目录
HBase 进阶
Master 架构
Master
- 主要进程,具体实现类为
HMaster
。 - 通常部署在 NameNode 上。
Master 详细架构
- Master 服务端
- 负载均衡器
- HDFS 文件系统
- 元数据表管理器
- 元数据表 ->
/hbase/meta
- ZooKeeper
- RegionServer
- 12
- 13
- 14
- 通过读取
meta
表了解 Region 的分配,通过连接 ZooKeeper 了解 RegionServer 的启动情况。每5分钟调控一次分配平衡。 - MasterProcWAL
- 预写日志管理器
- MasterWAL 数据 ->
/hbase/MasterData/WALs
- 管理 Master 自己的预写日志,如果宕机,让 backUpMaster 读取日志数据。
- 本质写数据到 HDFS,32M 文件或者 1H 滚动。
- 当操作执行到
meta
表之后删除 WAL。
Meta 表格介绍(警告:不要去改这个表)
- 全称
hbase:meta
,只是在list
命令中被过滤掉了,本质上和 HBase 的其他表格一样。 - RowKey: (
[table]
,[region start key]
,[region id]
) 即表名,region 起始位置和 regionID。 - 列:
info
:regioninfo
为 region 信息,存储一个HRegionInfo
对象。info
:server
当前 region 所处的 RegionServer 信息,包含端口号。info
:serverstartcode
当前 region 被分到 RegionServer 的起始时间。- 如果一个表处于切分的过程中,即 region 切分,还会多出两列
info:splitA
和info:splitB
,存储值也是HRegionInfo
对象,拆分结束后,删除这两列。
- 注意:在客户端对元数据进行操作的时候才会连接 master,如果对数据进行读写,直接连接 ZooKeeper 读取目录
/hbase/meta-region-server
节点信息,会记录meta
表格的位置。直接读取即可,不需要访问 master,这样可以减轻 master 的压力,相当于 master 专注meta
表的写操作,客户端可直接读取meta
表。 - 在 HBase 的 2.3 版本更新了一种新模式:Master Registry。客户端可以访问 master 来读取
meta
表信息。加大了 master 的压力,减轻了 ZooKeeper 的压力。
RegionServer 架构
1)MemStore
- 写缓存,由于 HFile 中的数据要求是有序的,所以数据是先存储在 MemStore 中,排好序后,等到达刷写时机才会刷写到 HFile,每次刷写都会形成一个新的 HFile,写入到对应的文件夹 Store 中。
2)WAL
- 由于数据要经 MemStore 排序后才能刷写到 HFile,但把数据保存在内存中会有很高的概率导致数据丢失,为了解决这个问题,数据会先写在一个叫做 Write-Ahead Logfile 的文件中,然后再写入 MemStore 中。所以在系统出现故障的时候,数据可以通过这个日志文件重建。
3)BlockCache
- 读缓存,每次查询出的数据会缓存在 BlockCache 中,方便下次查询。
写流程
写流程从客户端创建连接开始,到最终刷写落盘到 HDFS 上结束
HBase 写流程
- 12-Region Server 服务端
- HDFS 文件系统
- Region1
- Region2
- 13-Region Server 服务端
- Table 表
- Store1
- Store2
- Store1
- Store2
- WAL
- WAL 预写日志
- 管理
- 管理
- Mem Store
- 写缓存 1
- Mem Store
- 写缓存 2
- ZooKeeper
- Client 客户端
- 向 ZooKeeper 发送请求创建连接
- 读取 ZooKeeper 存储
meta
表是由哪个 Region Server 管理 -> 例如 13 - 访问 13 读取
meta
表 - 将读取的
meta
表作为属性保存在连接中 - 如果
Meta
表发送变化需要重新读取缓存 - 发送 Put
- 将请求写入 WAL 并落盘
- 操作 Put 请求,写入到对应 Mem Store 并排序
- 等待触发刷写条件写入对应的 Store
- 先写入 WAL 的原因是数据在 Mem Store 会排序并保存一段时间,存内存不安全。
- 数据在写入到 Mem Store 之后就会返回写入成功的 ACK,此时宕机可以通过 WAL 找回。
2)写流程
- 写流程顺序正如 API 编写顺序,首先创建 HBase 的重量级连接
- 首先访问 ZooKeeper,获取
hbase:meta
表位于哪个 Region Server; - 访问对应的 Region Server,获取
hbase:meta
表,将其缓存到连接中,作为连接属性 MetaCache,由于 Meta 表格具有一定的数据量,导致了创建连接比较慢; - 之后使用创建的连接获取 Table,这是一个轻量级的连接,只有在第一次创建的时候会检查表格是否存在访问 RegionServer,之后在获取 Table 时不会访问 RegionServer;
- 调用 Table 的 Put 方法写入数据,此时还需要解析 RowKey,对照缓存的 MetaCache,查看具体写入的位置有哪个 RegionServer;
- 将数据顺序写入(追加)到 WAL,此处写入是直接落盘的,并设置专门的线程控制 WAL 预写日志的滚动(类似 Flume);
- 根据写入命令的 RowKey 和 ColumnFamily 查看具体写入到哪个 MemStore,并且在 MemStore 中排序;
- 向客户端发送 ACK;
- 等达到 MemStore 的刷写时机后,将数据刷写到对应的 Store 中。
- 首先访问 ZooKeeper,获取
MemStore Flush
MemStore 刷写由多个线程控制,条件互相独立:
- 主要的刷写规则是控制刷写文件的大小,在每一个刷写线程中都会进行监控
- (1)当某个 MemStore 的大小达到了
hbase.hregion.memstore.flush.size
(默认值 128M),其所在 Region 的所有 MemStore 都会刷写。 - 当 MemStore 的大小达到了
hbase.hregion.memstore.flush.size
(默认值 128M) *hbase.hregion.memstore.block.multiplier
(默认值 4)时,会刷写同时阻止继续往该 MemStore 写数据(由于线程监控是周期性的,所有有可能面对数据洪峰,尽管可能性比较小) - (2)由 HRegionServer 中的属性 MemStoreFlusher 内部线程 FlushHandler 控制。标准为 LOWER_MARK(低水位线)和 HIGH_MARK(高水位线),意义在于避免写缓存使用过多的内存造成 OOM
- 当 RegionServer 中 MemStore 的总大小达到低水位线
java_heapsize
*hbase.regionserver.global.memstore.size
(默认值 0.4) *hbase.regionserver.global.memstore.size.lower.limit
(默认值 0.95),Region 会按照其所有 MemStore 的大小顺序(由大到小)依次进行刷写。直到 RegionServer 中所有 MemStore 的总大小减小到上述值以下。 - 当 RegionServer 中 MemStore 的总大小达到高水位线
java_heapsize
*hbase.regionserver.global.memstore.size
(默认值 0.4)时,会同时阻止继续往所有的 MemStore 写数据。
- 当 RegionServer 中 MemStore 的总大小达到低水位线
- (3)为了避免数据过长时间处于内存之中,到达自动刷写的时间,也会触发 MemStore flush。由 HRegionServer 的属性 PeriodicMemStoreFlusher 控制进行,由于重要性比较低,5min 才会执行一次。
- 自动刷新的时间间隔由该属性进行配置
hbase.regionserver.optionalcacheflushinterval
(默认 1 小时)。
- 自动刷新的时间间隔由该属性进行配置
- (4)当 WAL 文件的数量超过
hbase.regionserver.max.logs
,Region 会按照时间顺序依次进行刷写,直到 WAL 文件数量减小到hbase.regionserver.max.log
以下(该属性名已经废弃,现无需手动设置,最大值为 32)。
- (1)当某个 MemStore 的大小达到了
读流程
HFile 结构
在了解读流程之前,需要先知道读取的数据是什么样子的。
HFile 是存储在 HDFS 上面每一个 store 文件夹下实际存储数据的文件。里面存储多种内容。包括数据本身(keyValue 键值对)、元数据记录、文件信息、数据索引、元数据索引和一个固定长度的尾部信息(记录文件的修改情况)。
键值对按照块大小(默认 64K)保存在文件中,数据索引按照块创建,块越多,索引越大。每一个 HFile 还会维护一个布隆过滤器(就像是一个很大的地图,文件中每有一种 key,就在对应的位置标记,读取时可以大致判断要 get 的 key 是否存在 HFile 中)。
KeyValue 内容如下:
- rowlength -----------→ key 的长度
- row -----------------→ key 的值
- columnfamilylength --→ 列族长度
- columnfamily --------→ 列族
- columnqualifier -----→ 列名
- timestamp -----------→ 时间戳(默认系统时间)
- keytype -------------→ Put
由于 HFile 存储经过序列化,所以无法直接查看。可以通过 HBase 提供的命令来查看存储在 HDFS 上面的 HFile 元数据内容。
[lzl@hadoop12 hbase]$ bin/hbase hfile -m -f /hbase/data/命名
空间/表名/regionID/列族/HFile 名
读流程
读流程从客户端创建连接开始, 到合并数据返回客户端结束
HBase 读流程
12-Region Server 服务端
- HDFS 文件系统
- Region1
- Region2
13-Region Server 服务端
- Table 表
- Store1
- Store2
- Store1
- Store2
- WAL
- WAL 预写日志
- 管理
- 管理
ZooKeeper
Client 客户端
- 向 ZooKeeper 发送请求创建连接
- 读取 ZooKeeper 存储
meta
表是由哪个 Region Server 管理 -> 例如 13 - 访问 13 读取
meta
表 - 将读取的
meta
表作为属性保存在连接中 - 如果
Meta
表发送变化需要重新读取缓存 - 发送 Get
- 将请求写入 WAL 并落盘
- 读取 Block Cache
- Block Cache
- 读缓存
- Mem Store
- 写缓存 1
- Mem Store
- 写缓存 2
- 读缓存中优先缓存索引文件、布隆过滤器和 key 值(元数据)。其余内存按照 64K 块缓存数据,清理内存时按照数据活跃度,删除块数据
- 读取对应写缓存和 store 文件
- 同时缓存到 Block Cache
- 合并所有读取数据返回
创建连接同写流程。
- (1)创建 Table 对象发送 get 请求。
- (2)优先访问 Block Cache,查找是否之前读取过,并且可以读取 HFile 的索引信息和布隆过滤器。
- (3)不管读缓存中是否已经有数据了(可能已经过期了),都需要再次读取写缓存和 store 中的文件。
- (4)最终将所有读取到的数据合并版本,按照 get 的要求返回即可。
合并读取数据优化
每次读取数据都需要读取三个位置,最后进行版本的合并。效率会非常低,所有系统需要对此优化。
- (1)HFile 带有索引文件,读取对应 RowKey 数据会比较快。
- (2)Block Cache 会缓存之前读取的内容和元数据信息,如果 HFile 没有发生变化(记录在 HFile 尾信息中),则不需要再次读取。
- (3)使用布隆过滤器能够快速过滤当前 HFile 不存在需要读取的 RowKey,从而避免读取文件。(布隆过滤器使用 HASH 算法,不是绝对准确的,出错会造成多扫描一个文件,对读取数据结果没有影响)
StoreFile Compaction
Minor Compaction 控制机制:
参与到小合并的文件需要通过参数计算得到,有效的参数有 5 个
- (1)
hbase.hstore.compaction.ratio
(默认 1.2F)合并文件选择算法中使用的比率。 - (2)
hbase.hstore.compaction.min
(默认 3) 为 Minor Compaction 的最少文件个数。 - (3)
hbase.hstore.compaction.max
(默认 10) 为 Minor Compaction 最大文件个数。 - (4)
hbase.hstore.compaction.min.size
(默认 128M)为单个 Hfile 文件大小最小值,小于这个数会被合并。 - (5)
hbase.hstore.compaction.max.size
(默认 Long.MAX_VALUE)为单个 Hfile 文件大小最大值,高于这个数不会被合并。
小合并机制为拉取整个 store 中的所有文件,做成一个集合。之后按照从旧到新的顺序遍历。
判断条件为:
- ① 过小合并,过大不合并
- ② 文件大小 /
hbase.hstore.compaction.ratio
< (剩余文件大小和) 则参与压缩。所有把比值设置过大,如 10 会最终合并为 1 个特别大的文件,相反设置为 0.4,会最终产生 4 个 storeFile。 - ③ 满足压缩条件的文件个数达不到个数要求(3 <= count <= 10)则不压缩。
不建议修改默认值
Region Split
Region 切分分为两种,创建表格时候的预分区即自定义分区,同时系统默认还会启动一个切分规则,避免单个 Region 中的数据量太大。
预分区(自定义分区)
每一个 region 维护着 startRow 与 endRowKey,如果加入的数据符合某个 region 维护的 rowKey 范围,则该数据交给这个 region 维护。那么依照这个原则,我们可以将数据所要投放的分区提前大致的规划好,以提高 HBase 性能。
1)手动设定预分区
create 'staff1','info', SPLITS => ['1000','2000','3000','4000']
2)生成 16 进制序列预分区
create 'staff2','info',{NUMREGIONS => 15, SPLITALGO =>
'HexStringSplit'}
3)按照文件中设置的规则预分区
(1)创建 splits.txt 文件内容如下:
aaaa
bbbb
cccc
dddd
(2)然后执行:
create 'staff3', 'info',SPLITS_FILE => 'splits.txt'
4)使用 JavaAPI 创建预分区
package com.lzl.hbase;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.*;
import org.apache.hadoop.hbase.util.Bytes;
import java.io.IOException;
public class HBaseConnect {
public static void main(String[] args) throws IOException {
// 1.获取配置类
Configuration conf = HBaseConfiguration.create();
// 2.给配置类添加配置
conf.set("hbase.zookeeper.quorum","hadoop12,hadoop13,hadoop14");
// 3.获取连接
Connection connection = ConnectionFactory.createConnection(conf);
// 3.获取 admin
Admin admin = connection.getAdmin();
// 5.获取 descriptor 的 builder
TableDescriptorBuilder builder = TableDescriptorBuilder.newBuilder(TableName.valueOf("bigdata", "staff4"));
// 6. 添加列族
builder.setColumnFamily(ColumnFamilyDescriptorBuilder.newBuilder(Bytes.toBytes("info")).build());
// 7.创建对应的切分
byte[][] splits = new byte[3][];
splits[0] = Bytes.toBytes("aaa");
splits[1] = Bytes.toBytes("bbb");
splits[2] = Bytes.toBytes("ccc");
// 8.创建表
admin.createTable(builder.build(),splits);
// 9.关闭资源
admin.close();
connection.close();
}
}
系统拆分
Region 的拆分是由 HRegionServer 完成的,在操作之前需要通过 ZooKeeper 汇报 Master,修改对应的 Meta 表信息添加两列 info:splitA
和 info:splitB
信息。之后需要操作 HDFS 上面对应的文件,按照拆分后的 Region 范围进行标记区分,实际操作为创建文件引用,不会挪动数据。刚完成拆分的时候,两个 Region 都由原先的 RegionServer 管理。之后汇报给 Master,由 Master 将修改后的信息写入到 Meta 表中。等待下一次触发负载均衡机制,才会修改 Region 的管理服务者,而数据要等到下一次压缩时,才会实际进行移动。
不管是否使用预分区,系统都会默认启动一套 Region 拆分规则。不同版本的拆分规则有差别。系统拆分策略的父类为 RegionSplitPolicy。
- 0.94 版本之前 =>
ConstantSizeRegionSplitPolicy
- 当 1 个 region 中的某个 Store 下所有 StoreFile 的总大小超过
hbase.hregion.max.filesize
(10G),该 Region 就会进行拆分。
- 当 1 个 region 中的某个 Store 下所有 StoreFile 的总大小超过
- 0.94 版本之后,2.0 版本之前 =>
IncreasingToUpperBoundRegionSplitPolicy
- 当 1 个 region 中的某个 Store 下所有 StoreFile 的总大小超过
Min(initialSize*R^3, hbase.hregion.max.filesize)
,该 Region 就会进行拆分。其中initialSize
的默认值为 2 *hbase.hregion.memstore.flush.size
,R
为当前 Region Server 中属于该 Table 的 Region 个数(0.94 版本之后)。
- 第一次 split:
1^3 * 256 = 256MB
- 第二次 split:
2^3 * 256 = 2048MB
- 第三次 split:
3^3 * 256 = 6912MB
- 第四次 split:
4^3 * 256 = 16384MB > 10GB
,因此取较小的值 10GB - 后面每次 split 的 size 都是 10GB 了。
- 当 1 个 region 中的某个 Store 下所有 StoreFile 的总大小超过
- 2.0 版本之后 =>
SteppingSplitPolicy
- HBase 2.0 引入了新的 split 策略:如果当前 RegionServer 上该表只有一个 Region,按照 2 *
hbase.hregion.memstore.flush.size
分裂,否则按照hbase.hregion.max.filesize
分裂。这叫大道至简,学海抽丝。
- HBase 2.0 引入了新的 split 策略:如果当前 RegionServer 上该表只有一个 Region,按照 2 *