Hbase复习
Hbase是构建在HDFS之上、分布式的、面向列的开源数据库,google bigtable的开源实现,主要用于存储海量的数据。
hbase vs 关系型数据库
1、hbase支持大数据,一个表数十亿行,上百万列
2、面向列:列拿出来存储在一块连续的空间,适合做分析,传统关系数据库面向行,一行存储在一块连续的空间,查找一个字段,读一整行,IO效率不高
3、适合稀疏数据,对于null的列,不占用空间,表可以设计的非常稀疏
4、数据单一,hbase都是string,可以做压缩
5、列可以根据需要动态增加,同一张表中不同的行有截然不同的列
6、hbase只有普通的增删改查等操作,没有表之间的关系查询
7、不支持跨行、跨表的事务
关系型数据库集群做不大,曲线式增加,有瓶颈,限制于事务
Web端口
hmaster的web接口参数:hbase.master.info.port 默认16010
http://hbase_master_server:16010
RegionServer的web接口参数:hbase.regionserver.info.port 默认值是16030
http://hbase_region_server:16030
Hbase’集群组成
HDFS集群(底层存储)
Hbase集群(Hmaster、 RegionServer)
Zookeeper集群(管理协调者)
Regions
数据切分:先横向拆分(行)、再纵向拆分(列族)
Region:由一个或者多个store组成,每个store保存一个列族,每个store又由一个memstore缓冲区和storeFile组成,storeFile以HFile格式保存在HDFS,删除操作不是删除文件,而是追加log,查找是查最版本的状态
当MemStore满了以后会Flush成一个StoreFile,file文件数量增长的一定法制,会触发compact合并操作,即将多个StoreFiles合并成一个,合并过程会对cell进行版本合并和数据删除
hbase只增加数据,更新和删除操作都是在compact过程进行
Hmaster:负责Region管理分配、DDL(删表等操作),HMaster失效会导致所有元数据无法被修改,表的读写可以正常进行
Region Server:数据读写,Split,Region迁移
架构
Master/Slave架构
hbase、传统数据库、es都是先写到日志文件,再写到内存,就认为写入成功,保证宕机数据不丢失,之后有flush机制刷到磁盘
客户端Client
和zookeeper通信,找到数据入口地址
使用hbase RPC机制与HMaster和HRegionserver通信
与HMaster通信进行管理类操作
与HRegionserver通信进行读写类操作
META信息存在zookeeper,客户端访问会缓存这些位置信息,只是缓存当前rowkey对应HRegion的位置,,随着时间推移,客户端缓存信息越来越多,以至于不需要查找meta table信息,除非HRegion宕机或Region split
Zookeeper在Hbae中作用:
保证集群中只有一个Master
存储Region的寻址入口
监控RegionServer上线和下线信息
存储hbase schema和table元数据
rowkey设计原则
1、长度原则
一般为10-100bytes,原因:
hbase将部分数据加载到内存当中,如果rowkey过长,内存的有效利用率就会下降
目前操作系统都是64位系统,内存8字节对齐,控制在16字节,8字节的整数倍利用了操作系统的最佳特性
2、散列原则
rowkey的高位字节采用散列字段处理,由程序随即生成。低位放时间字段,这样将提高数据均衡分布,各个regionServer负载均衡的几率
如果不进行散列处理,首字段直接使用时间信息,所有该时段的数据都将集中到一个regionServer当中,这样当检索数据时,负载会集中到个别regionServer上,造成热点问题,会降低查询效率。
3、唯一原则
必须在设计上保证其唯一性,rowkey是按照字典顺序排序存储的,因此,设计rowkey的时候,要充分利用这个排序的特点,将经常读取的数据存储到一块,将最近可能会被访问的数据放到一块。但是这里的量不能太大,如果太大需要拆分到多个节点上去。
rowkey设计方法
1、加盐
在rowkey的前面分配随机数,当给rowkey随机前缀后,它就能分布到不同的region中
2、预分区
所谓预分区,就是预先创建hbase表分区。这需要我们明确rowkey的取值范围和构成逻辑。
不预分区会出现两个问题:
第一点,就是我们所说的热点问题,数据会继续往一个region中写,出现写热点问题;
第二点,则是拆分合并风暴,当用户的region大小以恒定的速度增长,region的拆分会在同一时间发生,因为同时需要压缩region中的存储文件,这个过程会重写拆分后的region,这将会引起磁盘I/O上升 。
对于拆分合并风暴,通常我们需要关闭hbase的自动管理拆分。然后手动调用hbase的split(拆分)和major_compact(压缩),对其进行时间控制,来分散I/O负载。
3、哈希
加盐和预分区rowkey设计方法中,并没有完整运用到rowkey设计的散列原则。只运用加盐和预分区rowkey设计方法,数据会无序随机分布在hbase集群当中,这并没有让我们利用到hbase根据字典顺序排序的这一特点。
我们可以把一些希望放在一起的rowkey部分作为参数,传入哈希函数当中,将得到的哈希值模以500,余数添加到rowkey首部中,再结合预分区设计方法,就能将数据均匀分布到regionServer当中。
同时,我们还能将相同rowkey的数据收集到一台节点上,在避免热点问题的情况下,充分利用hbase字典排序的优点。
4、反转
对于以手机号码这样比较固定开头的rowkey(例如开头177,159,138),但是它的后几位都是随机的,没有规律的。我们可以将手机号反转之后作为rowkey,这样就避免了热点问题。
这就是rowkey设计的另一种方法反转,通过反转固定长度或者数字格式的rowkey。这样可以使得rowkey中经常改变的部分(最没有意义的部分)放在前面。这样可以有效的随机rowkey,但是牺牲了rowkey的有序性。