0758-5.16.2-Impala的invalidate与refresh介绍

作者：段自强

审核：黄权隆

修订：Fayson

Impala元数据简介

Impala并没有保存自己元数据的后端的关系型数据库，它通过连接到Hive Metastore来获取元数据并缓存到Catalog Server，如大家所知，Hive Metastore则是连接后端的MySQL关系型数据库。Catalog Server除了缓存Hive Metastore的数据，同时还会找NameNode和Sentry Server去拉取HDFS文件路径相关元数据，以及安全策略的元数据，随后将其压缩并发送到Statestore以广播给所有Impala Daemon，如果做了Coordinator和Executor分离，则Statestore只广播给Coordinator。

Impala这种架构也是尽可能的提升查询性能，尤其相比Hive SQL或者Spark SQL，因为比如一个表具有大量数据同时包含大量分区，检索该表的所有元数据可能非常耗时，有时可能需要几分钟。因此Impala节点都会缓存这些元数据，以便查询需要访问元数据时可以直接从内存中读取。

如果表定义或者表中的数据被更新，则集群中所有的Impala Daemon必须接收最新的元数据以替换旧的元数据，然后对这个表的查询才是正确的 。从Impala1.2开始，这个元数据更新是自动的，如果是通过Impala发起的DDL和DML语句，Catalog Server会将新的元数据 发布给Statestore，然后广播给所有的Impala Daemon节点，实现元数据的自动更新。

如果是通过Hive发出的DDL和DML，或者对HDFS底层的文件进行了手动更改，你需要手动更新Impala的元数据，如果是给一张表添加了新数据，可以通过REFRESH命令，如果是新建一张表或者删除整表，则可以通过INVALIDATE METADATA命令来更新元数据。INVALIDATE METADATA会去找HMS重新获取完全的元数据 (注意该操作是异步的，是异步逐步加载所有元数据还是查询时才获取通过参数设置，下面章节会说明)，如果你知道只是更新了某一张表，你可以通过命令REFRESH table_name只是刷新该表的元数据。

本文主要详细介绍INVALIDATE和REFRESH命令，以及两者的区别，最后会给出总结。

• 测试环境

1.Redhat7.4

2.CDH5.16.2

3.集群已启用Kerberos+Sentry

refresh

1.refresh在impala中是相对invalidate来说较为轻量的的刷新，他的语法是：

refresh [table]                          --刷新table表的元数据
refresh [table] partition [partition]    --刷新table表partition分区的元数据

2.refresh的执行过程

• refresh table的时候，其中一个impala Daemon首先对catalogd发起resetMetadata请求
• catalogd收到该请求：对指定了partition的请求，执行reloadPartition操作，获取该分区最新的元数据并刷新；对未指定partition的请求，执行reloadTable操作，获取全部分区最新的元数据并刷新。这里的“刷新”是指Metastore中与缓存对比如果没有变化，就保持原状；如果有增删改，才会发生改变
• impala Daemon收到catalog返回的完整缓存，用它来更新本地缓存。

这里要注意的是：statestored仍会负责广播新的元数据到其他节点。在广播完之前，除了已经执行刷新的impala Daemon之外的其他impala Daemon依旧保有旧的缓存。

3.refresh特点

refresh的特点是同步性和增量性。并且，它的执行是围绕单表以及单表的分区进行的，因此它更轻量级，也更适合分区元数据或数据文件更改之后的刷新。另外在hive里新建的表在impala里是无法使用refresh的。

invalidate

1.invalidate意思是“使无效，废除”，因此invalidate metadata的含义就是“废除（缓存的）元数据”，他的语法是：

invalidate metadata               --重新生成所有表元数据
invalidate metadata [table]       --重新生成table表的元数据

2.invalidate的执行过程

• invalidate metadata的时候，impalad向catalogd发起无参的resetMetadata请求，表示清空所有元数据，待被使用时才异步加载
• invalidate metadata table的时候，其中一个impala Daemon获取到表table，对catalogd发起resetMetadata请求
• catalog收到该请求，执行invalidateTable操作，清除所有与table相关的元数据缓存，重新读取Metastore中的 元数据，并生成新的缓存。但是此时生成的缓存只包含库名和表名，是不完整的
• catalog再生成一个标记缓存的版本号，将这个IncompleteTable 缓存和版本号一起返回给impala Daemon，然后继续异步加载其余的元数据
• impala Daemon收到catalogd返回的不完整缓存和版本号，用它来更新本地缓存。

这里同样要注意：在刚执行完时，除了执行刷新操作的impala Daemon之外的其他impala Daemon仍然保有旧的元数据缓存，就算此节点保有的新元数据也是残缺的。只有当catalog异步加载完了table对应的所有元数据 ，才会生成一个更新的版本号，并将完整的元数据通过statestore广播给所有impala Daemon，整个Impala集群的元数据感知才会达到一致。

注：只有设置了启动参数 –load_table_in_background=true 才会异步加载元数据。CM默认会加这个参数，建议大集群中设为false。否则对于大集群可能启动时间非常长，甚至几个小时都启动不完。

3.invalidate的特点

invalidate metadata的特点就是异步性和全量性。但是它涉及到大批量元数据的更改，所以较为消耗资源和时间。

元数据刷新的权限控制

4.1refresh权限测试

1.用管理员用户给一张表赋予select 权限，并把test用户所在的组加入此权限的角色

2.用test用户执行refresh [table]命令

执行失败，无权限执行命令

3.用管理员用户给一张表赋予insert权限，并把test用户所在的组加入此权限的角色

4.用test用户执行refresh [table]命令

执行失败，无权限执行命令

5.用管理员用户给一张表所在的数据库赋予create权限，并把test用户所在的组加入此权限的角色

6.用test用户执行refresh [table]命令

执行失败，无权限执行命令

7.用管理员用户给一张表赋予refresh权限，并把test用户所在的组加入此权限的角色

8.test用户执行refresh [table]命令

9.用管理员用户给一张表赋予all权限，并把test用户所在的组加入此权限的角色

10.test用户执行refresh [table]命令

执行成功，刷新表成功

说明只有拥有该表的REFRESH权限的用户才能执行refresh [table]操作。

4.2 invalidate权限测试

1.用管理员用户给一张表赋予select 权限，并把test用户所在的组加入此权限的角色

2.用test用户执行invalidate metadata [table]和invalidate metadata命令

执行失败，无权限执行命令

3.用管理员用户给一张表赋予insert权限，并把test用户所在的组加入此权限的角色

4.用test用户执行invalidate metadata [table]和invalidate metadata命令

执行失败，无权限执行命令

5.用管理员用户给一张表所在的数据库赋予create权限，并把test用户所在的组加入此权限的角色

6.用test用户执行invalidate metadata [table]和invalidate metadata命令

执行失败，无权限执行命令

7.用管理员用户给一张表赋予refresh权限，并把test用户所在的组加入此权限的角色

8.test用户执行invalidate metadata [table]和invalidate metadata命令

invalidate metadata [table]执行成功，刷新表成功，invalidate metadata执行失败，无权限执行命令

9.用管理员用户给一张表赋予all权限，并把test用户所在的组加入此权限的角色

10.test用户执行invalidate metadata [table]和invalidate metadata命令

invalidate metadata [table]执行成功，刷新表成功，invalidate metadata执行失败，无权限执行命令

11.用管理员用户给这张表所在数据库赋予all权限，并把test用户所在的组加入此权限的角色

12.test用户执行invalidate metadata命令

执行失败

13.用管理员用户给server赋予all权限，并把test用户所在的组加入此权限的角色

14.test用户执行invalidate metadata命令

命令执行成功

15.用管理员用户给server赋予refresh权限，并把test用户所在的组加入此权限的角色

16.test用户执行invalidate metadata命令

命令执行成功

说明对于invalidate metadata命令，只有拥有server的refresh和server的all权限的用户才可以执行成功。对于invalidate metadata [table]命令，必须拥有该表refresh权限才可以执行成功。

4.3 总结

1.如果hive中发生了增删表行为，如create table、drop table，就使用invalidate metadata [table]语句。

2.如果hive中某表加入了新数据，或者有分区的改动，或者改变表结构的行为，如load data、alter table add partition、alter table add column等，就使用refresh [table] partition [partition]语句。

3.需要执行invalidate metadata操作的用户，必须赋予其所有表的REFRESH权限，不然无法执行成功。

4.只有拥有该表的REFRESH权限的用户才可以对该表进行invalidate metadata [table]和refresh [table]操作。

使用场景建议

1.因为invalidate本身是一个比较重的操作，它会清空所有元数据缓存，而只是加载所有IncompleteTable缓存，后面的查询在请求具体某张table的时候才会去重新加载全部的完整元数据，所以会对后面的查询有影响。因此我们应尽量避免直接使用invalidate metadata的操作，改为invalidate [table]或者使用refresh命令。

2.对于Impala的开发用户，企业内部可以进行invalidate和refresh命令使用的相关规范指引，配合以审计来完善管理流程。或者通过Sentry的权限控制只是将invalidate和refresh的命令开放给部分用户。