Impala与HBase整合实践

  1. 云栖社区>
  2. 博客>
  3. 正文

Impala与HBase整合实践

shiyanjuncn 2016-04-14 09:28:50 浏览2004
展开阅读全文

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:

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:

1 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:

1 CREATE EXTERNAL TABLE sho.test_info(
2 user_id string,
3 user_type tinyint,
4 gender string,
5 birthday string)
6 ROW FORMAT SERDE 'org.apache.hadoop.hive.hbase.HBaseSerDe'
7 STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
8 WITH SERDEPROPERTIES ("hbase.columns.mapping" = ":key, info:user_type, info:gender, info:birthday")
9 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:

1 INVALIDATE METADATA;

然后,就可以查看到映射HBase中表的结构:

1 DESC test_info;

表结构如图所示:

6ef8df9c77b4eccb15de6f0a52b2cbf7267c17a9

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:

1 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:

5696d182c71de303e79840ff03a5b34ce6dc6a26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。

网友评论

登录后评论
0/500
评论
shiyanjuncn
+ 关注