Impala学习--Impala前端代码分析，Impala后端代码分析

Impala前端代码分析

Table of Contents

• 1 概述
• 2 语法分析和ParseNode
• 3 Analyzer
• 4 生成执行计划和Planner
• 5 Catalog

1 概述

前端代码使用java。感觉使用java的原因是，本身语法分析不会占用太多时间，毫秒级可以完成，不是性能瓶颈。而且语法分析的代码通常比较复杂，逻辑较多，如果再自己管理内存的话，会影响开发效率。

Impala通过jni调用前端java代码，前后端数据传递采用thrift格式。

前端的代码主要包括以下几个功能：

• 将用户提交的query转换成语法树，这个通过jflex和cup完成（hive使用的是antlr）
• 语法分析
• 生成执行计划
• 在编译中访问元数据

2 语法分析和ParseNode

ParseNode定义了一个接口。jflex和cup分析完的语法树中，每一个节点都实现了这个接口。语法分析就是在这个ParseNode组成的树中进行的。

ParseNode的实现和继承关系如下：

• Expr （表达式）
  • Predicate (谓词，出现在where语句中)
    • BetweenPredicate
    • BinaryPredicate (=, !=, <=, >=, <, >)
    • CompoundPredicate (&&, ||, !)
    • InPredicate
    • IsNullPredicate
    • LikePredicate
    • LiteralPredicate
      • BoolLiteral
      • DateLiteral
      • FloatLiteral
      • IntLiteral
      • NullLiteral
      • StringLiteral
  • AggregateExpr (count, min, max, distince, sum, avg)
  • ArithmeticExpr (*, /, %, DIV, +, -, &, |, ^, ~)
  • CaseExpr
  • CastExpr
  • FunctionCallExpr
  • LiteralExpr
  • TimestampArithmeticExpr
• QueryStmt
  • SelectStmt
  • UnionStmt
• InsertStmt
• ShowDbStmt
• ShowTablesStmt
• DescribeStmt
• UseStmt
• TableRef
  • BaseTableRef
  • InlineViewTableRef (alias)

其中，Expr继承了TreeNode类，可以组成一个求值树。而其他ParseNode虽然没有继承TreeNode，但也都有类似的数据结构。可以访问孩子节点。这样ParseNode就组成了一颗语法树。

语法分析阶段主要进行了一些基本的语法检查，类型检查，并抽取一些信息，放到Analyzer类中，例如alias映射表等等。

3 Analyzer

Analyzer是语法分析的一个产出。Analyzer用于收集某一个QureyBlock内的信息。类似Hive中的QB类。

其主要成员变量包括：

• DescriptorTable descTbl;
• Catalog catalog;
• String defaultDb;
• IdGenerator<ExprId> conjunctIdGenerator;
• Analyzer parentAnalyzer;
• Map<String, TupleDescriptor> aliasMap;
• Map<String, SlotDescriptor> slotRefMap;
• Map<ExprId, Predicate> conjuncts;
• Map<TupleId, List<ExprId> > tuplePredicates;
• Map<SlotId, List<ExprId> > slotPredicates;
• Map<TupleId, List<ExprId> > eqJoinConjuncts;
• Set<ExprId> assignedConjuncts;
• Map<TupleId, TableRef> outerJoinedTupleIds;
• Map<TableRef, List<ExprId> > conjunctsByOjClouse;
• Map<ExprId, TableRef> ojClouseByConjunct;
• Set<ExprId> whereClauseConjuncts;

4 生成执行计划和Planner

Planner负责将分析后的语法树转换成执行计划，即PlanFragments。

Planner的入口函数是Planner::createPlanFragments()。其主要流程如下：

• createSinglePlan:

  根据语法分析的结果，遍历并生成一个逻辑执行计划树。树中的节点是PlanNode。树的根节点是最后被执行的节点。

• createPlanFragments:

  将生成的执行计划切割成多个PlanFragment。这个过程类似Hive中将执行计划分割成多个MapRed阶段。目前Impala划分阶段的规则是：如果遇到ScanNode, HashJoinNode, MergeNode, AggregationNode, SortNode，则产生一个新的PlanFragment。每一个PlanFragment之间通过ExchangeNode相连。ExchangeNode在运行时中会负责跨Impalad的数据传输。

• computeMemLayout:

  对于输入表，计算在内存中的layout。主要目的是为了计算一条记录在内存中会占用多少字节（由TupleDescriptor描述），以及每一个字段在内存中如何分布（由SlotDescriptor描述）。

最后PlanFragments就会成为物理执行计划，转成thrift后返回给前端。

5 Catalog

Impala直接使用了Hive的HiveMeteStoreClient类，用于访问元数据。这就意味着，必须还要启动一个HiveMetaStore进程，用于提供元数据服务。目前Catalog默认采用lazy模式，只在需要时加载database和table对象。

Catalog主要在语法分析阶段使用，用于获取Hive元数据，目前在Planner中没有使用Catalog。

Impala学习–Impala后端代码分析

Table of Contents

• 1 代码结构
• 2 StateStore
• 3 Scheduler
• 4 impalad启动流程
• 5 Coordinator
• 6 ExecNode
• 7 PlanFragmentExecutor

1 代码结构

• service: 连接前端，并接受client的请求
• runtime: 运行时需要的类，包括coordinator, datastream, mem-pool, tuple等
• exec: ExecNode，执行节点
• expr: 表达式求值
• transport: Thrift SASL: Simple Authentication and Security Layer
• statestore: 调度，nameservice，资源池
• codegen: 代码生成

2 StateStore

StateStore是一个C/S结构的信息订阅服务，在Impala里面，主要用于管理当前集群的membership状态，并用于调度和发现故障进程。StateStore是一个独立的进程，每一各impalad会建立一个或多个于StateStore的连接。

StateStore提供四个接口：

• RegisterService：向某个服务进行注册，就是加入并成为这个服务的成员
• UnregisterService：取消在某个服务的注册
• RegisterSubscription：订阅某一各服务的成员信息
• UnregisterSubscription：取消对某个服务成员信息的注册

StateStore会通过心跳来检查已经注册的成员是否还活着，判断条件可以是心跳超时，连续丢失n个心跳。StateStore定期向subscriber更新其所订阅服务的成员信息。目前的更新策略是全量更新，未来会考虑增量更新。通常在Impala集群中只存在一个服务，每个impalad都会注册这个服务。注册服务后，这个impalad就可以对其他impalad可见，这样就可以接受其他impalad发来的任务。

3 Scheduler

Coordinator在得到执行计划后，通过Scheduler得到可以执行的后端，并向这些后端发送执行命令

Scheduler提供两个接口

• GetHosts：提供一组访问数据所在的机器地址，返回一组和数据尽量接近的机器地址
• GetAllKnownHosts：返回所有还存活的机器地址。

SimpleScheduler是目前唯一的Scheduler的实现。Coordinator通过调用SimpleScheduler的GetHosts方法，调度和远端任务分配。在GetHosts方法中，采用的算法是：优先寻找已经和数据位置相同的后端，如果没有相同的，则采用roud-robin算法。目前SimpleScheduler没有考虑机器实时的负载情况。返回的后端数目取决于输入数据分布的机器数目。

4 impalad启动流程

• 初始化LLVM，hdfs，jni，hbase，前端
• 启动ImpalaServer
• 启动thriftserver，接受thrift请求
• 启动ExecEnv
  • 启动webserver
  • 启动SubscriptionManager
  • 启动Scheduler
    • 向StateStore订阅，并注册回调函数SimpleScheduler::UpdateMembership，用于调度时提供当前可用的后端
• SubscriptionManager::RegisterService
  • StateStore检查service是否存在，如果不存在，则建立一个新的service_instance
  • 检查客户端是否存在于这个service_instance的membership中，如果不存在，则添加一个
• SubscriptionMangaer::RegisterSubscription
  • StateStore添加一个Subscriber，订阅这个service的membership，并注册回调函数MembershipCallback
  • 当有update回调时，更新impala-server的membership状态，用于failure detector

Impalad启动后，就可以接受query请求，也可以接受其他impalad的请求，执行一个PlanFragment。

5 Coordinator

负责执行一组PlanFragments。同时负责响应client的请求。coordinator fragment在本地执行，其他发送到远程的impalad执行。coordinator同时监控整个执行状态。

Exec()函数是其最主要的函数，简要介绍一下这个函数中的流程：：

• ComputeFragementExecParams()：
  • ComputeFragmentHosts()：对于每一个Fragment，根据输入数据所在的节点，调用Scheduler的GetHosts方法，得到每个阶段在那些后端上执行
  • 对于每一个Fragment，计算其ExchangeNode的参数
• ComputeScanRangeAssignment()：计算每一个后端应该扫描多少数据。
• executor_ = new PlanFragmentExecutor()创建一个新的PlanFragmentExecutor。
• executor_->Prepare()
• 对于每一各fragment，对于每一个远程后端，调用ExecRemoteFragment。
• ProgressUpdater：定期更新状态。

6 ExecNode

所有ExecNode的父类。主要方法有Prepare(), Open(), GetNext(), Close(), CreateTree()ExecNode是真正在Impalad上处理数据的类，包括hash-join，聚合，scan等等。多个ExecNode组成了一颗执行树。root节点被最后执行，叶子节点被最先执行。

Impala中的执行顺序和Hive中相反。在Impala中，采用拖的方式，而Hive中采用推的方式。Impala中，执行入口是根节点的Open方法。Open方法会调用孩子节点的Open方法和GetNext方法。

主要数据结构包括：

• ObjectPool* pool_
• vector<Expr*> conjuncts_
• vector<ExecNode*> children_
• RowDescriptor row_descriptor_

主要函数包括：

• Prepare()在Open前被调用。code generation
• Open()在GetNext前被调用，准备工作。调用孩子节点的GetNext()
• GetNext()返回一组row，并标记eos
• EvalConjuncts()对所有表达式进行求值，并返回布尔结果

7 PlanFragmentExecutor

执行一个PlanFragment。包括初始化和清理。清理包括释放资源，关闭data stream。每一个Executor会有一个callback，用于汇报执行状态。

最主要的有三个函数，分别是：

• Status Prepare(TExecPlanFragmentParams):准备执行，主要流程如下：
  • DescriptorTbl::Create():初始化descriptor table.
  • ExecNode::CreateTree():初始化执行树。执行树由ExecNode组成。每一个ExecNode也提供了Prepare(), Open(), GetNext()三个函数。初始化完成后，plan_指向了执行树的根节点。
  • plan_->Prepare()：初始化执行树
  • 如果可以使用代码生成，则调用runtime_state_->llvm_codegen()->OptimizedModule()进行优化
  • set scan ranges
  • set up sink, if required
  • set up profile counter
• Status Open()：开始执行，并启动一个独立的线程向coordinator汇报状态：
  • plan_->Open()从根节点开始调用Open函数，开始执行。
  • if has sink: sink_->Send()如果有写回操作，例如query中包含insert语句，则主动将计算结果推送到hdfs或hbase中。
• Status GetNext(RowBatch)用于触发执行树的GetNext函数。当GetNext返回done时，则表明所有数据已经被处理完，Executor可以退出了。