简介
Impala是基于Hadoop数据处理环境形成的一个当代，开源的MPP SQL引擎。Impala提供低延迟，高并发的BI、分析类型的查询，这篇文章从用户的角度介绍Impala，Impala架构，主要的组件，以及与其他SQL-on-Hadoop系统的性能对比
介绍
Impala是一个开源的，完全集成的，最先进的MPP SQL查询引擎，能够很好的利用Hadoop的灵活性和伸缩性。Impala旨在融合传统分析数据的SQL支持和多用户性能，Hadoop的伸缩性和灵活性，生产级别的安全性。Impala的测试版本是在2012年发布，Impala2.0是在2014年发布，目前已经有相当大的下载量。
不像其他系统（Postgres的分支），Impala是一个全新的引擎，是用C++和Java编写的。利用标准组件（HDFS，HBase，Metastore，Yarn，Sentry）保持Hadoop的灵活性，能够读取许多文件格式（Parquet，Avro，RCFiles）。为了减少延迟，避免使用MapReduce或者远程读取数据。Impala实现一个基于后端进程的分布式架构，这些进程负责执行查询，运行在与Hadoop架构相同的机器上。依赖特定的应用场景，Impala的性能远超商业的MPP分析数据库。
这篇文章讨论Impala提供给用户的服务，Impala架构以及主要组件。Impala可获取的最高性能是使用HDFS作为底层存储，使用HBase作为底层存储会有一些显著的不同。
Impala是一个高性能的SQL-on-Hadoop系统，尤其是在多用户的情况下。在单用户情况下，Impala比其他查询系统快13倍，平均快6.7倍。在多用户情况下，Impala比其他查询系统快27.4倍，平均快18倍。所以多用户情况性能更好。
用户视角
Impala是一个查询引擎，能够集成Hadoop环境，利用一些标准的Hadoop组件（Metastore，HDFS，HBase，Yarn，Sentry），获取像关系型数据库的体验。但是Impala与关系型数据库有很大的区别。
Impala能够集成BI应用，客户能够通过ODBC或者JDBC连接，使用Kerberos或者LDAP完成认证，授权支持标准的SQL角色和权限。为了查询HDFS上的数据，用户使用create table语句创建表，这个语句提供数据的逻辑schema，也会暗示数据的物理布局，例如文件格式，HDFS上的目录结构，创建的表可以通过SQL进行查询。
物理schema设计
当创建表时，用户可以配置分区列，create table T(…) partitioned by(day int, month int) location ‘<hdfs_path>’ stored as parquet。
对于未分区表，数据文件默认存储在根目录。对于分区表，数据文件放在映射分区列值的子目录中。例如，表T的2月17号的数据文件会放在/day=17/month=2的目录中。一个分区中的数据文件快会随机的分布在HDFS的data nodes中。