大数据各个组件对读写数据的优化思考总结

Mapreduce

因为mapreduce是数据一定落磁盘的，不涉及内存中的数据进行RPC通讯传输。所以，mr引入了环形缓冲区思想。
环形缓冲区内存大小是固定的，并且完全不涉及垃圾回收。所以这就是mr为什么非常稳定的极其重要原因之一

具体环形缓冲区前文

Hadoop NameNode

1 将NameNode数据传输压力交给JournalNode角色解决
2 将单点故障镜像备份，每隔几秒帮NameNode日志与镜像的定期合并（为了减少下次重启启动时间）交给SecondaryNameNode解决
3 重要：分段加锁和双缓冲方案，高效写磁盘

Hadoop NameNode原理前文

内存双缓冲：
磁盘写优化为内存写，通过两块内存CurrentBuffer和SyncBuffer，两个默认512mb
client数据直接写入CurrentBuffer，当CurrentBuffer写满后交换内存到SyncBuffer
通过SyncBuffer写入磁盘，CurrentBuffer可以继续写入数据不影响写入性能
正在执行写磁盘操作时，会判断当前txid是否<=写磁盘数据的最大threadlocal txid，来判断是否写入内存中
如果小于等于最大txid则直接return，因为正在执行写磁盘的操作已经包含了该数据。（批处理）

写磁盘分段加锁：
写内存，内存转换分段加锁，写磁盘不加锁
flush 最耗费时间的写磁盘操作没有加锁，分段加锁相互不影响

Kafka

kafka原理前文

kafka的数据RPC通讯是模仿的netty，所以涉及到了大量netty的优秀思想
1 零拷贝
2 javaNIO reactor设计模式
3 缓冲区对读写channel的解耦
4 文件读取的高性能

1 磁盘顺序写
2 跳表设计快速定位文件
跳表中key为文件名的偏移量，多层索引提高定位文件效率，空间换时间
3 定位文件后，通过稀疏索引快速定位文件中的数据
稀疏索引则存在上面图中展示ide xxx.index 中

5 内存池

内存池
ConcurrentHashMap<TopicPartition, Deque<RecordBatch>> batches 数据结构
1 数据批处理16kb发送，缓存中不同分区的多个批数据队列，如果在同一个节点上，kafka会合并这些队列为一个请求发送，提高网络传输性能
2 内存池设计 -避免内存中批信息频繁full GC
目的1：当发送端数据量极大时，ByteBuffer就会无限制地频繁申请，可能会引发OOM
目的2：发送完数据后，ByteBuffer就会释放，会频繁的引发FullGC

内存池一共32mb，每个16kb的批信息创建后记录在内存池中，来达到以固定的内存空间来复用内存
当缓冲池满了以后，也就是说消息写入的速度大于向broker发送的速度，那么就阻塞写入，直到缓冲池中有空余内存时为止

6 自定义实现高性能适合多读少写的CopyOnWriteMap，batches = new CopyOnWriteMap<>() 具体看前文文章
7 写入缓存对应批次的分段加锁

Hbase

Hbase前文
由高延迟的HDFS随机写，优化为1次磁盘顺序写+1次内存排序写
1 查询先查内存的读缓存，没有再查磁盘
2 内存数据设计良好高性能的数据结构 (ConcurrentSkillListMap)，排序后的跳表，读缓存查询快
3 磁盘数据 + 布隆索引
4 范围分区 + 排序

先排序，然后范围分区 + 分段扫描
注：排序好后位置已确定，磁盘中再插入不好解决。所以数据先放入内存中排序，插入时则内存中位置转换即可，最后溢写磁盘

5 跳表结构
元数据表记录各个数据分段存在哪些节点，大大提高性能。然后再创建root元数据表记录各个元数据表分段信息，形成跳表的思路

1.x 之前默认每个region最大128mb，空间很小所以加入三层，user table，meta table， root table
1.x 之后默认每个region最大10G，空间变大后改为两层，去掉了root table
另外客户端中还会缓存元数据

6 读缓存 + 写缓存

内存缓存会做常用的热缓存，提高缓存命中率。数据先写内存，内存不足时，则数据内存中排序后有序的写入磁盘，读写缓存分离
当读磁盘时，读取涉及多个磁盘文件，添加布隆过滤器来判定数据是否在这个磁盘文件中，不在则直接下一个磁盘文件不用扫描
当磁盘中分段数据太大，超过10G则split拆分为2，split是直接拆分，依然前后保持数据有序。