Python通过impyla连接Impala进行数据查询与处理

清欢

发布时间：2026-10-14 | 3人浏览过

原创

本文介绍如何使用Python客户端通过impyla库连接Impala数据库。内容涵盖环境配置、HS2服务端口设置、SQL执行、结果遍历及利用Pandas进行数据分析的方法。针对大数据集，建议通过CTAS写入HDFS，并解决了pandas安装中常见的Visual C++依赖问题。

环境配置与前置准备

由于仅需将Impala作为数据源，且Python具备强大的数据分析函数库，因此需要通过Python客户端获取Impala中的表数据。本次测试环境配置如下：

操作系统：Windows 7（Linux环境下同样适用）

Python版本：2.7

大数据集群环境：CentOS 6.6

CDH版本：CDH 5.4.1

Impala版本：2.1.2，默认端口：21050

安装impyla库

第一步：安装Python相关包

执行命令：pip install impyla

第二步：Python客户端与Impala进行交互

2.1 建立Impala连接

连接Impala与执行SQL查询


>>> from impala.dbapi import connect
>>> conn = connect(host='my.impala.host', port=21050)
>>> cur = conn.cursor()

注意：务必确保连接的是HS2服务端口，而非Beeswax服务。在Cloudera集群管理中，HS2的默认端口为21050（Beeswax默认端口为21000）。

2.2 对Impala执行SQL查询


>>> cur.execute('SHOW TABLES')
>>> cur.fetchall()
[('defect_code_dim',), ('gxzl_ca_materialinfo',), ('gxzl_cg_materialinfo',), ('gxzl_defect2',), ('gxzl_defects',), ('gxzl_defects_hd',), ('gxzl_fx_class',), ('gxzl_fx_leftmidright',), ('gxzl_fx_topandbot',), ('gxzl_jiejing_2cc_slab',), ('gxzl_kgx_drw',), ('gxzl_kgx_drw_tmp',), ('gxzl_rz_materialinfo',), ('gxzl_sdbase_defects',), ('gxzl_test',), ('new_table',), ('ouye_transactionlog',), ('ouye_userinfo',), ('simple_test',), ('t0',), ('t_100m_hdfs',), ('t_100m_test',), ('t_10m_hdfs',), ('target1',), ('target2',), ('target3',), ('test',), ('tianchi_mobile_recommend_train_full',), ('tianchi_mobile_recommend_train_item',), ('tianchi_mobile_recommend_train_user',), ('tianchi_mobile_recommend_train_useritem',)]
>>> cur.execute('SELECT * FROM test')
>>> cur.description
[('id', 'DOUBLE', None, None, None, None, None), ('name', 'STRING', None, None, None, None, None), ('value', 'STRING', None, None, None, None, None)]
>>> cur.fetchall()
[(1.0, 'tom', 'f'), (2.0, 'jerry', 't')]
>>>

注意：从服务器获取数据会清除缓存，因此第二次调用.fetchall()将返回空列表。

查询结果处理与Pandas转换


>>> cur.fetchall()
[(1.0, 'tom', 'f'), (2.0, 'jerry', 't')]
>>> cur.fetchall()
[]
>>>

2.3 遍历查询结果


>>> cur.execute('SELECT * FROM test')
>>> for row in cur:
  print row[1] == 1.0


False
False

注：Python索引从0开始。上述示例仍采用缓存方式获取数据。

若数据集规模较小，可使用此方式；若需处理大量数据，建议使用CREATE TABLE AS SELECT语句将结果写入HDFS。

2.4 将查询结果转换为Python中的Pandas DataFrames

除了遍历结果外，还可以将结果转换为Pandas数据框对象，以便进行更深入的数据分析：


>>> from impala.dbapi import connect
>>> conn = connect(host='my.impala.host', port=21050)
>>> cur = conn.cursor()
>>> from impala.util import as_pandas
>>> cur.execute('SELECT * FROM test')
>>> df = as_pandas(cur)
>>> type(df)
<class 'pandas.core.frame.DataFrame'>
>>> df
  id  name value
0  1  tom   f
1  2 jerry   t
>>>

注：前提是在Python中已安装pandas。可通过pip install pandas在线安装。安装过程中若提示：Microsoft Visual C++ 9.0 is required (Unable to find vcvarsall.bat)，需从http://aka.ms/vcpython27获取相关组件。

按照提示下载并安装VC组件即可解决该问题，从而完成pandas的安装。

以上即为使用Python客户端访问Impala的完整操作流程，供参考。