一种基于impala的可增量的大数据计算方法及其系统与流程

1.本发明属于大数据计算的技术领域，具体涉及一种基于impala的可增量的大数据计算方法及其系统。


背景技术：

2.随着计算机和信息技术的迅猛发展和普及应用，行业应用所产生的数据呈爆炸性增长，数据量已经远远超过了现有传统的计算技术和信息系统的处理能力，因此，寻求有效的大数据处理技术、方法和手段已经成为迫切需求。
3.hadoop实现了一个分布式文件系统(distributed file system)，其中一个组件是hdfs(hadoop distributed file system)。hdfs为海量的数据提供了存储，有高容错性的特点，并且设计用来部署在低廉的(low-cost)硬件上，而且它提供高吞吐量来访问数据，适合有超大数据量的应用程序。
4.impala是用于处理存储在hadoop集群中的大量数据的mpp(大规模并行处理)sql查询引擎，它提供了访问存储在hadoop分布式文件系统中的数据的最快方式，具有高性能和低延迟。
5.impala是基于内存的计算引擎，数据量大的计算就需要更多的内存，如果同时有多个计算任务在执行，就容易导致内存不足。通过编写sql执行的方式，每次都需要全量的数据执行计算，计算的过程中，内存资源一直都被占用，无法释放，而且计算任务一旦中断，就需要再次执行，浪费时间，又影响效率。
6.有鉴于此，提出一种基于impala的可增量的大数据计算方法及其系统是非常具有意义的。


技术实现要素：

7.为了解决现有当计算数据量大，计算资源不足的问题；计算任务一旦中断，又需要重新全量执行，浪费时间，影响效率的问题；无法针对特定的sql的特定大数据量的资源表进行增量计算等问题，本发明提供一种基于impala的可增量的大数据计算方法及其系统，以解决上述存在的技术缺陷问题。
8.第一方面，本发明提出了一种基于impala的可增量的大数据计算方法，该方法包括：
9.s1、响应于扫描资源表并读取hdfs中对应的文件，并保存所述文件和资源表的信息；
10.s2、判断是否有新增的文件，若有，则进一步判断所述新增文件的数量和文件的大小，否则结束；
11.s3、进一步根据所述文件数量和文件大小，拆分成各个子资源表，每个所述资源表平均分配所述新增文件；
12.s4、将所述新增文件通过hdfs命令复制到各个所述子资源表；
13.s5、当响应于执行sql时，将所述资源表替换为所述子资源表，并循环执行。
14.优选的，在s1之前还包括：响应于配置sql执行信息，所述执行信息包括计算sql select语句、需增量计算的资源表、执行结果的表名、计算线程数量以及创建时间。
15.优选的，s1具体包括：
16.s11、通过impala命令，查询资源表的信息，获取所述资源表的hdfs路径；
17.s12、扫描所述资源表的hdfs路径，读取所述资源表下所有的hdfs文件，获取所有文件信息，并将读取的hdfs文件信息放在集合l1中；
18.s13、读取所述资源表关联文件信息的配置表，放在集合l2中。
19.进一步优选的，在s1之后与s2之前还包括：对所述集合l1和集合l2进行文件名称对比，并将新增文件放到集合l3中，进一步判断集合l3中是否有增量数据。
20.优选的，s3具体还包括：
21.s31、根据所述新增文件的总文件数量、每个文件的大小、计线程数量，计算需要创建的子资源表数量，以及每个子资源表的文件个数；
22.s32、根据所述资源表的表结构，通过impala创建各个子资源表，并且获取所述子资源表的hdfs路径；
23.s33、根据s31计算的资源表文件个数，循环集合l3，通过hdfs命令将文件复制到子资源表的hdfs路径下，并且保存子资源表和文件的关联关系表。
24.进一步优选的，s5还包括：
25.s51、通过impala命令刷新所述子资源表，使数据生效；
26.s52、循环各个所述子资源表，将sql中的所述资源表替换成所述子资源表，根据配置的计算线程数量，采用线程池执行sql获取子结果表，并记录执行情况：资源表，子资源表，执行状态，开始时间，结束时间，消息。
27.进一步优选的，s5还包括：
28.s53、判断所述执行信息中的执行结果表是否已经存在；
29.s54、若不存在，根据所述子结果表的表结构，通过impala创建结果表，并且获取所述结果表的hdfs路径；
30.s55、通过impala获取所述子结果表的hdfs路径，将所述子结果表的hdfs文件迁移到所述执行结果表的hdfs路径下，并通过impala刷新执行结果表，使数据生效；
31.s56、执行结束，将资源表和集合l3的新增文件的关联关系保存到资源表关联文件信息的配置表中。
32.第二方面，本发明还提出基于impala的可增量的大数据计算系统，其特征在于，包括：
33.扫描读取模块：用于响应于扫描资源表并读取hdfs中对应的文件，并保存所述文件和资源表的信息；
34.判断模块：用于判断是否有新增的文件，若有，则进一步判断所述新增文件的数量和文件的大小，否则结束；
35.拆分分配模块：用于根据所述文件数量和文件大小，拆分成各个子资源表，每个所述资源表平均分配所述新增文件；
36.复制模块：用于将所述新增文件通过hdfs命令复制到各个所述子资源表；
37.替换模块：用于将所述资源表替换为所述子资源表，并循环执行。
38.第三方面，本发明实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
39.第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
40.与现有技术相比，本发明的有益成果在于：
41.本发明通过扫描资源表读取hdfs中对应的文件，保存文件和资源表的信息，判断是否有新增的文件，若有，判断新增文件数量和文件大小，根据文件数量和文件大小，拆分成各个子资源表，每个资源表平均分配新增文件，然后将新增文件通过hdfs命令复制到各个子资源表，执行sql的时候，将资源表替换为子资源表，循环执行，解决当计算数据量大，而计算资源不足；计算任务一旦中断，又需要重新执行；每次计算都要全量计算，无法针对特定的表进行增量计算等问题。
附图说明
42.包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。附图的元件不一定是相互按照比例的。同样的附图标记指代对应的类似部件。
43.图1是本发明的一个实施例可以应用于其中的示例性装置架构图；
44.图2为本发明的实施例的基于impala的可增量的大数据计算方法的流程示意图；
45.图3为本发明的实施例的基于impala的可增量的大数据计算方法中具体的流程示意图；
46.图4为本发明的实施例的基于impala的可增量的大数据计算系统的流程示意图；
47.图5是适于用来实现本发明实施例的电子设备的计算机装置的结构示意图。
具体实施方式
48.在以下详细描述中，参考附图，该附图形成详细描述的一部分，并且通过其中可实践本发明的说明性具体实施例来示出。对此，参考描述的图的取向来使用方向术语，例如“顶”、“底”、“左”、“右”、“上”、“下”等。因为实施例的部件可被定位于若干不同取向中，为了图示的目的使用方向术语并且方向术语绝非限制。应当理解的是，可以利用其他实施例或可以做出逻辑改变，而不背离本发明的范围。因此以下详细描述不应当在限制的意义上被采用，并且本发明的范围由所附权利要求来限定。
49.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
50.图1示出了可以应用本发明实施例的用于处理信息的方法或用于处理信息的装置的示例性系统架构100。
51.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以
包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
52.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
53.终端设备101、102、103可以是具有通信功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
54.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的校验请求信息进行处理的后台信息处理服务器。后台信息处理服务器可以对接收到的校验请求信息进行分析等处理，并得到处理结果(例如用于表征校验请求为合法请求的校验成功信息)。
55.需要说明的是，本发明实施例所提供的用于处理信息的方法一般由服务器105执行，相应地，用于处理信息的装置一般设置于服务器105中。另外，本发明实施例所提供的用于发送信息的方法一般由终端设备101、102、103执行，相应地，用于发送信息的装置一般设置于终端设备101、102、103中。
56.需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或多个软件模块，在此不做具体限定。
57.impala是基于内存的计算引擎，数据量大的计算就需要更多的内存，如果同时有多个计算任务在执行，就容易导致内存不足。通过编写sql执行的方式，每次都需要全量的数据执行计算，计算的过程中，内存资源一直都被占用，无法释放，而且计算任务一旦中断，就需要再次执行，浪费时间，又影响效率。
58.为了解决现有当计算数据量大，计算资源不足的问题；计算任务一旦中断，又需要重新全量执行，浪费时间，影响效率的问题；无法针对特定的sql的特定大数据量的资源表进行增量计算等问题。
59.第一方面，本发明的实施例公开了一种基于impala的可增量的大数据计算方法，如图2所示，该方法包括：
60.s101、响应于扫描资源表并读取hdfs中对应的文件，并保存所述文件和资源表的信息；
61.s102、判断是否有新增的文件，若有，则进一步判断所述新增文件的数量和文件的大小，否则结束；
62.s103、进一步根据所述文件数量和文件大小，拆分成各个子资源表，每个所述资源表平均分配所述新增文件；
63.s104、将所述新增文件通过hdfs命令复制到各个所述子资源表；
64.s105、当响应于执行sql时，将所述资源表替换为所述子资源表，并循环执行。
65.本发明通过扫描资源表读取hdfs中对应的文件，保存文件和资源表的信息，判断是否有新增的文件，若有，判断新增文件数量和文件大小，根据文件数量和文件大小，拆分成各个子资源表，每个资源表平均分配新增文件，然后将新增文件通过hdfs命令复制到各个子资源表，执行sql的时候，将资源表替换为子资源表，循环执行。
66.进一步的，在本实施例中，如图3所示，具体步骤如下：
67.s1、配置sql执行信息：计算sql语句(select语句)，需增量计算的资源表，执行结果的表名，计算线程数量，创建时间。
68.s2、开始执行任务。
69.s3、通过impala命令，查询资源表的信息，获取资源表的hdfs路径。
70.s4、扫描资源表的hdfs路径，读取资源表下所有的hdfs文件，获取所有文件信息，如：文件名称，文件大小。将读取的hdfs文件信息放在集合l1中。
71.s5、读取资源表关联文件信息的配置表(该表为任务历史执行保存的资源表和hdfs文件的关联信息)，放在集合l2中。配置表信息有：资源表，文件名称，文件大小，保存时间等。
72.s6、集合l1和l2进行文件名称对比，新增文件(即增量数据)，放到集合l3中。
73.s7、判断是否有新增文件，即集合l3是否有数据。
74.s8、若有，根据新增文件的总文件数量、每个文件的大小、计线程数量，计算需要创建的子资源表数量，以及每个子资源表的文件个数。
75.s9、根据资源表的表结构，通过impala创建各个子资源表，并且获取子资源表的hdfs路径。
76.s10、根据s8计算的资源表文件个数，循环集合l3(即增量数据)，通过hdfs命令将文件复制到子资源表的hdfs路径下，并且保存子资源表和文件的关联关系表。其中，关系表信息包括：资源表，子资源表，文件名，文件大小，创建时间等。
77.s11、通过impala命令刷新子资源表，使数据生效。
78.s12、循环各个子资源表，将sql中的资源表替换成子资源表，根据配置的计算线程数量，采用线程池执行sql获取子结果表，记录执行情况：资源表，子资源表，执行状态，开始时间，结束时间，消息。
79.s13、判断s1中的任务信息的执行结果表是否已经存在。
80.s14、若不存在，根据子结果表的表结构，通过impala创建结果表，并且获取结果表的hdfs路径。
81.s15、通过impala获取子结果表的hdfs路径，将子结果表的hdfs文件迁移到执行结果表的hdfs路径下，通过impala刷新执行结果表，使数据生效。
82.s16、执行结束，将资源表和新增文件(集合l3)的关联关系保存到资源表关联文件信息的配置表中。
83.本发明解决当计算数据量大，而计算资源不足；计算任务一旦中断，又需要重新执行；每次计算都要全量计算，无法针对特定的表进行增量计算等问题。
84.第二方面，本发明还提出基于impala的可增量的大数据计算系统，参照图4，包括：扫描读取模块41、判断模块42、拆分分配模块43、复制模块44以及替换模块45。扫描读取模块41：用于响应于扫描资源表并读取hdfs中对应的文件，并保存所述文件和资源表的信息；判断模块42：用于判断是否有新增的文件，若有，则进一步判断所述新增文件的数量和文件的大小，否则结束；拆分分配模块43：用于根据所述文件数量和文件大小，拆分成各个子资源表，每个所述资源表平均分配所述新增文件；复制模块44：用于将所述新增文件通过hdfs命令复制到各个所述子资源表；替换模块45：用于将所述资源表替换为所述子资源表，并循
环执行。
85.下面参考图5，其示出了适于用来实现本发明实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置600的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
86.如图5所示，计算机装置600包括中央处理单元(cpu)601和图形处理器(gpu)602，其可以根据存储在只读存储器(rom)603中的程序或者从存储部分609加载到随机访问存储器(ram)606中的程序而执行各种适当的动作和处理。在ram 604中，还存储有装置600操作所需的各种程序和数据。cpu 601、gpu602、rom 603以及ram 604通过总线605彼此相连。输入/输出(i/o)接口606也连接至总线605。
87.以下部件连接至i/o接口606：包括键盘、鼠标等的输入部分607；包括诸如、液晶显示器(lcd)等以及扬声器等的输出部分608；包括硬盘等的存储部分609；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至i/o接口606。可拆卸介质612，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器611上，以便于从其上读出的计算机程序根据需要被安装入存储部分609。
88.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分610从网络上被下载和安装，和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元(cpu)601和图形处理器(gpu)602执行时，执行本发明的方法中限定的上述功能。
89.需要说明的是，本发明所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
90.可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、
部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
91.附图中的流程图和框图，图示了按照本发明各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
92.描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
93.作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于扫描资源表并读取hdfs中对应的文件，并保存所述文件和资源表的信息；判断是否有新增的文件，若有，则进一步判断所述新增文件的数量和文件的大小，否则结束；进一步根据所述文件数量和文件大小，拆分成各个子资源表，每个所述资源表平均分配所述新增文件；将所述新增文件通过hdfs命令复制到各个所述子资源表；当响应于执行sql时，将所述资源表替换为所述子资源表，并循环执行。
94.以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。