这是我参与「第四届青训营」笔记创作活动的的第7天

HBase适用场景

1.1什么是HBase ?

• 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。

  • Consistency, Availability, Partition Tolerance

HBase和关系型数据库的区别

HBase数据模型

• HBase以列族(column family)为单位存储数据，以行键(rowkey) 索弓|数据。

  • 列族需要在使用前预先创建，列名(column qualifier) 不需要预先声明，因此支持半结构化数据模型。
  • 支持保留多个版本的数据，(行键+列族+列名+版本号)定位一个具体的值。

HBase数据模型-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。
• 列族需要在使用前预先创建，列名(column qualifier) 不需要预先声明，因此支持半结构化数据模型。
• 支持保留多个版本的数据，(行键 +列族+列名+版本号)定位一个具体值。

• 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。

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。

使用场景

适用场景

• “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

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

HBase数据模型的优缺点

02.架构设计

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 负责若干个互不重叠的rowkey区间内的数据。
  • ThritServer:提供Thrift API读写的代理层。

• 依赖组件包括:

  • Zookeeper:分布式一致性共识协作管理， 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。

Hmaster

主要职责

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

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

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

主要组件

• MemStore:基于SkipL ist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
• Store:对应一个Column Family在一个 region下的数据集合，通常包含多个文件
• 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

ZooKeeper

主要职责

• HMaster登记信息，对active/backup分I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

ThriftServer

主要职责

• 实现HBase定义的Thrift API,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)

03.大数据支撑

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

• 增加RegionServer实例，分配部分region 到新实例。
• 扩展过程平滑，无需搬迁实际数据。
• 可用性影响时间很短，用户基本无感知。
• (类似指针)

3.3 Region热点切分

• 当某个region数据量过多，切分成两个独立的子region分摊负载。
• RegionServer 在特定时机(flush、compaction) 检查region是否应该切分，计算切分点并RPC.上报HMaster,由AssignmentManager负责执行RegionState Transition。
• 不搬迁实际数据，切分产生的新region数据目录下生成一个以原region文件信息命名的文件，内容是切分点对应的 rowkey,以及标识新region是上下半部分的数据。

切分点选取

• HBase原生提供的多种切分策略使用相同的切分点选择策略。
• 目标:优先把最大的数据文件均匀切分。
• 切分点选择步骤:
• 1.找到该表中哪个region的数据大小最大!
• 2.找到该region内哪个column family 的数据大小最大!
• 3.找到column family内哪个HFile 的数据大小最大
• 4.找到HFile里处于最中间位置的Data Block;
• 5.用这个Data Block的第一条KeyValue的Rowkey作为切分点。

Region热点切分

切分过程

• 所有Column Family都按照统一的切分点来切分数据。
• 目的是优先均分最大的文件，不保证所有Column Family的所有文件都被均分。
• HFile 1作为最大的文件被均分，其他文件也必须以相同的rowkey切分以保证对齐新region的rowkey区间。
• 切分出的新region分别负责rowkey区间[2000, 2500)和[2500, 4000)。
• 每个新region分别负责原region的下半部分rowkey区间的数据。
• 在compaction执行前不实际切分文件，新region下的文件通过reference file指向原文件读取实际数据。

流程设计

AssignmentManager检查cluster、table、 region 的状态后，创建SplitTableRegionProcedure通过状态机实现执行切分过程。

3.4 Region碎片整合

• 当某些region数据量过小、碎片化，合并相邻region整合优化数据分布。
• AssignmentManager 创建Merge TableRegionsProcedure执行整合操作。
• 不搬迁实际数据，通过reference file 定位原region的文件，直到下次compaction时实际处理数据。
• *注意:只允许合并相邻region,否则会打破rowkey空间连续且不重合的约定。
• 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。

Region负载均衡

定期巡检各RegionServer.上 的region数量，保持region的数量均匀分布在各个RegionServer上。

SimpleLoadBalancer具体步骤:

0. 根据总region数量和RegionServer数量计算平均region数，设定弹性上下界避免不必要的操作。 例如默认slop为0.2,平均region数为5,负载均衡的RS.上region数量应该在[4, 6]区间内。
1. 将RegionServer按照region数量降序排序，对region数量超出上限的选取要迁出的region并按创建时间从新到老排序;
2. 选取出region数量低于下限的RegionServer列表，round-robin分配步骤2选取的regions,尽量使每个RS的region数量都不低于下限;
3. 处理边界情况，无法满足所有RS的region数量都在合理范围内时，尽量保持region数量相近。

其他策略

• StochasticLoadBalancer

  • 随机尝试不同的region放置策略，根据提供的cost function计算不同策略的分值排名(0 为最优策略，1 为最差策略) ;

  • cost计算将下列指标纳入统计:

    • region负载、负载、数据本地性(本地访问HDFS)、Memstore 大小、HFile 大小。

  • D根据配置加权计算最终cost,选择最优方案进行负载均衡;

• FavoredNodeLoadBalancer

  • 用于充分利用本地读写HDFS文件来优化读写性能。
  • 每个region会指定优选的3个RegionServer地址，同时会告知HDFS在这些优选节点上放置该region的数据;
  • 即使第一节点出现故障，HBase 也可以将第节点提升为第一 节点， 保证稳定的读时延;

故障恢复机制- HMaster

• HMaster通过多实例基于Zookeeper选主实现高可用性。
• 所有实例尝试向Zookeeper的/hbase/active-master临时节点CAS地写入自身信息，
• 写入成功表示成为主实例，失败即为从实例，通过watch监听/hbase/active-master节点的变动。
• 主实例不可用时临时节点被删除，此时触发其他从实例重新尝试选主。
• 

HMaster恢复流程

一、HMaster自身恢复流程:

0. 监听到/hbase/active master临时节点被删除的事件，触发选主逻辑;
1. 选主成功后执行HMaster启动流程，从持久化存储读取未完成的procedures从之前状态继续执行;
2. 故障HMaster实例恢复后发现主节点存在，继续监听/hbase/active master。

二、调度RegionServer的故障恢复流程:

0. AssignmentManager 从procedure列表中找出Region-In-Transition 状态的region继续调度过程;
1. RegionServerTracker从Zookeeper梳理online状态的RegionServer列表，结合ServerCrashProcedure列表、 HDFS中WAL目录里alive / splitting状态的RegionServer记录，获取掉线RegionServer的列表，分别创建ServerCrashProcedure执行恢复流程。

3.7故障恢复机制- RegionServer

• 每个RegionServer实例启动时都会往Zookeeper的/hbase/rs路径下创建对应的临时节点。
• HMaster 通过监听RegionServer在Zookeeper的临时节点状态，监控数据读写服务的可用性，及时调度恢复不可用的regions.
• RegionServer 的故障恢复需要将内存中丢失的数据从WAL中恢复，HMaster 利用Zookeeper配合所有
• RegionServer实例，分布式地处理WAL数据，提升恢复速度。

启动流程:

0. 启动时去Zookeeper登记自身信息，告知主HMaster实例有新RS实例接入集群
1. 接收和执行来自HMaster的region调度命令
2. 打开region前先从HDFS读取该region的recovered.edits目录下的WAL记录，回放恢复数据
3. 恢复完成，认领Zookeeper.上发布的分布式任务(如WAL切分)帮助其他数据恢复

Distributed Log Split原理

背景:

• 1.写入HBase的数据首先顺序持久化到Write -Ahead-Log,然后写入内存态的MemStore即完成，不立即写盘，RegionServer 故 障会导致内存中的数据丢失，需要回放WAL来恢复;
• 2.同RegionServer的所有region复用WAL,因此不同region的数据交错穿插，RegionServer故障后重新分配region前需要先按region维度拆分WAL。

实现原理:

0. RegionServer 故障, Zookeeper 检测到 心跳超时或连接断开，删除对应的临时 节点并通知监听该节点的客户端
1. active HMaster监听到RS临时节点删除 事件，从HDFS梳理出该RS负责的 WAL文件列表
2. HMaster 为每个WAL文件发布一个 log split task到ZK
3. 其他在线的RS监听到新任务，分别认领
4. 将WAL entries按region拆分，分别写入HDFS上该region 的recovered.edits目录
5. HMaster监听到log split任务完成，调度region到其他RS
6. RS打开region前在HDFS找到先回放recovered.edits目录下的WAL文件将数据恢复到Memstore里，再打开region恢复读写服务

进一步优化: Distributed Log Replay

• V HMaster 先将故障RegionServer.上的所有region以Recovering状态调度分配到其他正常RS上;
• V再进行类似Distributed Log Split 的WAL日志按region维度切分;
• V切分后不写入HDFS,而是直接回放，通过SDK写流程将WAL记录写到对应的新RS;
• Recovering状态的region接受写请求但不提供读服务，直到WAL回放数据恢复完成。

04.最佳实践

Rowkey设计策略

• 场景分类

  0. 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。

  1. 需要顺序扫描批量连续rowkey

     • 首先用grouplD/applD/userlD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....

  2. 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。

Column Family设计策略

0. Column family数量过多容易影响性能，建议尽量少，不超过5个。
1. 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。
2. 列族(以及column qualfier)名称尽量短，因为会冗余存储到每个KeyValue中。

参数调优经验

\