在Impala中，invalidate metadata与refresh语句都可以用来刷新表，但它们本质上还是不同的。本文简要分析一下，并说明它们应该在什么情况下使用。
Impala on Hive介绍
我们一般会采用传统的MySQL或PostgreSQL数据库作为Hive的Metastore（元数据存储）组件。在CDH中默认是MySQL，我们可以通过show tables in hive语句清晰地看到Hive Metastore中的各个表。
mysql> show tables in hive;
+---------------------------+
| Tables_in_hive |
+---------------------------+
| BUCKETING_COLS |
| CDS |
| COLUMNS_V2 |
| COMPACTION_QUEUE |
| COMPLETED_TXN_COMPONENTS |
| DATABASE_PARAMS |
| DBS |
| DB_PRIVS |
| DELEGATION_TOKENS |
| FUNCS |
| FUNC_RU |
| GLOBAL_PRIVS |
| HIVE_LOCKS |
| IDXS |
| INDEX_PARAMS |
| MASTER_KEYS |
| METASTORE_DB_PROPERTIES |
| NEXT_COMPACTION_QUEUE_ID |
| NEXT_LOCK_ID |
| NEXT_TXN_ID |
| NOTIFICATION_LOG |
| NOTIFICATION_SEQUENCE |
| NUCLEUS_TABLES |
| PARTITIONS |
| PARTITION_EVENTS |
| PARTITION_KEYS |
| PARTITION_KEY_VALS |
| PARTITION_PARAMS |
| PART_COL_PRIVS |
| PART_COL_STATS |
| PART_PRIVS |
| ROLES |
| ROLE_MAP |
| SDS |
| SD_PARAMS |
| SEQUENCE_TABLE |
| SERDES |
| SERDE_PARAMS |
| SKEWED_COL_NAMES |
| SKEWED_COL_VALUE_LOC_MAP |
| SKEWED_STRING_LIST |
| SKEWED_STRING_LIST_VALUES |
| SKEWED_VALUES |
| SORT_COLS |
| TABLE_PARAMS |
| TAB_COL_STATS |
| TBLS |
| TBL_COL_PRIVS |
| TBL_PRIVS |
| TXNS |
| TXN_COMPONENTS |
| TYPES |
| TYPE_FIELDS |
| VERSION |
+---------------------------+
54 rows in set (0.00 sec)
它的组织方式与MySQL中的information_schema类似。如TBLS保存有所有表的元数据，COLUMNS保存有所有列的元数据，PARTITIONS存储分区信息，SDS存储表及分区对应的HDFS目录映射，等等。
Impala作为一个MPP查询引擎，经常会配合Hive一同使用，我们的业务中也是如此。下图示出Impala及周边组件的大体结构。
Impala的核心组件是impalad，它负责提供所有查询服务。另外，还有catalogd负责获取与缓存表元数据，statestored则负责表元数据到每个impalad的更新。
这种方案完美解决了每次查询都要获取表元数据的问题，因为一旦表结构非常复杂或者数据很多，获取元数据会造成很大的延迟。如果将它们缓存下来，元数据就可以重用，节省时间。
但是，它又带来了一个新的问题：由于缓存不会即时刷新，当在Hive本身进行元数据甚至数据的更改时，Impala无法感知到。常见的情境如在Hive中新建了一张表，或者直接在Hive表对应的HDFS目录中新增文件等。所以，Impala才提供了invalidate metadata与refresh两条语句来打补丁。
invalidate metadata
invalidate的意思是“使无效、使作废”，因此invalidate metadata的含义就是“废除（缓存的）元数据”。它的语法是：
invalidate metadata; -- 废除所有表的元数据
invalidate metadata [table]; -- 废除表table的元数据
如果在某个impalad（简称为I）上执行了invalidate metadata table语句，会发生如下的动作：
- I获取到表table，对catalogd发起resetMetadata请求；
- catalogd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中的所有元数据，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；
- catalogd再生成一个标记缓存的版本号，将这个不完整的缓存和版本号一起返回给I，然后继续异步加载其余的元数据；
- I收到catalogd返回的不完整缓存和版本号，用它来更新本地缓存。
invalidate metadata的特点就是异步性和全量性。从上面可以看出，在刚执行完时，除了I之外的其他impalad仍然保有旧的元数据缓存，就算I保有的新元数据也是残缺的。只有当catalogd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statestored广播给所有impalad，整个Impala集群的元数据感知才会达到一致。
refresh
refresh的意思比较简单，“刷新”。它的语法是：
refresh [table]; -- 刷新表table的元数据
refresh [table] partition [partition]; -- 刷新表table的partition分区元数据
在I上执行refresh table语句会发生如下的动作：
- I获取到表table，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；
- I收到catalogd返回的完整缓存，用它来更新本地缓存。
当然，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I之外的其他impalad也保有旧的缓存。
由此可见，与invalidate metadata不同，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。
如何正确使用
通过上面的简单分析，容易做出以下总结：
- 如果数仓中发生了增删表或改变表结构的行为，如
create table、drop table、alter table add column等，就使用invalidate metadata [table]语句。 - 如果数仓中某表加入了新数据，或者有分区的改动，如
load data、alter table add partition等，就使用refresh [table] (partition [partition])语句。 - invalidate metadata比起refresh而言要重量级得多，并且它造成impalad之间查询不一致也会更严重。因此，也几乎禁止使用不带表名的invalidate metadata语句。
- 如果数仓中涉及到非常大批量的元数据更改，那么建议直接重启catalogd和statestored，这总比使用不带表名的invalidate metadata来得高效一些。
网友评论