HBase文件格式演变之路

Apache HBase是Hadoop的分布式开源的存储管理工具，非常适合随机实时的io操作。

我们知道，Hadoop的Sequence File是一个顺序读写，批量处理的系统。但是为什么HBase能做到随机的，实时的io操作呢？

Hadoop底层使用Sequence File文件格式存储，Sequence File允许以追加的方式增加k-v（Key-Value）数据，根据hdfs的append-only的特性，Sequence File不允许修改或删除一个指定的数据。只有append操作是被允许的，而且你想要查找某个key，你只能遍历文件，知道找到这个key为止。

所以，在这个文件格式至上搭建的HBase系统，是如何搭建随机读写，低访问延迟的呢？

HBase 0.20之前-MapFile

上文中提到了MapFile，是一个以Sequence File为基础的文件格式。MapFile实际上是由两个Sequence File组成的，/data存储了数据，/index存储了索引。

MapFile提供了一个按顺序存储的方式，每当N（N是可配置的）条记录写入后，会将文件偏移地址写入index文件；这就实现了快速查找，相比直接遍历Sequence File，你可以直接遍历index文件，index文件存储了更少的文件句柄，一旦找到了文件块所在的位置，可以直接跳到该文件块查找；因此查找速度非常快。

但是还有另外两个问题：

1. 如何删除或更新一个k-v记录；

2. 当插入数据不是有序的，如何使用MapFile

MapFile文件格式如下：

HBase的key包括：行键，列族，column qualifier，时间戳，属性。

为了解决删除的问题，使用key中的type标记该记录是否被删除。

解决更新的问题，实际上是获取时间戳更晚的记录，正确的数据总会更接近文件的末尾。为了解决无序数据的问题，hbase将插入的数据暂存在内存中，直到一个阈值到达，hbase会将内存中的数据存储到MapFile中。hbase在内存中使用sorted ConcurrentSkipListMap数据结构存储数据，每次到达阈值（hbase.hregion.memstore.flush.size)或到达内存上限（hbase.regionserver.global.memstore.upperLimit），都会将内存中的数据向一个新的mapFile写入。由于每次flush操作都会写入一个新的MapFile，这就意味着查找时，会横跨多个文件，这也会耗费更多的资源和时间。

为了避免在查找get和scan扫描时横跨过多的文件，hbase中有一个线程来执行文件合并的相关操作。当线程发现文件数量达到阈值（hbase.hstore.compaction.max）后，会有一个compaction进程来执行文件合并，将小的文件合并到一个大文件中。

hbase中有两种合并模式，minor和major。minor会合并两个或多个较小的文件到一个大文件中。另外的major会合并所有的文件到一个文件中，并且执行一些清理，被删除的数据将不会被写入新的文件，并且重复的数据会被清除，只留下最新的有效数据。0.20以下版本的hbase使用上述的文件存储方式，到0.20以后，HFile V1被引入替代了MapFile。

HBase 0.20到0.92之前-HFile V1

从 HBase 0.20开始，HBase引入了HFile V1文件格式。HFile V1的具体格式如下：

KeyValue的具体格式如下：

上图中，keytype有四种类型，分别是Put、Delete、 DeleteColumn和DeleteFamily。RowLength为2个字节，Row长度不固定，ColumnFamilyLength为2个字节，ColumnFamily长度不固定，ColumnQualifier长度不固定，TimeStamp为4个字节，KeyType为1个字节。之所以不记录ColumnQualifier的长度是因为可以通过其他字段计算得到。

HFile文件的长度可变，唯一固定的是File Info和Trailer。Trailer存储指向其他块的指针，它在持久化数据到文件结束时写入的，写入后，该文件就会变成不可变的数据存储文件。数据块（data blocks）中存储key-values，可以看做是一个MapFile。当block关闭操作时，第一个key会被写入index中，index文件在hfile关闭操作时写入。Hfile V1还增加两个额外的元数据类型，Meta和FileInfo。这两个数据也是在hfile的close时被写入的。

块大小是由HColumnDescriptor设置的。该配置可以在建表时自己指定。默认是64KB。如果程序主要涉及顺序访问，则设置较大的块大小更合适。如果程序主要涉及随机访问，则设置较小的块大小更合适。不过较小的块也导致更多的块索引，有可能创建过程变得更慢（必须在每个块结束的时候刷写压缩流，会导致一个FS I/O刷写）。块大小一般设置在8KB~1MB比较合适。

HBase的Regionserver的存储文件中，使用Meta Block存储了BloomFilter，使用FileInfo存储了最大的SequenceId，Major compaction key和时间跨度信息。这些信息在旧文件或非常新的文件中判断key是否存在非常有用。

BloomFilter是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。

HBase 0.92到0.98之前-HFile V2

在hbase 0.92版本中，为了改进在大数据存储下的效率，HFile做了改变。HFile V1的主要问题是，你需要加载(load)所有的单片索引和BloomFilter到内存中。为了解决这个问题，v2引入了多级索引和分块BloomFilter。HFile v2改进了速度，内存和缓存利用率。

HFile V2的具体格式如下：

上图中，主要包括四个部分：Scanned Block（数据block）、Non-Scanned block（元数据block）、Load-on-open（在hbase运行时，HFile需要加载到内存中的索引、bloom filter元数据和文件信息）以及trailer（文件尾）。

V1的时候，在数据块索引很大时，很难全部load到内存。假设每个数据块使用默认大小64KB，每个索引项64Byte，这样如果每台及其上存放了60TB的数据，那索引数据就得有60G，所以内存的占用还是很高的。然而，将这些索引以树状结构进行组织，只让顶层索引常驻内存，其他索引按需读取并通过LRU cache进行缓存，这样就不用全部加载到内存了。

v2的最主要特性是内联块。主要思想是拆分了索引和BloomFilter到每个数据块中，来解决整个文件的索引和BloomFilter都load到内存中的问题。

因为索引被拆分到每个数据块中，这就意味着每个数据块都有自己的索引（leaf-index）。每个数据块中的最后一个key被当做节点组建了类似b+树的多级索引结构。

数据块的头信息中的Block Magic被Block Type替换，Block Type包含描述Block数据的一些信息，包括叶子索引，Bloom，元数据，根索引等。

具体实现来看，在写入HFile时，在内存中会存放当前的inline block index，当inline block index大小达到一定阈值(比如128KB)时就直接flush到磁盘，而不再是最后做一次flush，这样就不需要在内存中一直保持所有的索引数据。当所有的inline block index生成之后，HFile writer会生成更上一级的block index，它里面的内容就是这些inline block index的offset，依次递归，逐步生成更上层的block index，上层的包含的就是下层的offset，直到最顶层大小小于阈值时为止。所以整个过程就是自底向上的通过下层index block逐步构建出上层index block。

其他三个字段（compressed/uncompressed size and offset prev block）也被添加用于前后的快速查找。

在HFile V2中根据key查找数据的过程如下：

1）先在内存中对HFile的root索引进行二分查找，如果支持多级索引，则定位到leaf index，如果是单级索引，则定位到数据块；

2）如果支持多级索引，则会从cache/hdfs中读取leaf index，然后再进行二分查找，找到对应的数据块；

3）从cache/hdfs中读取数据块；

4）在数据块中遍历查找对应的数据。

HBase 0.98到目前-HFile V3

HBase 0.98开始增加了对cell tags的支持，所以其HFile结构也发生了改变。HFile V3的格式只是在V2格式后增加了标签部分。其他保持不变，所以对V2保持了兼容性。用户可以从V2直接切换到V3。

转载请注明出处：http://blog.csdn.net/iAm333