Impala、Hive性能简单对比测试

        一、测试环境

        操作系统：CentOS6.4

        大数据平台：CDH5、Hive、Impala、MapReduce

        集群规模：3台服务器，每台64G内存（原谅小气的公司给了如此糟糕的开发环境）

        Impala共三几个后台Impalad进程，两个正常，一个失效，如图：

        一、HBase加载数据

        首先，在HBase中创建一个表，表中列簇为f，有两列dn、fn；

        其次，利用Java API在HBase中产生约1000万条测试数据，代码如下：

	@SuppressWarnings("static-access")
	@Test
	public void testPutBasic() {

		for (int m = 0; m < 20; m++) {
			new Thread() {
				@Override
				public void run() {
					int j = 0;
					for (int i = 0; i < 1000000; i++) {
						Random random = new Random();

						Hashtable<String, String> pColumns = new Hashtable<String, String>();
						pColumns.put("dn", "dn" + random.nextInt(100));
						pColumns.put("fn", "fn" + random.nextInt(100));

						try {
							HBaseUtil.postBasic("impala_hbase_test_table",
									this.getName() + "a" + j++, "f", pColumns,
									null);
						} catch (Exception e2) {
							// TODO Auto-generated catch block
							e2.printStackTrace();
						}
					}
				}
			}.start();
		}

		try {
			Thread.currentThread().sleep(1000000000l);
		} catch (InterruptedException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}

        3、查看HBase数据量，共10643213条，如图：

        二、Impala、Hive加载HBase数据

        1、Hive使用DataBase hive_hbase，如图：

        2、Hive加载HBase数据，执行语句如下：

CREATE EXTERNAL TABLE impala_hbase(
rk string,
dn string,
fn string)
ROW FORMAT SERDE 'org.apache.hadoop.hive.hbase.HBaseSerDe'
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
WITH SERDEPROPERTIES ("hbase.columns.mapping" = ":key, f:dn, f:fn")
TBLPROPERTIES("hbase.table.name" = "impala_hbase_test_table");

        执行截图图如下：

        验证表是否存在，如图所示：

        之前

        之后

        3、Impala同步Hive元数据，并使用相同DataBase，验证表是否存在，如图：

        Impala同步Hive元数据

        Impala使用DataBase hive_hbase

        元数据同步前

        元数据同步后

        三、性能对比测试

        1、count

        执行语句：select count(1) from impala_hbase;

        Impala耗时：28.58s

        Hive耗时：255.412s

        Impala执行截图如下：

        Hive执行截图如下：

        2、group by

        执行语句：select dn,count(1) from impala_hbase group by dn;

        Impala耗时：60.13s

        Hive耗时：257.453s

        Impala执行截图如下：

        Hive执行截图如下：

        四、注意事项

        Impala有个内存阈值的设置，如果该值设置太小，Impala执行大数据量查询时，会受限于内存阈值而无法正确执行，如下：

        这个内存阈值在CDH5中Impala安装时默认为256M，将其修改为2G，如图：

        很不幸，重启Impala后再次执行group by语句，依然不行，如图所示：

        干脆按照参数说明直接改为-1B，即不增加内存阈值，爱怎怎，如图：

        结果执行group by语句成功！

        结论：

        在以上测试环境中，Impala性能大大优于Hive！