Impala与HBase整合实践

布满荆棘的人生 2022-05-31 07:15 229阅读 0赞

实现Impala与HBase整合，我们能够获得的好处有如下几个：

可以使用我们熟悉的SQL，像操作传统关系型数据库一样，很容易给出复杂查询、统计分析的SQL设计  
Impala查询统计分析，比原生的MapReduce以及Hive的执行速度快很多

![7f7ff7a569db8a7bf40a045f4d0adb5e.jpg][]

我们知道，HBase是一个基于列的NoSQL数据库，它可以实现的数据的灵活存储。它本身是一个大表，在一些应用中，通过设计RowKey，可以实现对海量数据的快速存储和访问。但是，对于复杂的查询统计类需求，如果直接基于HBase API来实现，性能非常差，或者，可以通过实现MapReduce程序来进行查询分析，这也继承了MapReduce所具备的延迟性。  
实现Impala与HBase整合，我们能够获得的好处有如下几个：

可以使用我们熟悉的SQL，像操作传统关系型数据库一样，很容易给出复杂查询、统计分析的SQL设计  
Impala查询统计分析，比原生的MapReduce以及Hive的执行速度快很多  
Impala与HBase整合，需要将HBase的RowKey和列映射到Impala的Table字段中。Impala使用Hive的Metastore来存储元数据信息，与Hive类似，在于HBase进行整合时，也是通过外部表（EXTERNAL）的方式来实现。

准备工作

首先，我们需要做如下准备工作：

安装配置Hadoop集群（http://www.cloudera.com/content/cloudera-content/cloudera-docs/CDH4/latest/CDH4-Installation-Guide/cdh4ig\_topic\_4\_4.html）  
安装配置HBase集群（http://www.cloudera.com/content/cloudera-content/cloudera-docs/CDH4/latest/CDH4-Installation-Guide/cdh4ig\_topic\_20.html）  
安装配置Hive（http://www.cloudera.com/content/cloudera-content/cloudera-docs/CDH4/latest/CDH4-Installation-Guide/cdh4ig\_topic\_18.html）  
安装配置Impala（http://www.cloudera.com/content/cloudera-content/cloudera-docs/Impala/latest/Installing-and-Using-Impala/ciiu\_noncm\_installation.html?scroll=noncm\_installation）  
涉及到相关系统的安装配置，可以参考相关文档和资料。  
下面，我们通过一个示例表test\_info来说明，Impala与HBase整合的步骤：

整合过程

在HBase中创建表  
首先，我们使用HBase Shell创建一个表，如下所示：

create ‘test\_info’, ‘info’  
表名为test\_info，只有一个名称为info的列簇（Column Family），我们计划该列簇中存在4个列，分别为info:user\_id、info:user\_type、info:gender、info:birthday。

在Hive中创建外部表  
创建外部表，对应的DDL如下所示：

CREATE EXTERNAL TABLE sho.test\_info(  
user\_id string,  
user\_type tinyint,  
gender string,  
birthday string)  
ROW FORMAT SERDE ‘org.apache.hadoop.hive.hbase.HBaseSerDe’  
STORED BY ‘org.apache.hadoop.hive.hbase.HBaseStorageHandler’  
WITH SERDEPROPERTIES (“hbase.columns.mapping” = “:key, info:user\_type, info:gender, info:birthday”)  
TBLPROPERTIES(“hbase.table.name” = “test\_info”);  
上面DDL语句中，在WITH SERDEPROPERTIES选项中指定Hive外部表字段到HBase列的映射，其中“:key”对应于HBase中的RowKey，名称为“user\_id”，其余的就是列簇info中的列名。最后在TBLPROPERTIES中指定了HBase中要进行映射的表名。

在Impala中同步元数据  
Impala共享Hive的Metastore，这时需要同步元数据，可以通过在Impala Shell中执行同步命令：

INVALIDATE METADATA;  
然后，就可以查看到映射HBase中表的结构：

DESC test\_info;  
表结构如图所示：

通过上面三步，我们就完成了Impala和HBase的整合配置。

验证整合

下面，我们通过实践来验证上述的配置是否生效。  
我们模拟客户端插入数据到HBase表中，可以使用HBase API或者HBase Thrift来实现，这里我们使用了HBase Thrift接口来进行操作，详见文章 HBase Thrift客户端Java API实践。  
然后，我们就可以通过Impala Shell进行查询分析。基于上面创建整合的示例表，插入20000000（2000万）记录，我们做一个统计分析的示例，SQL语句如下所示：

SELECT user\_type, COUNT(user\_id) AS cnt FROM test\_info WHERE gender=’M’ GROUP BYuser\_type ORDER BY cnt DESC LIMIT 10;  
运行结果信息，如下图所示：

上述程序运行所在Hadoop集群共有3个Datanode，执行上述统计SQL共用时88.13s。我的Hadoop集群配置比较低，2个节点是双核CPU，另一个是4核，内存足够，大概10G左右，而且还有好多程序在共享这些节点，如数据库服务器、SOLR集群等。如果提高配置，做一些优化，针对20000000（2000万）条记录做统计分析，应该可以在5s以内出来结果。  
由于测试数据是我们随机生成的，gender取值为’M’和’F’，user\_type的值为1到10，经过统计分组后，数据分布还算均匀。

参考链接

http://www.cloudera.com/content/cloudera-content/cloudera-docs/Impala/latest/Installing-and-Using-Impala/ciiu\_impala\_hbase.html  
http://shiyanjun.cn/archives/111.html

原创文章，作者：PPV课，如若转载，请注明出处：http://www.ppvke.com/Blog/archives/22245

[7f7ff7a569db8a7bf40a045f4d0adb5e.jpg]: http://www.ppvke.com/Blog/wp-content/uploads/2015/09/7f7ff7a569db8a7bf40a045f4d0adb5e.jpg