impala为什么比spark快

应该不会，Impala是相当专注于传统企业客户和OLAP和数据仓库工作负载。Shark支持传统OLAP。

比较：

一、总体上

Shark扩展了Apache Hive，大大加快在内存和磁盘上的查询。而Impala是企业级数据仓库系统, 可以很好地使用Hive/ HDFS，从架构层来说，类似于传统的并行数据库。这两个系统有着很多共同的目标，但也有很大差异。

二、与现有系统的兼容性

Shark直接建立在Apache/Hive代码库上，所以它自然支持几乎所有Hive特点。它支持现有的Hive SQL语言，Hive数据格式（SerDes），用户自定义函数（UDF），调用外部脚本查询。因为Impala使用自定义的C++运行，它不支持Hive UDF。这两个系统将会与许多BI工具整合，这一直是Impala的主要目标。Shark正在被用于一些BI工具，如Tableau，不过这并没有被探索更多。

三、内存中的数据处理

Shark允许用户显式地加载在内存中的数据，以加快查询处理，其内存使用有效率的，压缩的面向列的格式。Impala还没有提供在内存中的存储。

四、容错

Shark被设计为支持短期和长时间运行的查询。它可以从查询故障恢复(感谢底层Spark引擎)。Impala目前是更侧重于短查询，不容错（如果节点发生故障，查询必须重新启动，对短查询来说这无疑是可以接受的）。

五、性能

做全面的比较太早了点。Shark和Impala都报告比Hive快10-100倍，但这都依赖具体情况和系统负载。两个项目也都在未来6个月内会做重要优化。以我们的经验来看，Sharkr当前版本，如果是内存的数据一般比Hive快100倍，如果是磁盘上的数据一般快5-10倍，这取决于查询（带关联连接的查询，能比Hive快很多）。

要对大批量的数据进行修改，最好使用批量UPDATE查询来提高效率。具体的做法是使用UPDATE语句更新数据库表中的多行数据。

以下是一般情况下建议使用的UPDATE查询：

1 使用WHERE子句筛选需要更新的数据，避免无意义的更新 *** 作，提高效率。

2 如果涉及多个表或者复杂的逻辑关系，可以采用JOIN语句将多个表连接起来进行更新。

3 对于更新内容较多的情况，可以考虑使用批量更新，即一次性更新多条记录，提高效率。

4 在更新 *** 作之前，最好事先备份相关的数据，以防止误 *** 作导致数据丢失。

需要注意的是，对于大批量的数据更新，可能会对数据库的性能产生影响，所以在进行更新 *** 作时，需要对数据库的配置和性能进行综合评估，保证系统的稳定性和可靠性。

以上就是关于impala为什么比spark快全部的内容，包括:impala为什么比spark快、要对大批量的数据进行修改为了提高效率最好使用什么查询、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！