这是我参与「第四届青训营 」笔记创作活动的第3天
这节课的重点内容包括四部分：适用场景、架构设计、大数据支撑、最佳实践。
一、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,Rartition Tolerance
1.2 HBase和关系型数据库的区别
1.3 HBase数据模型
逻辑结构
HBase以列族为单位存储数据，以行键索引数据。
- 列族需要在使用前预先创建，列名不需要预先声明，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。
通过非关系视图理解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
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
1.4 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
- 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
半结构化/字典序有序索引的数据
典型用例：字节跳动推荐中台基于HBase提供“近在线”读写的推荐候选数据集
数据格式：
查询模式：
批量查询指定tenantID租户的制定channelID频道下的推荐候选集。例如：
- start rowkey:"part1:tenant1:channel1"
- end rowkey:"part1:tenant1:channel2"
对应数据：
- value:"features(eg.sport,basletball,...)"
- columns:"additional labels(eg.region=CN,...)"
“近在线”海量分布式KV/宽表存储
典型用例：商家订单系统使用HBase管理买家、卖家的订单操作信息
数据格式：
查询模式：
查询指定orderID订单最近新增/待处理的caozuojilu。例如：
- rowkey:"e1cb:orderID1",column family:"customer"
对应多个column的数据：
- column1：actionType1_actionID1,value1:"{timestamp=21,action='...'}",
- column2：actionType2_actionID2,value2:"{timestamp=26,action='...'}",
- column3：checkpoint,value:"timestamp=23"
- ...
典型用例：Facebook在2010年开始使用HBase存储用户的互动信息，包括电子邮件、即时消息、短信等。
数据格式：
查询模式：
查询指定userID用户包含给定词语word的最近N条信息的messageID，例如：
- rowkey:"userID",column:"cf:hello"对应多个版本的数据：
- value1:"offset=23",version:"messageID=1234",
- value2:"offset=12",version:"messageID=1134",
- value3:"offset=41",version:"messageID=1034",
- ...
写密集型的高吞吐场景
典型用例：时序存储引擎，典型场景是日志、监控数据存储，例如OpenTSDB
数据格式：
、
查询模式：
查询指定metric_uid指标在指定时间段的所有数据。例如：
- start rowkey:"[hash]metric1:1655386954",
- end rowkey:"[hash]metric1:1665386954",
- column_family:"dp",
- 查询1655386954到1665386954时间内该监控的所有数据点。 *rowkey和column通过编码尽量简短，减少空间用量
1.5 HBase数据模型的优缺点
二、HBase架构设计
2.1 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
- ThriftServer：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
2.2 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，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
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
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
- 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
2.4 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
2.5 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）
三、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。
3.2 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
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在特定实际（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RegionStateTransition
- 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：
- 找到该表中哪个region的数据大小最大
- 找到该region内哪个column family的数据大小最大
- 找到column family内哪个HFile的数据大小最大
- 找到HFile里处于最中间位置的Data Block
- 用这个Data Block的第一条KeyValue的Rowkey作为切分点
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
- HFile1作为最大的文件被均分，其它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的上/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MergeTableRegionProcedure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
流程设计
类似于region拆分，不立刻处理时机数据文件，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。
3.5 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：
- 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。
- 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
- 选取出region数量低于下限的RegionServer列表，round-robin分配步骤2选取的regins，尽量使每个RS的region数量都不低于下限
- 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
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最优策略，1最差策略）
- cost计算将下列指标纳入统计：region负载、表负载、数据本地性（本地访问HDFS）、Memstore大小HFile大小。
- 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也可以将第二节点提升为第一节点，保证稳定的读时延
3.6 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的变动
- 主实例不可用临时节点被删除，此时触发其他从实例重新尝试选主
HMaster恢复流程
HMaster自身恢复流程
- 监听到/hbase/active-master临时节点被删除的事件，触发选主逻辑
- 选主成功后执行HMaster启动流程，从持久化存储读取未完成的procedure从之前状态继续执行
- 故障HMaster实例恢复后发现主节点已存在，继续监听/hbase/active-master
调度RegionServer的故障恢复流程
- AssignmentManager从procedure列表中找出Region-In-Transition状态的region继续调度过程
- RegionServerTracker从Zookeeper梳理online状态的RegionServer列表，结合ServerCrashProcedure列表、HDFS从WAL牡蛎里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Zookeeperd/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reions
- 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：
- 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
- 接受和执行来自HMaster的region调度命令
- 打开region前从HDFS读取该region的recovered.edits目录下的WAL记录，回放恢复数据
- 恢复完成，认领Zookeeper上发布的分布式任务（如WAL切分）帮助其它数据恢复
3.8 Distributed Log Split原理
背景：
- 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
- 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
具体流程
实现原理：
- 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
- 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
- HMaster为每个WAL文件发布一个log split task到ZK
- 其他在线的RS监听到新任务，分别认领
- 将WAL entries按region拆分，分别写入HDFS上该region的recovered.edits目录
- HMaster监听到log split任务完成，调度region到其他RS
- RS打开region前在HDFS找到先回放recorvered.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
完整流程示意图
优化空间
进一步优化：Distributed Log Replay
- 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
- 再进行类似Distributed Log Split的WAL日志按region维度切分
- 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
四、最佳实践分享
4.1 Rowkey设计策略
场景分类：
- 不需要顺序扫描批量连续rowkey：对原始rowkey做哈希，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
- 需要顺序扫描批量连续rowkey：首先用groupID/appID/userID前缀避免数据热点，然后加上定义顺序的信息ID前缀也建议哈希处理，避免非预期的热点
- 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
- Column Family数量过多容易影响性能，建议尽量少，不超过5个
- 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
- 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
4.4 ByteTable——字节跳动自研分布式表格存储系统
优势：
- 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
- 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
- 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
- 元数据设计提供更好的故障域控制，避免多租户相互影响
- 更短的故障恢复时间，对在线场景的高可用性支持更好
