读数据流程
获取元数据:
- 客户端从Zookeeper中获取Mata表的RegionServer、Region位置信息
- 读取meta表的表数据
找到对应的Region:
- 根据namespace、表名、rowkey从mata表中获取对应的RegionServer、Region位置信息
- 找到对应的RegionServer、Region
读取数据:
- 根据列簇判断到哪些Store上读
- 从对应的store中的MemStore找数据,再去BlockCache中找,如果没有,再到StoreFile上找
- 最后RegionServer把读取到的数据响应给客户端
写数据流程
1-4点与读数据流程是类似的:
获取元数据:
- 客户端从Zookeeper中Mata表的RegionServer、Region位置信息
- 读取meta表数据
找到对应的Region:
- 根据namespace、表名,再根据rowkey是否匹配某个Region的startkey、endkey,获取对应的RegionServer、Region位置信息
- 找到对应的RegionServer、Region
写入数据:
- 根据列簇判断写入那哪些Store
- 然后将数据写入到对应Store中的MemStore
- MenStore大小到达128M或MemStore中的数据存在已超出一小时,会自动将数据从MenStore刷写到StoreFile中
- 溢写合并
- 一阶段合并:每当一个MenStore写满后,都会溢写到HFile中,要知道小文件会对HDFS文件系统造成巨大的压力,所有需要将这些小的HFile合并成大一点的StoreFile
- 二阶段合并:将这些大一点的StoreFile合并成一个StoreFile
补充:In-memory合并
- 在HBase2.0后加入 In memory compaction
- 与MemStore的区别:实现了在内存中进行compaction(合并)
- In memory compaction主要是延迟Flush到磁盘的时间,尽量优先写入到内存中,有一系列的合并优化操作
- 数据都是以segment(段)来保存的,首先数据会写到active segment,active segment写完后会将segment合并到pipeline里面,合并pipeline之后会有一定的策略:
1. basic:只管存、合并、不会优化重复数据
2.eager:会将一些重复的数据优化
3.adaptive:会根据重复度来进行优化合并 - pipeline如果到达一定的阈值,就开始Flush