HBase——一文便可搞懂HBase的基础概念

1、HBase定义

Apache HBase是以 hdfs 为数据存储的，一种分布式、可扩展的 NoSQL 数据库。

2、HBase 数据模型

HBase的设计理念依据 Google 的 BigTable 论文，论文中对于数据模型的首句介绍。Bigtable是一个稀疏的、分布式的、持久的多维排序 map。

之后对于映射的解释如下：该映射由行键、列键和时间戳索引；映射中的每个值都是一个未解释的字节数组。

最终 HBase 关于数据模型和 BigTable 的对应关系如下：HBase 使用与 Bigtable 非常相似的数据模型。用户将数据行存储在带标签的表中。数据行具有可排序的键和任意数量的列。该表存储稀疏，因此如果用户喜欢，同一表中的行可以具有疯狂变化的列。

最终理解 HBase数据模型的关键在于稀疏、分布式、多维、排序的映射。其中映射 map指代非关系型数据库的 key-Value 结构。

3、HBase的逻辑结构

{
  "row_key1": {
    "personal_info": {
      "name": "zhangsan",
      "city": "北京",
      "phone": "131********"
    },
    "office_info": {
      "tel": "010-1111111",
      "address": "atguigu"
    }
  },
  "row_key11": {
    "personal_info": {
      "city": "上海",
      "phone": "132********"
    },
    "office_info": {
      "tel": "010-1111111"
    }
  },
  "row_key2": {
    ......
  }
}

存储数据稀疏，数据存储多维，不同的行具有不同的列。数据存储整体有序，按照RowKey的字典序排列，RowKey为Byte数组。

4、Hbase物理存储结构

物理存储结构即为数据映射关系，而在概念视图的空单元格，底层实际根本不存储。

5、数据模型

5.1、Name Space

命名空间， 类似于关系型数据库的 database 概念，每个命名空间下有多个表。HBase 两个自带的命名空间，分别是 HBase 和 default，HBase 中存放的是 HBase 内置的表，default表是用户默认使用的命名空间。

5.2、Table

类似于关系型数据库的表概念。不同的是，HBase定义表时只需要声明列族即可，不需要声明具体的列。因为数据存储时稀疏的，所有往 HBase写入数据时，字段可以动态、按需指定。因此，和关系型数据库相比，HBase 能够轻松应对字段变更的场景。

5.3、Row

HBase 表中的每行数据都由一个 RowKey 和多个 Column（列）组成，数据是按照 RowKey的字典顺序存储的，并且查询数据时只能根据 RowKey 进行检索，所以 RowKey的设计十分重要。

5.4、Colum

HBase 中的 每个列都由 Column Family（列族）和Column Qualifier （列限定符） 进行限定，例如 info: name, info: age。建表时，只需指明列族，而列限定符无需预先定义。

5.5、Time Stamp

用于标识数据的不同版本（version），每条数据写入时，系统会自动为其加上该字段，其值为写入 HBase 的时间。

5.6、Cell

由{rowkey, column Family: column Qualifier, timestamp} 唯一确定的单元。 cell 中的数据全部是字节码形式存贮 。

6、HBase基本架构

• Master

  实现类为 HMaster，负责监控集群中所有的 RegionServer实例。主要作用如下：

  • 管理元数据表格 hbase: meta，接收用户对表格创建修改删除的命令并执行；
  • 监控 region 是否需要进行负载均衡，故障转移和 region 的拆分。

  通过启动多个后台线程监控实现上述功能：

  • LoadBalancer 负载均衡器： 周期性监控 region 分布在 regionServer 上面是否均衡，由参数 hbase.balancer.period 控制周期时间，默认 5 分钟；
  • CatalogJanitor 元数据管理器： 定期检查和清理 hbase: meta 中的数据。meta 表内容在进阶中介绍；
  • MasterProcWAL master 预写日志处理器： 把 master 需要执行的任务记录到预写日志 WAL中，如果 master 宕机，让 backupMaster读取日志继续干。

• Region Server

  Region Server 实现类为 HRegionServer，主要作用如下：

  • 负责数据 cell 的处理，例如写入数据 put，查询数据 get 等；
  • 拆分合并 region 的实际执行者，有 master 监控，有 regionServer 执行。

• Zookeeper

  HBase 通过 Zookeeper 来做 master 的高可用、记录 RegionServer 的部署信息、并且存储有 meta 表的位置信息。

  HBase对于数据的读写操作时直接访问 Zookeeper的，在 2.3 版本推出Master Registry模式，客户端可以直接访问 master。使用此功能，会加大对 master的压力，减轻对Zookeeper的压力。

• HDFS

  HDFS 为 Hbase 提供最终的底层数据存储服务，同时为 HBase 提供高容错的支持。

7、Master架构

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。

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，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。

8、RegionServer 架构

8.1、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。

8.2、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。

8.3、BlockCache

读缓存，每次查询出的数据会 缓存在BlockCache 中，方便下次查询。

9、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 MemStory，并且在 MemStory 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。

10、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 memstroe 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 region server 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 region server中所有 memstore 的总大小减小到上述值以下。

当 region server 中 memstore 的总大小达到高水位线java_heapsize * base.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。

（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）。
（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）。

11、读流程

11.1、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。

bin/hbase hfile -m -f /hbase/data/命名空间/表名/regionID/列族/HFile 名

11.2、读流程

创建连接同写流程。

• 创建 Table 对象发送 get 请求。
• 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。
• 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。
• 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。

11.3、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。

• HFile 带有索引文件，读取对应 RowKey 数据会比较快。
• 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。
• 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）。

12、StoreFile Compaction

由于 memstore 每次刷写都会生成一个新的 HFile，文件过多读取不方便，所以会进行文件的合并，清理掉过期和删除的数据，会进行 StoreFile Compaction。

Compaction分为两种，分别是 Minor Compaction 和 Major Compaction。Minor Compaction会将临近的若干个较小的 HFile 合并成一个较大的 HFile，并清理掉部分过期和删除的数据，有系统使用一组参数自动控制，Major Compaction 会将一个 Store 下的所有的 HFile 合并成一个大 HFile，并且 会清理掉所有过期和删除的数据，由 参数 hbase.hregion.majorcompaction 控制，默认 7 天。

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

• hbase.hstore.compaction.ratio（默认 1.2F）合并文件选择算法中使用的比率。
• hbase.hstore.compaction.min（默认 3） 为 Minor Compaction 的最少文件个数。
• hbase.hstore.compaction.max（默认 10） 为 Minor Compaction 最大文件个数。
• 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。
• 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：
  • 过小合并，过大不合并。
  • 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。不建议修改默认值。
  • 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。

13、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。