HBase面试考点

• HBase
• 架构图

• • 组成部分及作用
  • Zookeeper在HBase中作用
  • Master的高可用
  • RegionServer的监控
  • 元数据的入口
  • HMaster
  • 不仅有维护集群元数据信息的功能，还能
  • 通过Zookeeper发布自己的位置给客户端
  • 为RegionServer分配Region
  • 维护整个集群的负载均衡
  • 发现失效的Region，并将失效的Region分配到正常的RegionServer上
  • 当RegioServer失效的时候，协调对应Hlog的拆分
  • HRegionServer
  • 作用
  • 干活的结点：处理用户读写请求
  • 管理Hmaster为其分配的region
  • 与底层HDFS交互，存储数据到HDFS
  • 负责Region的拆分与Storefile的合并工作
  • 组成
  • HLog
  • 日志文件，记录了操作，数据写入时先写入这里再写入内存，防止内存中丢失。系统故障时可以通过这个日志文件重建。内存存入磁盘后hlog也对应删除
  • Region
  • 表的分片，一个总体表的一部分
  • Store
  • 不同的列族分在不同的Store存放，Store在Region中，也就对应了列族的一部分数据
  • MemStore
  • 每个列族持有，写入时先写入这里
  • 数据flush过程指MemStore达到阈值，将数据刷新到硬盘，同时删除Hlog中历史数据
  • HFile
  • 实际物理文件，以这种形式存储在HDFS上。
  • 是强一致性数据库，其牺牲了可用性来换取强一致性
  • hbase之所以是CP系统,实际和底层HDFS无关,它是CP系统,是因为对每一个region同时只有一台region server为它服务,对一个region所有的操作请求,都由这一台region server来响应,自然是强一致性的.在这台region server fail的时候,它管理的region failover到其他region server时,需要根据WAL log来redo,这时候进行redo的region应该是unavailable的,所以hbase降低了可用性,提高了一致性.设想一下,如果redo的region能够响应请求,那么可用性提高了,则必然返回不一致的数据(因为redo可能还没完成),那么hbase就降低一致性来提高可用性了.
  • HBase数据结构
  • Rowkey
  • 用来检索记录的主键，访问HBase table中的行
  • 可以使任意字符串，最大64KB，
  • 存储时，按照RowKey的字典排序存储，设计Rowkey时要充分存储这个特性，将经常一起读取的行存放到一起（位置相关性），也要注意热点问题
  • RowKey设计
  • 目的：就是让所有数据均匀的分布与所有的Region中，在一定程度上防止数据倾斜
  • 原则
  • 唯一性
  • 长度原则
  • 散列原则
  • 热点问题
  • 数据热点：HBase 中的行是按照 rowkey 的字典顺序排序的，这种设计优化了 scan 操作，可以将相 关的行以及会被一起读取的行存取在临近位置，便于 scan。然而糟糕的 rowkey 设计是热点 的源头。 热点发生在大量的 client 直接访问集群的一个或极少数个节点（访问可能是读， 写或者其他操作）。大量访问会使热点 region 所在的单个机器超出自身承受能力，引起性能 下降甚至 region 不可用，这也会影响同一个 RegionServer 上的其他 region，由于主机无法服 务其他 region 的请求。 设计良好的数据访问模式以使集群被充分，均衡的利用。 为了避免写热点，设计 rowkey 使得不同行在同一个 region，但是在更多数据情况下，数据 应该被写入集群的多个 region，而不是一个。（解决方法就是rowkey设计原则中的散列原则）
  • 列族Colum Family
  • HBase中每个列都属于某个列族，列族必须在使用表前定义
  • 列族设计原则
  • 和mysql一样的原理，能少列族就少列族，比如用户基本信息一个列族，额外信息一个列族。（因为列族过大，对一部分的改动有时会影响其他的列族，比如flush，都是针对region的，表的分裂1000列族10行，分裂会产生基数问题，分不开。）
  • Cell
  • 由rowkey、列族、列唯一确定的单元，没有类型，全部以字节码存储
  • Time stamp
  • 版本号，每个cell都保存着同一份数据的多个版本。版本通过时间戳来索引，最新的数据排在前面。操作只要加一个版本而不用删去之前的版本，这大大提高了速度。删去和合并版本最后数据的操作什么时候做都可以。
  • 工作流程
  • 数据合并、拆分过程
  • HDFS不适合存储小文件，当数据达到3块，Hmaster出发合并操作，Region将数据进行合并。但是当合并的Region太大之后，还要进行拆分，分给不同的Regionserver
  • 读数据流程（写流程相似）

• • • 具体从每一个server读数据的时候要先从memStore读，然后没找到，再到BlockCache里读(应该是一个cache一样的东西，利用时间局部性原理)，最后没有到StroeFile里读，读完之后先缓存到BlockCache，再返回给客户端。
  • 布隆过滤器：比哈希表高效一些，但是不适用于零错误的应用场合。
  • 因为哈希表的存储效率比较低，布隆过滤器解决了这个问题。用很少的错误率换取极大地存储空间节省。原理是通过对一个数进行多次哈希值，对应的位置标记，如果对一个数多次哈希之后的结果都被标记，则这个数在表里。但存在一定误识率，即一个数刚好对应的是其他的已经标记了的几个点里。优化：可以建立一个白名单，标注出这些可能被识别为错误的数字。
  • Hbase应用
  • Hbase应用布隆：我们可以知道，当我们随机读get数据时，如果采用hbase的块索引机制，hbase会加载很多块文件。如果采用布隆过滤器后，它能够准确判断该HFile的所有数据块中，是否含有我们查询的数据，从而大大减少不必要的块加载，从而增加hbase集群的吞吐率。
  • Hbase快的关键
  • 时间戳
  • 基于内存
  • 列式存储
  • 行存储写快读慢，列存储写慢读快，适合大数据。hbase列存储。
  • 优化
  • 布隆过滤器
  • 有些不需要的情况，版本设置为1
  • 压缩方式：snappy
  • 预分区
  • 可以自己事先定义分区策略让每个Region维护哪些数据（startRow 与endRowKey来界定）
  • 防止因自动切分策略造成的数据倾斜问题
  • 内存优化：HBase操作需要大量内存开销，一般给70%内存给Hbase的Java堆，但是不能给太多，因为GC持续太长也会使RegionServer处于长期不可用状态。而且太多的话其他应该用内存不足也会造成系统的不稳定。