Apache Kudu
Apache Kudu 是由 Cloudera 开源的存储引擎,可以同时提供低延迟的随机读写和高效的数据分析能力。它是一个融合 HDFS 和 HBase 的功能的新组件,具备介于两者之间的新存储组件。
Kudu 支持水平扩展,并且与 Cloudera Impala 和 Apache Spark 等当前流行的大数据查询和分析工具结合紧密。
Kudu 应用场景
-
适用于那些既有随机访问,也有批量数据扫描的复合场景
-
高计算量的场景
-
使用了高性能的存储设备,包括使用更多的内存
-
支持数据更新,避免数据反复迁移
-
支持跨地域的实时数据备份和查询
-
国内使用的 kudu 一些案例可以查看《构建近实时分析系统.pdf》文档。
Kudu 架构
与 HDFS 和 HBase 相似, Kudu 使用单个的 Master 节点,用来管理集群的元数据,并且使用任意数量的 Tablet Server(类似 HBase 中的 RegionServer 角 色)节点用来存储实际数据。可以部署多个 Master 节点来提高容错性。
-
Table
表(Table)是数据库中用来存储数据的对象,是有结构的数据集合。kudu 中的表具有 schema(纲要) 和全局有序的 primary key(主键)。 kudu 中一个 table 会被水平分成多个被称之为 tablet 的片段
-
Tablet
一个 tablet 是一张 table 连续的片段, tablet 是 kudu 表的水平分区, 类似于 HBase 的 region。每个 tablet 存储着一定连续 range 的数据(key), 且 tablet 两两间的 range 不会重叠。一张表的所有 tablet 包含了这张表的所有 key 空间
tablet 会冗余存储。 放置到多个 tablet server 上,并且在任何给定的时间点,其中一个副本被认为是 leader tablet,其余的被认之为 follower tablet。 每个 tablet 都可以进行数据的读请求,但只有 Leader tablet 负责写数据请求。
-
Tablet Server
tablet server 集群中的小弟, 负责数据存储,并提供数据读写服务
一个 tablet server 存储了 table 表的 tablet, 向 kudu client 提供读 取数据服务。对于给定的 tablet,一个 tablet server 充当 leader,其他 tablet server 充当该 tablet 的 follower 副本。
只有 leader 服务写请求,然而 leader 或 followers 为每个服务提供读 请求 。一个 tablet server 可以服务多个 tablets ,并且一个 tablet 可以被多个 tablet servers 服务着
-
Master Server
负责集群管理、元数据管理等功能。
Kudu 原理
-
table 与 schema
Kudu 设计是面向结构化存储的,因此, Kudu 的表需要用户在建表时定义它 的 Schema 信息,这些 Schema 信息包含: 列定义(含类型), Primary Key 定义 (用户指定的若干个列的有序组合)。数据的唯一性,依赖于用户所提供的 Primary Key 中的 Column 组合的值的唯一性。Kudu 提供了 Alter 命令来增删列, 但位于 Primary Key 中的列是不允许删除的。
从用户角度来看, Kudu 是一种存储结构化数据表的存储系统。在一个 Kudu 集群中可以定义任意数量的 table,每个 table 都需要预先定义好 schema。每个 table 的列数是确定的,每一列都需要有名字和类型,每个表中可以把其中一列 或多列定义为主键。这么看来, Kudu 更像关系型数据库,而不是像 HBase、 Cassandra 和 MongoDB 这些 NoSQL 数据库。不过 Kudu 目前还不能像关系型数据 一样支持二级索引。
Kudu 使用确定的列类型,而不是类似于 NoSQL 的“everything is byte”。 带来好处:确定的列类型使 Kudu 可以进行类型特有的编码,可以提供元数据给其他上层查询工具。
-
kudu 底层数据模型
Kudu 的底层数据文件的存储,未采用 HDFS 这样的较高抽象层次的分布式文件系统,而是自行开发了一套可基于 Table/Tablet/Replica 视图级别的底层存储系统。
一张 table 会分成若干个 tablet,每个 tablet 包括 MetaData 元信息及若 干个 RowSet。
RowSet 包含一个 MemRowSet 及若干个 DiskRowSet, DiskRowSet 中包含一个 BloomFile、Ad_hoc Index、BaseData、DeltaMem 及若干个 RedoFile 和 UndoFile。
-
MemRowSet:用于新数据 insert 及已在 MemRowSet 中的数据的更新,一个 MemRowSet 写满后会将数据刷到磁盘形成若干个 DiskRowSet。 默认是 1G 或者或 者 120S。
-
DiskRowSet:用于老数据的变更,后台定期对 DiskRowSet 做 compaction, 以删除没用的数据及合并历史数据,减少查询过程中的 IO 开销。
-
BloomFile:根据一个 DiskRowSet 中的 key 生成一个 bloom filter,用 快速模糊定位某个 key 是否在 DiskRowSet 中。
-
Ad_hocIndex:是主键的索引,用于定位 key 在 DiskRowSet 中的具体哪个偏移位置。
-
BaseData 是 MemRowSet flush 下来的数据,按列存储,按主键有序。
-
UndoFile 是基于 BaseData 之前时间的历史数据,通过在 BaseData 上 apply UndoFile 中的记录,可以获得历史数据。
-
RedoFile 是基于 BaseData 之后时间的变更记录,通过在 BaseData 上 apply RedoFile 中的记录,可获得较新的数据。
-
DeltaMem 用于 DiskRowSet 中数据的变更,先写到内存中,写满后 flush 到 磁盘形成 RedoFile。
在 KUDU 中, 把 DiskRowSet 分为了两部分: base data、 delta stores。 base data 负责存储 基础数据, delta stores 负责存储 base data 中的变更数据
-
tablet 发现过程
当创建 Kudu 客户端时,其会从主服务器上获取 tablet 位置信息,然后直接与服务于该 tablet 的服务器进行交谈。 为了优化读取和写入路径, 客户端将保留该信息的本地缓存,以防止他们在 每个请求时需要查询主机的 tablet 位置信息。随着时间的推移,客户端的缓存可能会变得过时,并且当写入被发送到不再是 tablet 领导者的 tablet 服务器 时,则将被拒绝。然后客户端将通过查询主服务器发现新领导者的位置来更新其缓存。
Kudu 写流程
-
当 Client 请求写数据时, 先根据主键从 Master Server 中获取要访问的目标 Tablets,然后到依次对应的 Tablet 获取数据。
-
因为 KUDU 表存在主键约束,所以需要进行主键是否已经存在的判断,这里就涉及到之前说的索引结构对读写的优化了。一个 Tablet 中存在很多个 RowSets, 为了提升性能,我们要尽可能地减少要扫描的 RowSets 数量。
-
首先,我们先通过每个 RowSet 中记录的主键的(最大最小)范围,过滤掉一批不存在目标主键的 RowSets,然后在根据 RowSet 中的布隆过滤器,过滤掉确定不存在目标主键的 RowSets,最后再通过 RowSets 中的 B-树索引,精确定位目标主键是否存在。
-
如果主键已经存在,则报错(主键重复),否则就进行写数据(写 MemRowSet)。
Kudu 读流程
-
数据读取过程大致如下: 先根据要扫描数据的主键范围,定位到目标的 Tablets,然后读取 Tablets 中的 RowSets。
-
在读取每个 RowSet 时,先根据主键过滤要 scan 范围,然后加载范围内的 base data,再找到对应的 delta stores,应用所有变更,最后 union 上 MemRowSet 中的内容,返回数据给 Client。
Kudu 更新过程
数据更新的核心是定位到待更新数据的位置,这块与写入的时候类似,就不展开了,等定位到具体位置后,然后将变更写到对应的 delta store 中