impala 和 kudu 小记

1. impala（官网）

• 实时交互SQL大数据查询工具
• 它提供SQL语义，能查询存储在Hadoop的HDFS和HBase中的PB级大数据。
• Impala的最大特点也是最大卖点就是它的快速。
• Impala完全抛弃了Hive+MapReduce这个不太适合做SQL查询的缓慢范式
• 通过使用与商用并行关系数据库中类似的分布式查询引擎，可以直接从HDFS或HBase中用SELECT、JOIN和统计函数查询数据，从而大大降低了延迟

2. Hive 与 impala

• Impala与Hive都是构建在Hadoop之上的数据查询工具各有不同的侧重适应面
• 但从客户端使用来看Impala与Hive有很多的共同之处，如数据表元数据、ODBC/JDBC驱动、SQL语法、灵活的文件格式、存储资源池、用户界面（Hue Beeswax）等。
• Hive适合于长时间的批处理查询分析，而Impala适合于实时交互式SQL查询

可以先使用hive进行数据转换处理，之后使用Impala在Hive处理后的结果数据集上进行快速的数据分析。

官方文档

3. impala 和hive 语法和数据基本相通

1）invalidate metadata;

可以把hive元数据（数据）刷新同步过来

2）更多sql不同参考

3）impala的jdbc接口

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;

public class UpdateMeta
{
    static String JDBC_DRIVER = "com.cloudera.impala.jdbc41.Driver";
    static String CONNECTION_URL = "jdbc:impala://192.168.0.22:21050/db_1";     ###  jdbc:impala://域名/数据库

    public static void main(String[] args)
    {
        Connection con = null;
        ResultSet rs = null;
        PreparedStatement ps = null;

        try
        {
            Class.forName(JDBC_DRIVER);
            con = DriverManager.getConnection(CONNECTION_URL);
            ps = con.prepareStatement("select max(dtime),count(dtime) from achi");
            rs = ps.executeQuery();
            while (rs.next())
            {
                System.out.println(rs.getString(1) + '\t' + rs.getLong(2));
            }
        } catch (Exception e)
        {
            e.printStackTrace();
        } finally
        {
            //关闭rs、ps和con
        }
    }
}

　　

4 CDH

hadoop是一个开源项目，所以很多公司在这个基础进行商业化，Cloudera对hadoop做了相应的改变

Cloudera公司的发行版，我们将该版本称为CDH(Cloudera Distribution Hadoop)

5. kudu

• 列式存储引擎
• 更多详情参考

6. parquet 表

1）面向分析型业务的列式存储格式；既可以支持关系型数据，也可以支持嵌套的数据类型

2）列式存储的优点

1. 可以跳过不符合条件的数据，只读取需要的数据，降低IO数据量。
2. 压缩编码 可以降低磁盘存储空间。由于同一列的数据类型是一样的，可以使用更高效的压缩编码（例如Run Length Encoding和Delta Encoding）进一步节约存储空间。
3. 只读取需要的列，支持向量运算，能够获取更好的扫描性能。

3）parquet表的insert之前要设置 set hive.merge.mapfiles=false;
　　如果它的输入包含不止一个mapreduce，比如join/group by/distinct，要建一个RCF的中转表，然后再select into

6. hive的三种常用存储格式

Hive的三种文件格式：TEXTFILE、SEQUENCEFILE、RCFILE

• TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的
• RCFILE是基于行列混合的思想，先按行把数据划分成N个row group，在row group中对每个列分别进行存储。
• 详细查看