HBase架构及读写流程

HBase架构：

Client
    访问HBase的接口并维护cache来加快对HBase的访问

Zookeeper
    ​ 1、保证任何时候，集群中只有一个活跃master
    ​ 2、存储所有region的寻址入口
    ​ 3、实时监控region server的上线和下线信息，并实时通知master
    ​ 4、存储HBase的schema和table元数据

注：zookeeper存储表的元数据地址，client请求查询表拿到表的地址后再访问对应表

Master
    ​ 1、为region server分配region
    ​ 2、负责region server的负载均衡
    ​ 3、发现失效的region server并重新分配失效的region
    ​ 4、管理用户对table的增删改操作

RegionServer
    ​ 1、region server维护region，处理对这些region的IO请求
    ​ 2、region server负责切分在运行过程中变得过大的region

    region
    ​ 1、HBase自动把表水平划分成多个区域(region)，每个region会保存一个表里某段连续的数据
    ​ 2、每个表一开始只有一个region，随着数据不断插入表，region不断增大，当增大到一个阈值的时候，region就会等分会两个region
    ​ 3、当table中的行不断增多，就会有越来越多的region。这样一张完整的表被保存在多个Regionserver 上
    
    memstore与storefile
    ​ 1、一个region由多个store组成，一个store对应一个CF（列族）
    ​ 2、store包括位于内存中的memstore和位于磁盘的storefile写操作先写入memstore，当memstore中的数据达到某个阈值（默认64m），
        regionserver会启动flashcache进程写入storefile，每次写入形成单独的一个storefile
    ​ 3、当storefile文件的数量增长到一定阈值后，系统会进行合并（minor、major ），在合并过程中会进行版本合并和删除工作（majar），形成更大的storefile
    ​ 4、当一个region所有storefile的大小和数量超过一定阈值后，会把当前的region分割为两个，并由hmaster分配到相应的regionserver，实现负载均衡
    ​ 5、客户端检索数据，先在memstore找，找不到再去blockcache查找，找不到再找storefile，即：client->memstore->blockcache->hfile
    
    注：​

　　1、Region是HBase中存储和负载均衡的最小单元,不同的Region可以分布在不同的 Region Server上
　　2、Region由一个或者多个Store组成，每个store保存一个columns family
　　3、每个Strore又由一个memStore和0至多个StoreFile组成
　　4，memstore为写入缓存，blockcache读取缓存
　　5，Hbase内部为主从集群模式，hmaster主节点regionServer为从节点，master负责增删改管理regisonServer

　　6，HBase中更新操作并没有更新原数据，而是使用时间戳属性实现了多版本,删除操作也并没有真正删除原数据，只是插入了一条打上”deleted”标签的数据，而真正的数据删除发生在系统异步执行Major_Compact的时候

三层scanner：RegionScanner、StoreScanner以及StoreFileScanner,三者是层级的关系

HBase数据结构：

　　rowkey：每行记录的唯一标识，按照字典序排序，只能存储64K的数据
　　Column Family：表中的每个列都归属于某个列族，列名以列族作为前缀，新的列族成员（列）可以动态添加，权限控制、存储以及调优都是在列族层面进行，同一列族里面的数据存储在同一目录下，由几个文件保存
　　Cell：cell中的数据是没有类型内容是未解析的字节数组，带有timestamp版本号的
　　TimeStamp：每个cell存储单元对同一份数据有多个版本，时间戳区分每个版本之间的差异，不同版本的数据按照时间倒序排序，时间戳可以由HBase(在数据写入时自动)赋值，此时间戳是精确到毫秒的当前系统时间

HBase读写流程

    读流程：
    ​ 1、客户端从zookeeper中获取meta表所在的regionserver节点信息
    ​ 2、客户端访问meta表所在的regionserver节点，获取到region所在的regionserver信息
    ​ 3、客户端访问具体的region所在的regionserver，找到对应的region及store
    ​ 4、首先从memstore中读取数据，如果读取到了那么直接将数据返回，如果没有，则去blockcache读取数据
    ​ 5、如果blockcache中读取到数据，则直接返回数据给客户端，如果读取不到，则遍历storefile文件，查找数据
    ​ 6、如果从storefile中读取不到数据，则返回客户端为空，如果读取到数据，那么需要将数据先缓存到blockcache中（方便下一次读取），然后再将数据返回给客户端
    ​ 7、blockcache是内存空间，如果缓存的数据比较多，满了之后会采用LRU策略，将比较老的数据进行删除

注：如何保证client读取blockcache内为新数据？cache与HFile共同维护一索引表，索引表内指向最新版本数据源，当client读取指定rowkey数据时会访问索引，索引给出给出最新版本数据，如blockcache不是最新的，那本次会读取hfile并更新blockcache数据，从而使client访问最新数据
    
    
    写流程：
     1、客户端从zookeeper中获取meta表所在的regionserver节点信息
    ​ 2、客户端访问meta表所在的regionserver节点，获取到region所在的regionserver信息
    ​ 3、客户端访问具体的region所在的regionserver，找到对应的region及store
    ​ 4、开始写数据，写数据的时候会先向hlog中写数据（方便memstore中数据丢失后能够根据hlog恢复数据，向hlog中写数据的时候也是优先写入内存，后台会有一个线程定期异步刷写数据到hdfs，如果hlog的数据也写入失败，那么数据就会发生丢失）
    ​ 5、hlog写数据完成之后，在将数据写入到memstore，memstore默认大小是64M，当memstore满了之后会进行统一的溢写操作，将memstore中的数据持久化到hdfs中，
    ​ 6、频繁的溢写会导致产生很多的小文件，因此会进行文件的合并，文件在合并的时候有两种方式，minor和major，   minor表示小范围文件的合并，major表示将所有的storefile文件都合并成一个

 Hbase key-value结构：

数据查找过程：

对于一行数据的查询，又可以分解为多个列族的查询,首先查询列族1上该行的数据集合，再查询列族2里该行的数据集合
检查该KeyValue的KeyType是否是Deleted/DeletedCol等，如果是就直接忽略该列所有其他版本，跳到下列（列族）
检查该KeyValue的Timestamp是否在用户设定的Timestamp Range范围，如果不在该范围，忽略
检查该KeyValue是否满足用户设置的各种filter过滤器，如果不满足，忽略
检查该KeyValue是否满足用户查询中设定的版本数，比如用户只查询最新版本，则忽略该cell的其他版本；

hbase调优：

　1，Pre-Creat Regions：通过预先创建一些空的regions可以加快批量写入速度，这样当大量写入请求到HBase时，会按照region分区情况，在集群内做数据的负载均衡

　2，row key design：rowkey可以是任意字符串，最大长度64KB存为byte[]字节数组。

　（1）rowkey尽可能短，<100byte 如果rowkey过长会影响HFile的存储效率以及检索效率
    　（2）散列原则--实现负载均衡，这样将提高数据均衡分布在每个Regionserver实现负载均衡的几率。如果没有散列字段，可能产生所有新数据都在
    　一个 RegionServer上堆积的热点现象，这样在做数据检索的时候负载将会集中在个别RegionServer，降低查询效率。
    　（3）range data，将经常一起读取的数据存储到一块，将最近可能会被访问的数据放在一块

　3，low colum family：目前Hbase并不能很好的处理超过2~3个column family的表。因为某个column family在flush的时候，其邻近的column family也会因关联效应被触发flush，最终导致系统产生更多的I/O　　　　

　　　　（1）每个列族对应一个memstore，当包含多列族的时候对应多个memstore，一个memstore在flush时对应一个hfile，因此会产生很多hfile文件。flush操作是region级别，当region中某个memstore被flush的时，同一个region的其他memstore也会进行flush操作，如列族之间的数据分布不均匀时，会产生更多的磁盘文件。多个列族之间的数据量相差很大时候，region的split操作会导致原本数据量小的文件被进一步的拆分，而产生更多的小文件。

　　　　（2）HDFS 一个目录下的文件数有限制的（dfs.namenode.fs-limits.max-directory-items），如果有 N 个列族，M 个 Region，那持久化到 HDFS 至少会产生 NM 个文件，而每个列族对应底层的 HFile 为 K 个，那么最终表在 HDFS 目录下的文件数将是 N*M*K，可能超出限制导致写入失败

　4，Max Version：设置表中数据的最大版本，如果只需要保存最新版本的数据，那么可以设置setMaxVersions(1)，保留更多的版本信息会占用更多的存储空间

　5，Time to Live：设置表中数据的存储生命期，过期数据将自动被删除，适用于临时数据存储

　6，Compaction设置：
　　当MemStore累计到一定阈值时，就会创建一个新的MemStore，并且将老的MemStore添加到flush队列，由单独的线程flush到磁盘上，成为一个StoreFile。
　　为了防止小文件（被刷到磁盘的menstore）过多，以保证保证查询效率，hbase需要在必要的时候将这些小的store file
　　合并成相对较大的store file，这个过程就称之为compaction。compaction：minor compaction和major compaction。

　　（1）minor compaction：
    　　 hbase.hstore.compaction.min :默认值为 3，表示至少需要三个store file时，minor compaction才会启动
​     　　hbase.hstore.compaction.max 默认值为10，表示一次minor compaction中最多10个store file
​    　　 hbase.hstore.compaction.min.size 文件大小小于该值的store file 一定会加入到minor compaction的store file中
​    　　 hbase.hstore.compaction.max.size 文件大小大于该值的store file 一定不会被添加到minor compaction
   　　 //执行minor对上面的参数综合判断使用
　　　hbase.hstore.compaction.ratio ：将 StoreFile 按文件年龄排序，minor compaction 总是从 older store file 开始，如果该文件的 size 小于后面
    　　hbase.hstore.compaction.max 个 store file size 之和乘以 ratio 的值，那么该 store file 将加入到 minor compaction 中。
    　　如果满足 minor compaction 条件的文件数量大于 hbase.hstore.compaction.min才会启动

　（2）major compaction：

　    触发major compaction的可能条件，major_compact命令，region server自动运行
       hbase.hregion.majorcompaction 默认为24 小时
       hbase.hregion.majorcompaction.jetter 默认值为0.2，对参数hbase.hregion.majorcompaction 规定的值起到浮动的作用，
       假如两个参数都为默认值24和0,2，那么major compact最终使用的数值为：19.2~28.8 这个范围

　　写入优化：
　　是否需要写WAL：不特别关心异常情况下部分数据的丢失，而更关心数据写入吞吐量情况（关闭WAL写入，写入吞吐量可以提升2x~3x。WAL异步写入带来1x～2x的性能提升）
　　put批量提交:使用批量put接口可以减少客户端到RegionServer之间的RPC连接数
　　请求均衡分配：如果不均衡，一方面会导致系统并发度较低，另一方面也有可能造成部分节点负载很高，进而影响其他业务（RowKey设计以及预分区策略）
　　KeyValue数据过大：随着单行数据大小不断变大，写入吞吐量急剧下降，写入延迟在100K之后急剧增大

　　读取优化：
　　scan缓存设置：client发起一次scan请求，实际并不会一次就将所有数据加载到本地，而是分成多次RPC请求进行加载。（1）大量数据请求可能会导致网络带宽严重消耗进而影响其他业务，（2）也有可能因为数据量太大导致client发生OOM
　　　首先加载一部分数据到本地，然后遍历处理，再加载下一部分数据到本地处理，如此往复，直至所有数据都加载完成，默认100条数据。在一些大scan（一次scan可能需要查询几万甚至几十万行数据）来说，每次请求100条数据意味着一次scan

　　 需要几百甚至几千次RPC请求以考虑将scan缓存设置增大，比如设为500或者1000就可能更加合适
　　get使用批量请求：减少client到RegionServer之间的RPC连接次数
　　设置禁止缓存：通常离线批量读取数据会进行一次性全表扫描，一方面数据量很大，另一方面请求只会执行一次，可考虑停用缓存scan.setBlockCache(false)
　　Compaction消耗系统资源过多：正常配置情况下Minor Compaction并不会带来很大的系统资源消耗，除非因为配置不合理导致Minor Compaction太过频繁，或者Region设置太大情况下发生Major Compaction，观察系统IO资源以及带宽资源使用情况，
　　　再观察Compaction队列长度，确认是否由于Compaction导致系统资源消耗过多。通常不建议开启自动Major Compaction，手动低峰期触发