目錄下的文件的時候，它認為在目錄下的所有文件組成了表的數據，而不是多少文件，也不管文件的名字是什么。
創建tab1表：

[hadoop2:21000] default> DROP TABLE IF EXISTS tab1; Query: DROP TABLE IF EXISTS tab1 +-------------------------+ | summary | +-------------------------+ | Table has been dropped. | +-------------------------+ Fetched 1 row(s) in 0.12s [hadoop2:21000] default> CREATE EXTERNAL TABLE tab1> (> id INT,> col_1 BOOLEAN,> col_2 DOUBLE,> col_3 TIMESTAMP> )> ROW FORMAT DELIMITED FIELDS TERMINATED BY ','> LOCATION '/user/username/sample_data/tab1'; Query: CREATE EXTERNAL TABLE tab1 ( id INT, col_1 BOOLEAN, col_2 DOUBLE, col_3 TIMESTAMP ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LOCATION '/user/username/sample_data/tab1' +-------------------------+ | summary | +-------------------------+ | Table has been created. | +-------------------------+ WARNINGS: Impala does not have READ_WRITE access to path 'hdfs://hadoop2:8020/user/username/sample_data'Fetched 1 row(s) in 0.11s [hadoop2:21000] default> select * from tab1; Query: select * from tab1 Query submitted at: 2019-09-16 09:37:33 (Coordinator: http://hadoop2:25000) Query progress can be monitored at: http://hadoop2:25000/query_plan?query_id=4f44222f65a4cbf6:a624798000000000 +----+-------+------------+-------------------------------+ | id | col_1 | col_2 | col_3 | +----+-------+------------+-------------------------------+ | 1 | true | 123.123 | 2012-10-24 08:55:00 | | 2 | false | 1243.5 | 2012-10-25 13:40:00 | | 3 | false | 24453.325 | 2008-08-22 09:33:21.123000000 | | 4 | false | 243423.325 | 2007-05-12 22:32:21.334540000 | | 5 | true | 243.325 | 1953-04-22 09:11:33 | +----+-------+------------+-------------------------------+ Fetched 5 row(s) in 5.93s [hadoop2:21000] default> DROP TABLE IF EXISTS tab2; Query: DROP TABLE IF EXISTS tab2 +-----------------------+ | summary | +-----------------------+ | Table does not exist. | +-----------------------+ Fetched 1 row(s) in 0.01s [hadoop2:21000] default> CREATE EXTERNAL TABLE tab2> (> id INT,> col_1 BOOLEAN,> col_2 DOUBLE> )> ROW FORMAT DELIMITED FIELDS TERMINATED BY ','> LOCATION '/user/username/sample_data/tab2'; Query: CREATE EXTERNAL TABLE tab2 ( id INT, col_1 BOOLEAN, col_2 DOUBLE ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LOCATION '/user/username/sample_data/tab2' +-------------------------+ | summary | +-------------------------+ | Table has been created. | +-------------------------+ WARNINGS: Impala does not have READ_WRITE access to path 'hdfs://hadoop2:8020/user/username/sample_data'Fetched 1 row(s) in 0.09s [hadoop2:21000] default> DROP TABLE IF EXISTS tab3; Query: DROP TABLE IF EXISTS tab3 +-----------------------+ | summary | +-----------------------+ | Table does not exist. | +-----------------------+ Fetched 1 row(s) in 0.01s [hadoop2:21000] default> CREATE TABLE tab3> (> id INT,> col_1 BOOLEAN,> col_2 DOUBLE,> month INT,> day INT> )> ROW FORMAT DELIMITED FIELDS TERMINATED BY ','; Query: CREATE TABLE tab3 ( id INT, col_1 BOOLEAN, col_2 DOUBLE, month INT, day INT ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' +-------------------------+ | summary | +-------------------------+ | Table has been created. | +-------------------------+ Fetched 1 row(s) in 0.41s [hadoop2:21000] default>

要注意的是，上面的tab1和tab2指定了LOCATION，它的地址為最開始的時候創建的csv文件所在的目錄位置。

1.7 分區表創建、refresh表、獲取數據的元數據

創建分區表，并插入數據：

create database external_partitions; use external_partitions; create table logs (field1 string, field2 string, field3 string) partitioned by (year string, month string , day string, host string) row format delimited fields terminated by ','; insert into logs partition (year="2013", month="07", day="28", host="host1") values ("foo","foo","foo"); insert into logs partition (year="2013", month="07", day="28", host="host2") values ("foo","foo","foo"); insert into logs partition (year="2013", month="07", day="29", host="host1") values ("foo","foo","foo"); insert into logs partition (year="2013", month="07", day="29", host="host2") values ("foo","foo","foo"); insert into logs partition (year="2013", month="08", day="01", host="host1") values ("foo","foo","foo");

查看hdfs中數據目錄：

添加分區：

alter table logs add partition (year="2013",month="07",day="28",host="host1"); alter table log_type add partition (year="2013",month="07",day="28",host="host2"); alter table log_type add partition (year="2013",month="07",day="29",host="host1"); alter table log_type add partition (year="2013",month="08",day="01",host="host1");

當數據文件中的數據被手動修改（如添加、移動或者改變了）了之后，使用refresh語句更新表。例如：

refresh log_type; select * from log_type limit 100; +--------+--------+--------+------+-------+-----+-------+ | field1 | field2 | field3 | year | month | day | host | +--------+--------+--------+------+-------+-----+-------+ | bar | baz | bletch | 2013 | 07 | 28 | host1 | | bar | baz | bletch | 2013 | 08 | 01 | host1 | | bar | baz | bletch | 2013 | 07 | 29 | host1 | | bar | baz | bletch | 2013 | 07 | 28 | host2 | +--------+--------+--------+------+-------+-----+-------+

在hive中創建一個db，然后切回到impala-shell中，發現數據庫并沒有顯示，若想讓它顯示，可以使用如下命令刷新數據，并獲得最新數據：

INVALIDATE METADATA;

1.8 參考資料

https://www.w3cschool.cn/impala/impala_overview.html
https://blog.csdn.net/flyingsk/article/details/8590000
https://blog.csdn.net/qiyongkang520/article/details/51067803

總結

以上是生活随笔為你收集整理的Impala介绍，Impala架构，Impala安装，impala Shell ，分区创建，refresh,load数据，获取数据的元数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。