-
叶子节点通过指针相连,有利于区间查询
-
叶子节点和根节点的距离基本相同,查找的效率稳定
-
数据插入导致叶子节点分裂,最终导致逻辑连续的数据存放到不同物理磁盘块位置,导致区间查询效率下降
LSM Tree
-
LSM(Log-Structured Merge),LevelDB,RocksDB,HBase,Cassandra等都是基于LSM结构
-
HDD,SSD顺序读写的速度都高于随机读写,写入日志就是顺序写
-
WAL,memtable,sstable
-
有利于写,不利于读,先从memtable查找,再到磁盘所有的sstable文件查找
-
Compaction的目的是减少sstable文件数量,缓解读放大的问题,加速查找可以对sstable文件使用布隆过滤器
-
Compaction策略
-
STCS(SIze-Tiered Compaction Strategy)空间放大和读放大问题
-
LCS(Leveled Compaction Strategy)写放大问题
-
Compaction会引入写放大问题,在Value较大时采用KV分离存储缓解写放大
-
写操作多于读操作时,LSM树有更好的性能,因为随着insert操作,为了维护B+树结构,节点分裂。读磁盘的随机读写概率会变大,性能会逐渐减弱。LSM树相比于B+树,多次单页随机写变成一次多页随机写,复用了磁盘寻道时间,极大提高写性能。不过付出代价就是放弃部分读性能。
数据访问
相同之处:数据以表的模型进行逻辑组织,应用对数据进行增删改查
不同之处:MySQL的SQL功能更丰富:事务能力更强,HBase既可以用APIl进行更灵活、性能更好的访问,也可以借助Phoenix使用标准sQL访问;只支持单行事务。
HBase的特色功能–TTL
图片
HBase的特色功能—多版本
图片
HBase的特色功能—多列簇
图片
HBase的特色功能—MOB
图片
从生态看差异
MySQL:满足APP的在线数据库存储,一般有我足矣
图片
大数据圈:应用于大数据场景的存储、计算及管理组件。java面试资料,公众号Java精选,回复Java面试,获取面试资料。
图片
-
MySQL:一般可独立满足在线应用的数据存储需求,或者与少量组件配合(如缓存、分库中间件)
-
HBase:一般需要和较多大数据组件一起配合完成应用场景,场景架构的设计、实施存在较大的挑战
总结
图片
哪些场景的存储适合HBase ?
图片
图片
图片
图片
图片
图片
图片
图片
图片
图片
图片
HBase不是MySQL的替换,HBase是业务规模及场景扩张后,对MySQL的自然延伸
作者:庄小焱
https://blog.csdn.net/weixin_41605937/article/details/110933984
本文为CSDN博主「chilx」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
------ THE END -------
精品资料,超赞福利!
>Java精选面试题<
3000+ 道面试题在线刷,最新、最全 Java 面试题!
笔者福利
以下是小编自己针对马上即将到来的金九银十准备的一套“面试宝典”,不管是技术还是HR的问题都有针对性的回答。
有了这个,面试踩雷?不存在的!
回馈粉丝,诚意满满!!!
道面试题在线刷,最新、最全 Java 面试题!
笔者福利
以下是小编自己针对马上即将到来的金九银十准备的一套“面试宝典”,不管是技术还是HR的问题都有针对性的回答。
有了这个,面试踩雷?不存在的!
回馈粉丝,诚意满满!!!
[外链图片转存中…(img-k2AzXELk-1714493529372)]
[外链图片转存中…(img-95i7fiXr-1714493529372)]
[外链图片转存中…(img-Q06dgc05-1714493529373)]
[外链图片转存中…(img-svZtWK4j-1714493529373)]