当通过jdbc请求连接至Impalad节点之后，我们提交的SQL会通过BE的JNI调用FE的api进行解析，主要的调用栈如下所示：

query/executeAndWait(impala-beeswax-server.cc)
-Execute(impala-server.cc)
--ExecuteInternal(impala-server.cc)
---InitExecRequest(client-request-state.cc)
----RunFrontendPlanner(query-driver.cc)
-----GetExecRequest(frontend.cc)
------JniFrontendcreateExecRequest()
-------Frontend.createExecRequest()
--------Frontend.getTExecRequest()
---------Frontend.doCreateExecRequest()
在doCreateExecRequest方法中，会通过调用Parse.parse()来对SQL进行解析，解析完成之后，SQL就会变成对应的结构，如下所示：
 
 从图中我们可以看到，Impala所有的SQL最终都是继承于StatementBase，包括select、alter、create等。这里我们以简单的select查询为例，最终SQL转换之后会被解析成SelectStmt这个类，而这个类其中又包含SelectList、FromClause等部分。通过Parse.parse()的解析，我们将一条普通的SQL转成了一个Impala的类。目前，Impala在进行SQL解析的时候，采用的是一个开源的框架antlr，关于这个框架不是本文描述的重点，这里就不再展开。
 对于图中涉及到的一些接口和类，我们摘取了一部分代码中的注释，供大家参考。
 
ParseNode: divide into two broad categories: statement-like nodes and expression nodes;
StmtNode: Base interface for statements and statement-like nodes such as clauses;
Expr: Root of the expr node hierarchy;
StatementBase: Base class for all Impala SQL statements;
QueryStmt: Abstract base class for any statement that returns results via a list of result expressions;
 
在解析出了具体的StatementBase之后（上述例子中就是SelectStmt），Impala接着会构造对应的Analyer，相关的类如下所示：
 
 同样，我们截取部分代码中的注释来看一看：
 
AnalysisContext: Wrapper class for parsing, analyzing and rewriting a SQL stmt;
Analyzer: Repository of analysis state for single select block;
GlobalState: State shared between all objects of an Analyzer tree.
 
这里最重要的类就是Analyzer，包括了单个select查询块的所有解析之后的状态集合。我们继续以SelectStmt为例来看下生成Analyzer的接口调用流程：
 
Frontend.doCreateExecRequest()
-AnalysisContext.analyzeAndAuthorize()
--AnalysisContext.analyze()
---SelectStmt.analyze()
----SelectStmt.SelectAnalyzer.analyze()
我们可以看到，主要就是调用各个StatementBase子类的analyze()，来实现对各个查询的解析。这里简单看一下SelectStmt的analyze方法，如下所示：
 
  // SelectStmt.analyze()
  public void analyze(Analyzer analyzer) throws AnalysisException {
   if (isAnalyzed()) return;
   super.analyze(analyzer);
   new SelectAnalyzer(analyzer).analyze();
 // SelectStmt.SelectAnalyzer.analyze()
 private void analyze() throws AnalysisException {
     // Start out with table refs to establish aliases.
     fromClause_.analyze(analyzer_);
     analyzeSelectClause();
     verifyResultExprs();
     registerViewColumnPrivileges();
     analyzeWhereClause();
     createSortInfo(analyzer_);
     ......
可以看到，SelectStmt的解析，主要都在其私有类SelectAnalyzer的analyze中进行处理了，这里包括了对于FromClause的处理、WhereClause的处理等操作。其他的SQL也是类似处理流程，每一个具体的SQL类都有对应的analyze方法。解析完成之后，Impala就会根据解析的结果来生成相应地执行计划：首先是生成一个单机的执行计划，接着会根据单机的执行计划来生成分布式的执行计划。关于执行计划的生成这块，我们会在后续的文章里面陆续提到，这里就不再展开描述。执行计划生成之后，Backend模块就会根据这些执行计划执行实际的扫描、聚合运算等操作，最终返回结果。
 我们从第一幅图可以看到，ParseNode主要分为了两个部分：1）StmtNode，这个主要包括查询以及相应的clause实现；2）Expr，我们接下来就看一看这个Expr相应的各个子类都是什么样的，下面就是一个简单的关于UML的类图：
 
 从上图可以看到，有非常多的类都继承了Expr，这里我们看几个比较常见的类：
 
Predicate，这个类就是用来保存各种谓词条件的，包括：BetweenPredicate、BinaryPredicate等，我们在上述的SelectStmt中提到的whereClasue_最终就会转换成一个Predicate，根据不同的条件转换成相应的Predicate；
LiteralExpr，用来保存各种常量的值，例如布尔保存在BoolLiteral中，字符串保存在StringLiteral中等等，目前主要就包括图中的这其中；
FunctionCallExpr，各种函数调用，最终都会转换成这个对象，例如常见的count、sum等；
SlotRef，这个可以简单理解为列的描述，SQL中涉及到列都会被转换成一个SlotRef对象，保存着这个列的相关信息；
其他还有一些例如AnalyticExpr、CastExpr等这里就不再展开描述，感兴趣的同学可以自行查看相关的源码。
 
下面我们就从一个具体的SQL出来，来简单看一下上面提到的各个对象是如何解析的，SQL如下：
 
select id,user,count(1) from table_name
where id>=5 and id<=10
group by id,user order by id desc;
结合上面的几个类图，我们可以看看上述的SQL会被解析成什么样的：
 
SelectList包含三个SelectListItem，分别是：id、user和count(1)，而这三个item各自包含的Expr分别是：SlotRef、SlotRef和FunctionCallExpr，而这个FunctionCallExpr本身又包含一个NumericLiteral，对应count(1)里面的1；
fromClause_主要包括了一个表的集合，这里只有一个成员，就是table_name；
whereClasue_这里转换成了一个CompoundPredicate的谓词，表示组合的谓词，操作符是AND。它本身又包含两个BinaryPredicate，表示包含两个操作数的谓词，分别对应id>=5和id<=10。以第一个为例，它的操作符是>=，本身又包含两个child，分别是id对应的SlotRef以及10对应的NumericLiteral；
groupingExprs_是一系列的group by成员集合，这里主要就是包括两个SlotRef，分别对应id和user；
orderByElements_是从QueryStmt继承而来，成员是一个OrderByElement类，而这个OrderByElement内部也是包含了一个Expr，这里对应的仍旧是一个SlotRef，即id列；
 到这里，我们基本对于上述示例中的SQL各个部分的解析都已经完成了。
 本文比较浅显地讲述了Impala SQL解析中的两个部分：StmtmentBase和Expr，整个SQL解析的大部分成员对象，最终都会转换成这两个类或者其子类。关于Analyzer类，本身没有过多讲述，只是稍微提了一下，后续有机会再跟大家一起深入分享。
				
下面给大家介绍怎么理解impala，impala工作原理是什么。
Impala是hadoop上交互式MPP SQL引擎， 也是目前性能最好的开源SQL-on-hadoop方案。 如下图所示， impala性能超过SparkSQL、 Presto、 Hive。
impala与hadoop生态结合紧密
(1) HDFS是impala最主要的数据源。 除此之外， impala也支持HBase，甚至支持...
				
1、需求：找到每个分组中pv最大的第一条数据，取10万条；
row_number 格式：ROW_NUMBER() OVER (partition BY COLUMN_A ORDER BY COLUMN_B ASC/DESC) rn
    rn 是排序的别名执行时每组的编码从1开始 
    partition by：类似hive的建表，分区的意思；COLUMN_A 是分组字段 
Impala由以下组件组成：
Clients-HUE、ODBC clients、JDBC clients和impala shell都可以与impala进行交互，这些接口都可以用在impala的数据查询以及对impala的管理。
	Hive Metastore-存储impala可以访问数据的元数据。例如：这些数据可以让impala知道哪些数据库以及数据库的结构是可以访问的，当你创建、删除、修改数据库对象或者加载数据
select t.*, (@indexs:= @indexs+1) index_no from (SELECT @indexs:=0) as indexs, (select 1 from dual ) t
(SELECT @indexs:=0) as indexs
				
1、查询表中的记录，基本语法：SELECT c1,c2 | * FROM table_name;查询emp表中记录：SELECT * FROM emp;
SELECT name,age FROM emp;执行结果如下： 
2、对查询结果进行排序，基本语法如下：SELECT * FROM table_name ORDER BY c1,… [ASC|DESC] [NULLS FIRST|NUL
				
在使用Impala进行SQL查询的时候，我们经常会使用join来关联多个表进行查询，获取想要的结果。对于表的数量达到千万甚至上亿的时候，不同的join方式所造成的执行速度，可能差距非常大。对于join的实现细节，感兴趣的可以参考：http://hbasefly.com/2017/03/19/sparksql-basic-join/。想直接了解如何加速SQL查询的可以直接跳过这里了。
Impala...
select count(1) from user_table
where day ='2019-03-19'
and url rlike 'http://www.example.com/'
and user_udf(info, 'type') ...