Impla On Kudu方式

表类别：

内部表

内部表由 Impala 管理，当您从 Impala 中删除它时，数据和表会真正被删除。当您使用 Impala 创建新表时，它通常是一个内部表。

外部表

外部表（由 创建CREATE EXTERNAL TABLE）不由 Impala 管理，删除此类表不会从其源位置（此处为 Kudu）删除该表。相反，它只删除了 Impala 和 Kudu 之间的映射。这是 Kudu 提供的用于将现有表映射到 Impala 的语法中使用的模式。

表的复制因子

TBLPROPERTIES ('kudu.num_tablet_replicas' = 'n')指定值，其使用Impala创建的kudu表默认的复制因子是3个。

当指定了复制因子后，是无法通过Alter Table修改的，只能使用CREATE TABLE … AS SELECT重新创建表指定复制因子。

Impala数据库和Kudu数据库

使用Impala创建Kudu表的时候格式默认为 impala::database_name.table_name

SQL中的谓词优化

如果WHERE您的查询子句包含与运算符 =, <=, '<', '>', >=, BETWEEN, or的比较IN，Kudu 将直接评估条件并仅返回相关结果。这提供了最佳性能，因为 Kudu 只将相关结果返回给 Impala。对于谓词!=、LIKE或 Impala 支持的任何其他谓词类型，Kudu 不会直接评估谓词，而是将所有结果返回给 Impala 并依赖 Impala 评估剩余的谓词并相应地过滤结果。这可能会导致性能差异，具体取决于评估WHERE子句之前和之后结果集的增量。

分区方式

注意：分区的字段都必须在主键中存在

HASH分区

CREATE TABLE cust_behavior (id BIGINT,sku STRING,salary STRING,edu_level INT,usergender STRING,`group` STRING,city STRING,postcode STRING,last_purchase_price FLOAT,last_purchase_date BIGINT,category STRING,rating INT,fulfilled_date BIGINT,PRIMARY KEY (id, sku)
)
PARTITION BY HASH PARTITIONS 16
STORED AS KUDU;

Range分区

CREATE TABLE customers (state STRING,name STRING,purchase_count int,PRIMARY KEY (state, name)
)
PARTITION BY RANGE (state)
(PARTITION VALUE = 'al',PARTITION VALUE = 'ak',PARTITION VALUE = 'ar',-- ... etc ...PARTITION VALUE = 'wv',PARTITION VALUE = 'wy'
)
STORED AS KUDU;

Hash和Range分区混用的方式

CREATE TABLE cust_behavior (id BIGINT,sku STRING,salary STRING,edu_level INT,usergender STRING,`group` STRING,city STRING,postcode STRING,last_purchase_price FLOAT,last_purchase_date BIGINT,category STRING,rating INT,fulfilled_date BIGINT,PRIMARY KEY (id, sku)
)
PARTITION BY HASH (id) PARTITIONS 4, 
RANGE (sku)
(PARTITION VALUES < 'g',PARTITION 'g' <= VALUES < 'o',PARTITION 'o' <= VALUES < 'u',PARTITION 'u' <= VALUES
)
STORED AS KUDU;
​
-- 上表先根据 id Hash分区成4个tablet，然后再将这4个tablet中的每一个分区为4个tablet，则总共将会有16个tablet
​
CREATE TABLE cust_behavior (id BIGINT,sku STRING,salary STRING,edu_level INT,usergender STRING,`group` STRING,city STRING,postcode STRING,last_purchase_price FLOAT,last_purchase_date BIGINT,category STRING,rating INT,fulfilled_date BIGINT,PRIMARY KEY (id, sku)
)
PARTITION BY HASH (id) PARTITIONS 4,HASH (sku) PARTITIONS 4
STORED AS KUDU;
​

数据写入不存在的分区中

CREATE TABLE sales_by_year (year INT, sale_id INT, amount INT,PRIMARY KEY (year, sale_id)
)
PARTITION BY RANGE (year) (PARTITION VALUE = 2012,PARTITION VALUE = 2013,PARTITION VALUE = 2014,PARTITION VALUE = 2015,PARTITION VALUE = 2016
)
STORED AS KUDU;
​
-- 当year = 2017年的数据写入的时候，该数据将会被丢弃，并报错。
-- 新增分区的语句为：
ALTER TABLE sales_by_year ADD RANGE PARTITION VALUE = 2017;
-- 删除分区的语句为：
ALTER TABLE sales_by_year DROP RANGE PARTITION VALUE = 2012;
​

分区的经验法则

• 对于大型表，例如事实表，目标是与集群中的核心数量一样多的Tablet。

• 对于维度表等小型表，请确保每个 tablet 的大小至少为 1 GB。

通常，在当前实现中，请注意Tablet的数量限制了读取的并行性。将Tablet的数量显着增加超过核心数量可能会导致收益递减。

注意Kudu的一些限制：

1. 在 Impala 中用作外部表时，必须为名称包含大写或非 ascii 字符的 Kudu 表分配一个备用名称。
​
2. 列名包含大写或非 ascii 字符的 Kudu 表不能用作 Impala 中的外部表。可以在 Kudu 中重命名列以解决此问题。
​
3. 创建 Kudu 表时，该CREATE TABLE语句必须按主键顺序在其他列之前包含主键列。
​
4. Impala 无法创建具有嵌套类型列的 Kudu 表。
​
5. Impala 无法更新主键列中的值。
​
6. !=和LIKE谓词不会推送到 Kudu，而是由 Impala 扫描节点评估。相对于其他类型的谓词，这可能会降低性能。
​
7. 通过 Impala 进行的更新、插入和删除是非事务性的。如果查询中途失败，其部分影响将不会回滚。
​
8. 单个查询的最大并行度受限于表中的 tablet 数量。为获得良好的分析性能，大型表的目标是每台主机 10 个或更多tablet。
​
​
列数
默认情况下，Kudu 不允许创建超过 300 列的表。我们建议使用较少列的架构设计以获得最佳性能。
​
细胞大小
在编码或压缩之前，单个单元格的大小不得大于 64KB。在 Kudu 完成内部复合密钥编码后，组成复合密钥的单元总共限制为 16KB。插入不符合这些限制的行将导致错误返回给客户端。
​
行的大小
尽管单个单元格可能高达 64KB，并且 Kudu 最多支持 300 列，但建议单行不要超过几百 KB。
​
有效标识符
表名和列名等标识符必须是有效的 UTF-8 序列，并且不超过 256 个字节。
​
不可变主键
Kudu 不允许您更新一行的主键列。
​
不可更改的主键
Kudu 不允许您在创建表后更改主键列。
​
不可更改的分区
Kudu 不允许您在创建后更改表的分区方式，添加或删除范围分区除外。
​
不可更改的列类型
Kudu 不允许更改列的类型。
​
分区拆分
创建表后不能拆分或合并分区。
​
不回收已删除的行磁盘空间
被删除的行占用的磁盘空间只能通过压缩回收，并且只有当删除的年龄超过“Tablet历史最大年龄”（由 --tablet_history_max_age_sec标志控制）时。此外，Kudu 目前仅调度压缩以提高读/写性能；Tablet 永远不会纯粹为了回收磁盘空间而压缩。因此，当预计会丢弃大量行时，应使用范围分区。使用范围分区，可以删除单个分区以丢弃数据并回收磁盘空间。
​

Kudu的设计架构

https://github.com/apache/kudu/blob/master/docs/design-docs/tablet.md