HBase内部原理

HBase读数据流程

1. 首先从zk找到meta表的region位置，然后读取meta表中的数据，meta表中存储了用户表的region信息

启动zkCli.sh ,查看 ls /hbase

[root@Linux121 ~]# /opt/lagou/servers/zookeeper-3.4.14/bin/zkCli.sh

[zk: localhost:2181(CONNECTED) 1] ls /hbase
[replication, meta-region-server, rs, splitWAL, backup-masters, table-lock, flush-table-proc, region-in-transition, online-snapshot, master, switch, running, recovering-regions, draining, namespace, hbaseid, table]

[zk: localhost:2181(CONNECTED) 2] get /hbase/meta-region-server
�regionserver:16020n�Y}MM sPBUF
                                                                                                                                              Linux123�}�����0
cZxid = 0x400000059
ctime = Mon Jul 04 01:31:35 WEST 2022
mZxid = 0x400000059
mtime = Mon Jul 04 01:31:35 WEST 2022
pZxid = 0x400000059
cversion = 0
dataVersion = 0
aclVersion = 0
ephemeralOwner = 0x0
dataLength = 61
numChildren = 0

2. 根据要查询的namespace、表名和rowkey信息。找到写入数据对应的region信息

3. 找到这个region对应的regionServer，然后发送请求

4. 查找对应的region

5. 先从memstore查找数据，如果没有，再从BlockCache上读取

HBase上Regionserver的内存分为两个部分；一部分作为Memstore，主要用来写；另外一部分作为BlockCache，主要用于读数据；

6. 如果BlockCache中也没有找到，再到StoreFile上进行读取

从storeFile中读取到数据之后，不是直接把结果数据返回给客户端，而是把数据先写入到BlockCache中，目的是为了加快后续的查询；然后在返回结果给客户端。

HBase写数据流程

1. 首先从zk找到meta表的region位置，然后读取meta表中的数据，meta表中存储了用户表的 region 信息

2. 根据namespace、表名和rowkey信息。找到写入数据对应的region信息

3. 找到这个region对应的regionServer，然后发送请求

4. 把数据分别写到HLog（write ahead log）和memstore各一份

5. memstore达到阈值后把数据刷到磁盘，生成storeFile文件

6. 删除HLog中的历史数据

HBase的flush(刷写)及compact(合并)机制

Flush机制

• 当memstore的大小超过这个值的时候，会flush到磁盘,默认为128M

  <property>
    <name>hbase.hregion.memstore.flush.size</name>
    <value>134217728</value>
  </property>

• 当memstore中的数据时间超过1小时，会flush到磁盘

  <property>
    <name>hbase.regionserver.optionalcacheflushinterval</name>
    <value>3600000</value>
  </property>

• HregionServer的全局memstore的大小，超过该大小会触发flush到磁盘的操作,默认是堆大小的40%

  <property>
    <name>hbase.regionserver.global.memstore.size</name>
    <value>0.4</value>
  </property>

• 手动flush

hbase(main):032:0> flush tableName

阻塞机制

以上介绍的是Store中memstore数据刷写磁盘的标准，但是Hbase中是周期性的检查是否满足以上标准满足则进行刷写，但是如果在下次检查到来之前，数据疯狂写入Memstore中，会出现什么问题呢？

会触发阻塞机制，此时无法写入数据到Memstore，数据无法写入Hbase集群。

• memstore中数据达到512MB

  • 计算公式：hbase.hregion.memstore.flush.size*hbase.hregion.memstore…block.multiplier

  • hbase.hregion.memstore.flush.size刷写的阀值，默认是 134217728，即128MB。

  • hbase.hregion.memstore.block.multiplier是一个倍数，默认 是4。

• RegionServer全部memstore达到规定值

  • hbase.regionserver.global.memstore.size.lower.limit是0.95，

  • hbase.regionserver.global.memstore.size是0.4，

  • 堆内存总共是 16G,触发刷写的阈值是：6.08GB,触发阻塞的阈值是：6.4GB

Compact合并机制

在hbase中主要存在两种类型的compac合并

• minor compact 小合并

  • 在将Store中多个HFile(StoreFile)合并为一个HFile

    这个过程中，删除和更新的数据仅仅只是做了标记，并没有物理移除，这种合并的触发频率很高。

  • minor compact文件选择标准由以下几个参数共同决定

    <!--待合并文件数据必须大于等于下面这个值-->
    <property>
      <name>hbase.hstore.compaction.min</name>
      <value>3</value>
    </property>
    <!--待合并文件数据必须小于等于下面这个值-->
    <property>
      <name>hbase.hstore.compaction.max</name>
      <value>10</value>
    </property>
    <!--默认值为128m, 表示文件大小小于该值的store file 一定会加入到minor compaction的store file中 -->
    <property>
      <name>hbase.hstore.compaction.min.size</name>
      <value>134217728</value>
    </property>
    <!--默认值为LONG.MAX_VALUE， 表示文件大小大于该值的store file 一定会被minor compaction排除-->
    <property>
      <name>hbase.hstore.compaction.max.size</name>
      <value>9223372036854775807</value>
    </property>

  • 触发条件

    • memstore flush

      在进行memstore flush前后都会进行判断是否触发compact

    • 定期检查线程

      周期性检查是否需要进行compaction操作,由参数：hbase.server.thread.wakefrequency决定，默认值是10000 millseconds

• major compact 大合并

  • 合并Store中所有的HFile为一个HFile

    这个过程有删除标记的数据会被真正移除，同时超过单元格maxVersion的版本记录也会被删除。合并频率比较低，默认7天执行一次，并且性能消耗非常大，建议生产关闭(设置为0)，在应用空闲时间手动触发。一般可以是手动控制进行合并，防止出现在业务高峰期。

  • major compaction触发时间条件

    <!--默认值为7天进行一次大合并，-->
    <property>
      <name>hbase.hregion.majorcompaction</name>
      <value>604800000</value>
    </property>

  • 手动触发

    ##使用major_compact命令
    hbase(main):032:0> major_compact tableName

Region 拆分机制

Region中存储的是大量的rowkey数据 ,当Region中的数据条数过多的时候,直接影响查询效率.当Region过大的时候.HBase会拆分Region , 这也是Hbase的一个优点 .

拆分策略

• 1. ConstantSizeRegionSplitPolicy

  0.94版本前默认切分策略

  当region大小大于某个阈值(hbase.hregion.max.filesize=10G)之后就会触发切分，一个region等 分为2个region。

  但是在生产线上这种切分策略却有相当大的弊端：切分策略对于大表和小表没有明显的区分。阈值 (hbase.hregion.max.filesize)设置较大对大表比较友好，但是小表就有可能不会触发分裂，极端情况 下可能就1个，这对业务来说并不是什么好事。如果设置较小则对小表友好，但一个大表就会在整个集群产生 大量的region，这对于集群的管理、资源使用、failover来说都不是一件好事。

• 2. IncreasingToUpperBoundRegionSplitPolicy

  0.94版本~2.0版本默认切分策略

  切分策略稍微有点复杂，总体看和ConstantSizeRegionSplitPolicy思路相同，一个region大小大于设 置阈值就会触发切分。但是这个阈值并不像ConstantSizeRegionSplitPolicy是一个固定的值，而是会 在一定条件下不断调整，调整规则和region所属表在当前regionserver上的region个数有关系.

  region split的计算公式是：regioncount^3 * 128M * 2，当region达到该size的时候进行split

  例如：
  第一次split：1^3 * 256 = 256MB
  第二次split：2^3 * 256 = 2048MB
  第三次split：3^3 * 256 = 6912MB
  第四次split：4^3 * 256 = 16384MB > 10GB，因此取较小的值10GB 后面每次split的size都是10GB了

• 3. SteppingSplitPolicy

  2.0版本默认切分策略

  这种切分策略的切分阈值又发生了变化，相比 IncreasingToUpperBoundRegionSplitPolicy 简单了 一些，依然和待分裂region所属表在当前regionserver上的region个数有关系，如果region个数等于 1，切分阈值为flush size * 2，否则为MaxRegionFileSize。这种切分策略对于大集群中的大表、小表会比IncreasingToUpperBoundRegionSplitPolicy 更加友好，小表不会再产生大量的小region，而是 适可而止。

• 4. KeyPrefixRegionSplitPolicy

  根据rowKey的前缀对数据进行分组，这里是指定rowKey的前多少位作为前缀，比如rowKey都是16位的，指 定前5位是前缀，那么前5位相同的rowKey在进行region split的时候会分到相同的region中。

• 5. DelimitedKeyPrefixRegionSplitPolicy

  保证相同前缀的数据在同一个region中，例如rowKey的格式为：userid_eventtype_eventid，指定的 delimiter为 _ ，则split的的时候会确保userid相同的数据在同一个region中。

• 6. DisabledRegionSplitPolicy

  不启用自动拆分, 需要指定手动拆分

RegionSplitPolicy的应用

Region拆分策略可以全局统一配置，也可以为单独的表指定拆分策略。

• 1. 通过hbase-site.xml全局统一配置(对hbase所有表生效)

  <property>
    <name>hbase.regionserver.region.split.policy</name>
    <value>org.apache.hadoop.hbase.regionserver.IncreasingToUpperBoundRegionSplitPolicy</value>
  </property>

• 2. 通过Java API为单独的表指定Region拆分策略

  HTableDescriptor tableDesc = new HTableDescriptor("test1");
  tableDesc.setValue(HTableDescriptor.SPLIT_POLICY, IncreasingToUpperBoundRegionSplitPolicy.class.getName());
  tableDesc.addFamily(new HColumnDescriptor(Bytes.toBytes("cf1")));
  admin.createTable(tableDesc);

• 3. 通过HBase Shell为单个表指定Region拆分策略

  hbase> create 'test2', {METADATA => {'SPLIT_POLICY' => 'org.apache.hadoop.hbase.regionserver.IncreasingToUpperBoundRegionSplitPolicy'}}, {NAME => 'cf1'}

HBase表的预分区(region)

为何要预分区？

当一个table刚被创建的时候，Hbase默认的分配一个region给table。也就是说这个时候，所有的读写请求都会访问到同一个regionServer的同一个region中，这个时候就达不到负载均衡的效果了，集群中的其他regionServer就可能会处于比较空闲的状态。解决这个问题可以用pre-splitting,在创建table的时候就配置好，生成多个region。

• 增加数据读写效率

• 负载均衡，防止数据倾斜

• 方便集群容灾调度region

• 每一个region维护着startRow与endRowKey，如果加入的数据符合某个region维护的rowKey范围，则该数据交给这个region维护

手动指定预分区

shell命令创建表指定预分区

hbase> create 'person','info1','info2',SPLITS => ['1000','2000','3000']

分区规则创建于文件中,然后shell命令创建表指定预分区使用该文件

[root@Linux121 ~]# vim split.txt

aaa
bbb
ccc
ddd

hbase> create 'student','info',SPLITS_FILE => '/root/hbase/split.txt'

Region 合并

Region的合并不是为了性能，而是出于维护的目的。

通过Merge类冷合并Region

• 需要先关闭hbase集群

• 需求：需要把student表中的2个region数据进行合并：

  student,1593244870695.10c2df60e567e73523a633f20866b4b5.

  student,1000,1593244870695.0a4c3ff30a98f79ff6c1e4cc927b3d0d.

  这里通过org.apache.hadoop.hbase.util.Merge类来实现，不需要进入hbase shell，直接执行（需要先关闭hbase集群）：

  hbase org.apache.hadoop.hbase.util.Merge student \ student,,1595256696737.fc3eff4765709e66a8524d3c3ab42d59. \ student,aaa,1595256696737.1d53d6c1ce0c1bed269b16b6514131d0.

• 成功后观察界面：http://linux123:16030/

  
  

通过online_merge热合并Region

• 不需要关闭hbase集群，在线进行合并

  与冷合并不同的是，online_merge的传参是Region的hash值，而Region的hash值就是Region名称的最后那段在两个.之间的字符串部分。

  需求：需要把lagou_s表中的2个region数据进行合并：
  student,1587392159085.9ca8689901008946793b8d5fa5898e06.
  student,aaa,1587392159085.601d5741608cedb677634f8f7257e000.

  需要进入hbase shell：

  merge_region 'c8bc666507d9e45523aebaffa88ffdd6','02a9dfdf6ff42ae9f0524a3d8f4c7777'

• 成功后观察界面：http://linux123:16030/