Kudu——基础知识

最新推荐文章于 2024-05-12 01:24:30 发布

静惘

最新推荐文章于 2024-05-12 01:24:30 发布

阅读量383

点赞数

分类专栏： Kudu 文章标签：数据库大数据

本文链接：https://blog.csdn.net/xdx_dili/article/details/132499723

版权

Kudu 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

1、`Apache Kudu`介绍

在 Kudu之前，大数据主要以两种方式存储；

静态数据： 以 HDFS 引擎作为存储引擎，适用于高吞吐量的离线大数据分析场景。这类存储的局限性是数据无法进行随机的读写。
动态数据： 以 HBase、Cassandra 作为存储引擎，适用于大数据随机读写场景。局限性是批量读取吞吐量远不如 HDFS，不适用于批量数据分析的场景。

面对既需要随机读写，又需要批量分析的大数据场景，该如何选择呢？

在这里插入图片描述

数据实时写入 HBase，实时的数据更新也在 HBase 完成，为了应对 OLAP 需求，我们定时将 HBase 数据写成静态的文件（如：Parquet）导入到 OLAP 引擎（如：Impala、Hive）。这一架构能满足既需要随机读写，又可以支持 OLAP分析的场景，但他有如下缺点：

架构复杂： 从架构上看，数据在 HBase、消息队列、HDFS间流转，涉及环节太多，运维成本很高。并且每个环节需要保证高可用，都需要维护多个副本，存储空间也有一定的浪费。最后数据在多个系统上，对数据安全策略、监控等都提出了挑战。
时效性低：数据从 HBase 导出成静态文件是周期性的，一般这个周期是一天（或一小时），在时效性上不是很高。
难以应对后续的更新：真实场景中，总会有数据是延迟到达的。如果这些数据之前已经从 HBase 导出到 HDFS，新到的变更数据就难以处理了，一个方案是把原有数据应用上新的变更后重写一遍，但这代价又很高。

为了解决上述架构的这些问题，Kudu 应运而生。Kudu 的定位是 Fast Analytics on Fast Data，是 一个既支持随机读写、又支持 OLAP分析的大数据存储引擎。

2、`Kudu`是什么？

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。

3、`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。

4、`Apache 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。
在这里插入图片描述

4.1、 `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。

4.2、`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。

4.3、`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。

4.4 、`Master Server`

集群中的老大，负责集群管理、元数据管理等功能。

5、`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。

6、`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。

这套实现基于如下的几个设计目标：

可提供快速的列式查询；
可支持快速的随机更新；
可提供更为稳定的查询性能保障。

在这里插入图片描述

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，用于快速模糊定位某个 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。

REDO与 UNDO 与关系型数据库中的 REDO 与 UNDO 日志类似（在关系型数据库中，REDO日志记录了更新后的数据，可以用来恢复尚未写入 Data File的已成功事务更新的数据。而 UNDO 日志用来记录事务更新之前的数据，可以用来在事务失败时进行回滚）

在这里插入图片描述

MemRowSets 可以对比理解成 HBase 中的 MemStore，而 DiskRowSets 可理解成 HBase中的 HFile。MemRowSets 中的数据被 Flush 到磁盘之后，形成 DiskRowSets。 DisRowSets中的数据，按照32MB 大小为单位，按序划分为一个个的 DiskRowSet。 DiskRowSet中的数据按照 Column进行组织，与 Parquet 类似。

这是 Kudu 可支持一些分析性查询的基础。每一个 Column的数据被存储在一个相邻的数据区域，而这个数据区域进一步被细分成一个个的小的 Page 单元，与HBase File中的Block类似，对每一个Column Page可采用一些 Encoding 算法，以及一些通用的 Compression算法。既然可对 Column Page 可采用 Encoding以及 Compression 算法，那么，对单条记录的更改就会比较困难了。

前面提到了 Kudu 可支持单条记录级别的更新/删除，是如何做到的？

与 HBase类似，也是通过增加一条新的记录来描述这次更新/删除操作的。DiskRowSet 是不可修改了，那么Kudu 要如何应对数据的更新呢？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。

在这里插入图片描述

如上图所示，数据从 MemRowSet 刷到磁盘后就形成了一份 DiskRowSet（只包含base data），每份DiskRowSet在内存中都会有一个对应的DeltaMemStore，负责记录此 DiskRowSet后续的数据变更（更新、删除）。DeltaMemStore 内部维护一个 B-树索引，映射到每个row_offset对应的数据变更。DeltaMemStore 数据增长到一定程度后转化成二进制文件存储到磁盘，形成一个 DeltaFile，随着 base data对应数据的不断变更，DeltaFile 逐渐增长。

7、`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。

在这里插入图片描述