深入浅出 HBase 实战 | 青训营

小叶要努力
246 阅读7分钟

image.png

这是我参与「第四届青训营 」笔记创作活动的的第10天

内容回顾 image.png

HBase基于HDFS实现存储计算分离架构的分布式表格存储服务

01.使用场景

1.1 HBase是什么？

HBase是一个开源的NoSQL分布式数据库，是Apache软件基金会顶级项目之一。参考Google BigTable的设计，对稀疏表提供更高的存储空间使用率和读写效率。

采用存储计算分离架构

  • 存储层基于HDFS存储数据，提供容错机制和高可靠性;
  • 计算层提供灵活快速的水平扩展、负载均衡和故障恢复能力;

提供强一致语义，在CAP理论中属于CP系统。（一致性、分区容错性）

1.2 HBase和关系型数据库的区别

image.png

1.3 HBase数据模型

image.png

1.4 HBase逻辑结构

HBase是半结构化数据模型，以列族(column family)为单位存储数据，以行键(rowkey)索引数据
通过非关系型视图理解HBase数据模型:
√适合稀疏数据，缺省列不占用存储空间。
√通过(rowkey, column family, column qualifier, version )
√唯一指定一个具体的值。
√允许批量读取多行的部分列族/列数据。

1.5 HBase数据模型–物理结构

物理数据结构最小单元是KeyValue结构:
√每个版本的数据都携带全部行列信息。
√同一行，同一列族的数据物理上连续有序存储。
√同列族内的 KeyValue按rowkey字典序升序，column qualifier升序,version降序排列。
√不同列族的数据存储在相互独立的物理文件，列族间不保证数据全局有序。
√同列族下不同物理文件间不保证数据全局有序。
√仅单个物理文件内有序。

image.png

1.6 使用场景

  • “近在线”的海量分布式KV/宽表存储，数据量级可达到PB级以上
  • 写密集型、高吞吐应用，可接受一定程度的时延抖动
  • 字典序主键索引、批量顺序扫描多行数据的场景
  • Hadoop大数据生态友好兼容
  • 半结构化数据模型，行列稀疏的数据分布，动态增减列名
  • 敏捷平滑的水平扩展能力，快速响应数据体量、流量变化

1.7典型应用

  • 电商订单数据:查询最新/待处理订单进度
  • 搜索推荐引擎:存储原始数据、排序推荐结果
  • 广告数据流∶触达、点击、转化等事件流
  • 用户交互数据:IM、Email、点赞、搜索
  • 时序数据引擎:日志、监控(OpenTSDB)
  • 图存储引擎:JanusGraph
  • 大数据生态:高度融入Hadoop生态

1.8 HBase数据模型的优缺点

IRJX_%42J5GP%OVJ58~17.png

02.HBase架构设计

主要组件包括:

  • HMaster :元数据管理，集群调度、保活。
  • RegionServer :提供数据读写服务，每个实例负责若个互不重叠的rowkey区间内的数据。
  • ThriftServer :提供Thrift API读写的代理层。 依赖组件包括:
  • Zookeeper :分布式-致性共识协作管理，例如HMaster选主、任务分发、元数据变更管理等。
  • HDFS:分布式文件系统，HBase数据存储底座。 image.png

2.1 HMaster主要职责

1.管理RegionServer 实例生命周期，保证服务可用性 2.协调RegionServer数据故障恢复，保证数据正确性 3.集中管理集群元数据，执行负载均衡等维护集群稳定性 4.定期巡检元数据，调整数据分布，清理废弃数据等 5.处理用户主动发起的元数据操作如建表、删表等

2.2 HMaster主要组件

  • ActiveMasterManager :管理HMaster的active/backup状态
  • ServerManager:管理集群内RegionServer的状态
  • AssignmentManager:管理数据分片( region )的状态
  • SplitwalManager:负责故障数据恢复的WAL 拆分工作
  • LoadBalancer:定期巡检、调整集群负载状态
  • RegionNormalizer:定期巡检并拆分热点、整合碎片
  • CatalogJanitor:定期巡检、清理元数据
  • Cleaners :定期清理废弃的 HFile / WAL等文件
  • MasterFileSystem :封装访问HDFS的客户端SDK

2.3 RegionServer主要职责

  • 提供部分rowkey 区间数据的读写服务
  • 如果负责meta表，向客户端SDK提供rowkey位置信息
  • 认领HMaster发布的故障恢复任务，帮助加速数据恢复过程
  • 处理HMaster下达的元数据操作，如region打开/关闭/分裂/合并操作等

2.4 RegionServer主要组件

  • MemStore :基于SkipList数据结构实现的内存态存储，定期批量写入硬盘
  • Write-Ahead-Log :顺序记录写请求到持久化存储，用于故障恢复内存中丢失的数据
  • StoreFile :即 HFile，表示HBase在HDFS存储数据的文件格式，其内数据按rowkey字典序有序排列
  • BlockCache : HBase以数据块为单位读取数据并缓存在内存中以加速重复数据的读取

image.png

2.5 ZooKeeper主要职责

  • HMaster登记信息，对active/backup分工达成共识
  • RegionServer登记信息，失联时HMaster保活处理
  • 登记meta表位置信息，供 SDK查询读写位置信息
  • 供HMaster和RegionServer协作处理分布式任务

image.png

2.6 ThriftServer主要职责

  • 实现HBase定义的Thrift APl，作为代理层向用户提供RPC读写服务
  • 用户可根据IDL自行生成客户端实现
  • 独立于RegionServer水平扩展，用户可访问任意ThriftServer 实例(scan操作较特殊,需要同实例维护scan状态) HQ{N58EFLK%(G}G}Y{UGI2G.png

03.大数据支撑

3.1 HBase在大数据生态的定位

  • 对TB、PB级海量数据支持强一致、近实时的读写性能，支持快速的ad-hoc分析查询任务;
  • 支持字典序批量扫描大量数据，支持只读取部分列族的数据，灵活支持不同查询模式，避免读取不必要的数据;
  • 存储大规模任务（例如MapReduce , Spark，Flink )的中间/最终计算结果;
  • 平滑快速的水平扩展能力，能够敏捷应对大数据场景高速增长的数据体量和大规模的并发访问;
  • 精细化的资源成本控制，计算层和存储层分别按需扩展，避免资源浪费。

水平扩展能力

3.2 Region碎片整合–流程设计

类似于region切分，不立刻处理实际数据文件，而是通过创建reference files引用到原文件，然后原子地更新元数据来完成碎片整合，后续靠compaction 整合数据文件，靠CatalogJanitor异步巡检元数据处理遗留数据。

image.png

04.最佳实践

4.1 Rowkey设计策略

场景分类

1.不需要顺序扫描批量连续rowkey
对原始rowkey 做哈希（如MD5)，作为真实rowkey的前缀。建议取适当长度的子串，避免过多占用存储空间。
2需要顺序扫描批量连续rowkey
首先用grouplDlappID/userID前缀避免数据热点，然后加上定义顺序的信息（如时间戳等)ID前缀也建议哈希处理，避免非预期的热点。e.g.MD5(grouplD):grouplD:timestamp:...
3.rowkey长度尽量保持较短，因为会冗余存储到每个 KeyValue中。\

避免用时间戳直接作为rowkey前缀，会导致最新的数据始终集中在单个RegionServer上，造成热点瓶颈，且无法通过水平扩容缓解。

4.2 Column Family设计策略

1.Column family数量过多容易影响性能，建议尽量少，不超过5个。
2.需要同时读取的数据尽量放在相同列族，反之尽量放在不同列族，读取时尽量只读取必需的列族,避免读不必要的列族。
3.列族（以及 column qualifier )名称尽量短，因为会冗余存储到每个KeyValue 中。

4.3参数调优经验

image.png

4.4 ByteTable -字节跳动自研分布式表格存储系统

优势;
1.存储层基于字节跳动自研分布式存储底座，从设计上充分支持在线场景的性能、功能需求
2.采用C++编写构建，杜绝了Garbage Collection在 Stop-The-World阶段带来的性能抖动
3.架构设计上支持更细粒度、更灵活的数据分片组织方式，激活更多优化空间;
4.元数据设计提供更好的故障域控制，避免多租户相互影响;
5.更短的故障恢复时间，对在线场景的高可用性支持更好;

avatar
文章
阅读
粉丝