海量列式非关系数据库HBase 原理深入

前置知识（上一篇）：海量列式非关系数据库HBase 架构，shell与API

HBase读数据流程：

前置关键词描述：

Block Cache ：读缓存，缓存上一次读的数据，整个ReginServer只有一个
MemStore ：写缓存，缓存上一次写的数据，每个Store有一个
WAL： 预写入日志

读取数据流程：

1.请求zk 查询meta表的地址
2.根据meta表的地址查询rowkey属于哪个reginserver的哪个regin，元数据缓存到MetaCache
3.先去BlockCache 和MemStore查找，找不到才去storeFile找，如果在storeFile 查询到，就缓存到BlockCache里

HBase写数据流程：

写数据流程：

1.请求zk 查询meta表的地址
2.根据meta表的地址查询rowkey属于哪个reginserver的哪个regin，元数据缓存到MetaCache
3.先写WAL，再写MemStore，写入MemStore就返回了，
如果MemStore内存不够，会flush storeFile文件，然后合并多个storeFile

注： Hbase的写流程比读流程效率高，因为写流程只需要写入内存，读流程先读内存，如果读不到，还需要读磁盘文件。

HBase的flush（刷写）机制：

刷写条件：

1.MemStore大小达到128M
2.时间超过1小时
3.Reginserver的所有Memstore大小达到reginserver占用的堆内存大小的40%

　注：　上述条件默认每10s检查一次

为防止检查之前达到刷写条件，会触发阻塞机制.

阻塞机制触发条件：

Memstore达到512M
Reginserver的所有Memstore大小达到堆内存的0.95*0.4

避免阻塞机制的解决方案：

如果出现这种情况，可以增大memstore大小，增大reginserver的堆内存大小。

Compact合并机制：

minor compact 小合并：　　　

文件被选中条件：

1. 待合并文件数量大于3
2.待合并文件数量小于10
3.文件大小小于128M的文件一定会加入
4.排除特别大的文件

合并触发条件：

1.menstore flush
2.定期检查，默认10s

Major compact：

合并所有的HFile，默认7天执行一次，生产中默认关闭

手动：major_compact 表名

　　注意：真正的删除是在这一步进行

Region 拆分机制：

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

SteppingSplitPolicy：

　　2.0版本默认切分策略，其它版本参考百度：

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（128M） * 2，否则为MaxRegionFileSize（10GB）。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。

Hbase 预分区：

　　为了负载均衡，提高读写效率，否则刚开始读写都在一个机器上进行。

　　通常解决负载均衡问题，还有以下解决方案：

给row key 加前缀
对row key 进行hash
反转

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.

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'

RowKey 设计：

RowKey长度原则
- rowkey是一个二进制码流，可以是任意字符串，最大长度64kb，实际应用中一般为10-100bytes，以byte[]形式保存，一般设计成定长。
- 建议越短越好，不要超过16个字节设计过长会降低memstore内存的利用率和HFile存储数据的效率。
RowKey散列原则
- 建议将rowkey的高位作为散列字段，这样将提高数据均衡分布在每个RegionServer，以实现负载均衡的几率。
RowKey唯一原则
- 必须在设计上保证其唯一性
RowKey排序原则
- HBase的Rowkey是按照ASCII有序设计的，我们在设计Rowkey时要充分利用这点

scan使用的时候注意：setStartRow，setEndRow 限定范围，范围越小，性能越高。

Hbase 协处理器:

协处理器类型:

Observer:

　　协处理器与触发器(trigger)类似：在一些特定事件发生时回调函数（也被称作钩子函数，hook）被执行。这些事件包括一些用户产生的事件，也包括服务器端内部自动产生的事件。

协处理器框架提供的接口如下:

RegionObserver：用户可以用这种的处理器处理数据修改事件，它们与表的region联系紧密。
MasterObserver：可以被用作管理或DDL类型的操作，这些是集群级事件。
WALObserver：提供控制WAL的钩子函数

Endpoint:

　　这类协处理器类似传统数据库中的存储过程，客户端可以调用这些 Endpoint 协处理器在Regionserver 中执行一段代码，并将 RegionServer 端执行结果返回给客户端进一步处理。

　　Endpoint常见用途:

　　聚合操作 :

　　　　假设需要找出一张表中的最大数据，即 max 聚合操作，普通做法就是必须进行全表扫描，然后Client 代码内遍历扫描结果，并执行求最大值的操作。这种方式存在的弊端是无法利用底层集群的并发运算能力，把所有计算都集中到 Client 端执行,效率低下。

　　　　使用Endpoint Coprocessor，用户可以将求最大值的代码部署到 HBase RegionServer 端，HBase 会利用集群中多个节点的优势来并发执行求最大值的操作。也就是在每个 Region 范围内执行求最大值的代码，将每个 Region 的最大值在 Region Server 端计算出，仅仅将该 max 值返回给Client。在 Client进一步将多个 Region 的最大值汇总进一步找到全局的最大值。

　　　　 Endpoint Coprocessor的应用我们后续可以借助于Phoenix非常容易就能实现。针对Hbase数据集进行聚合运算直接使用SQL语句就能搞定。

Observer 案例:

　　需求: 通过协处理器Observer实现Hbase当中t1表插入数据,指定的另一张表t2也需要插入相对应的数据。

create 't1','info'
create 't2','info'

实现思路：

　　通过Observer协处理器捕捉到t1插入数据时，将数据复制一份并保存到t2表中

java 实现：

<!-- https://mvnrepository.com/artifact/org.apache.hbase/hbase-server -->
<dependency>
<groupId>org.apache.hbase</groupId>
<artifactId>hbase-server</artifactId>
<version>1.3.1</version>
</dependency>

package com.lagou.hbase.processor;

import org.apache.hadoop.hbase.Cell;
import org.apache.hadoop.hbase.TableName;
import org.apache.hadoop.hbase.client.Durability;
import org.apache.hadoop.hbase.client.HTable;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.coprocessor.BaseRegionObserver;
import org.apache.hadoop.hbase.coprocessor.ObserverContext;
import org.apache.hadoop.hbase.coprocessor.RegionCoprocessorEnvironment;
import org.apache.hadoop.hbase.regionserver.wal.WALEdit;
import org.apache.hadoop.hbase.util.Bytes;

import java.io.IOException;
import java.util.List;


//重写prePut方法，监听到向t1表插入数据时，执行向t2表插入数据的代码
public class MyProcessor extends BaseRegionObserver {
    @Override
    public void prePut(ObserverContext<RegionCoprocessorEnvironment> e, Put put, WALEdit edit, Durability durability) throws IOException {
       //把自己需要执行的逻辑定义在此处，向t2表插入数据，数据具体是什么内容与Put一样
        //获取t2表table对象
        final HTable t2 = (HTable) e.getEnvironment().getTable(TableName.valueOf("t2"));
        //解析t1表的插入对象put
        final Cell cell = put.get(Bytes.toBytes("info"), Bytes.toBytes("name")).get(0);
        //table对象.put
        final Put put1 = new Put(put.getRow());
        put1.add(cell);
        t2.put(put1); //执行向t2表插入数据
        t2.close();
    }
}

打成Jar包，上传HDFS：

cd /opt/lagou/softwares
mv original-hbaseStudy-1.0-SNAPSHOT.jar processor.jar
hdfs dfs -mkdir -p /processor
hdfs dfs -put processor.jar /processor

挂载协处理器：

hbase(main):056:0> describe 't1'
hbase(main):055:0> alter 't1',METHOD =>
'table_att','Coprocessor'=>'hdfs://linux121:9000/processor/processor.jar|com
.lagou.hbase.processor.MyProcessor|1001|'
#再次查看't1'表，
hbase(main):043:0> describe 't1'

验证协处理器：

　　向t1表中插入数据(shell方式验证)

put 't1','rk1','info:name','lisi'

卸载协处理器：

disable 't1'
alter 't1',METHOD=>'table_att_unset',NAME=>'coprocessor$1'
enable 't2'

参考地址：https://hbase.apache.org/2.3/book.html#cp_example

布隆过滤器在hbase的应用：

　　从前面的hbase的数据存储原理，我们知道hbase的读操作需要访问大量的文件，大部分的实现通过布隆过滤器来避免大量的读文件操作。

布隆过滤器原理：

　　通常判断某个元素是否存在用的可以选择hashmap。但是 HashMap 的实现也有缺点，例如存储容量占比高，考虑到负载因子的存在，通常空间是不能被用满的，而一旦你的值很多例如上亿的时候，那 HashMap 占据的内存大小就变得很可观了。

　　 Bloom Filter是一种空间效率很高的随机数据结构，它利用位数组很简洁地表示一个集合，并能判断一个元素是否属于这个集合。 hbase 中布隆过滤器来过滤指定的rowkey是否在目标文件，避免扫描多个文件。使用布隆过滤器来判断。布隆过滤器返回true,结果不一定正确，如果返回false则说明确实不存在。

原理示意图：

Bloom Filter案例：

　　布隆过滤器，已经不需要自己实现，Google已经提供了非常成熟的实现。

<dependency>
<groupId>com.google.guava</groupId>
<artifactId>guava</artifactId>
<version>27.0.1-jre</version>
</dependency>

例：预估数据量1w，错误率需要减小到万分之一。使用如下代码进行创建：

package com.lagou.hbase.bloom;

import com.google.common.hash.BloomFilter;
import com.google.common.hash.Funnels;

import java.nio.charset.Charset;

public class BloomFilterDemo {

    public static void main(String[] args) {
        // 1.创建符合条件的布隆过滤器
        // 预期数据量10000，错误率0.0001
        BloomFilter<CharSequence> bloomFilter =
                BloomFilter.create(Funnels.stringFunnel(Charset.forName("utf-8")), 10000, 0.0001);
        // 2.将一部分数据添加进去
        for (int i = 0; i < 5000; i++) {
            bloomFilter.put("" + i);
        }
        System.out.println("数据写入完毕");
        // 3.测试结果
        for (int i = 0; i < 10000; i++) {
            if (bloomFilter.mightContain("" + i)) {
                System.out.println(i + "存在");
            } else {
                System.out.println(i + "不存在");
            }
        }
    }
}

posted @ 2021-09-15 09:47 wangheng1409 阅读(332) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

wangheng #这里是用户名

海量列式非关系数据库HBase 原理深入

HBase读数据流程：

前置关键词描述：

读取数据流程：

HBase写数据流程：

写数据流程：

HBase的flush（刷写）机制：

刷写条件：

阻塞机制触发条件：

避免阻塞机制的解决方案：

Compact合并机制：

minor compact 小合并：

Major compact：

Region 拆分机制：

IncreasingToUpperBoundRegionSplitPolicy：

SteppingSplitPolicy：

Hbase 预分区：

Region 合并：

通过Merge类冷合并Region：

通过online_merge热合并Region：

RowKey 设计：

Hbase 协处理器:

协处理器类型:

Observer:

Endpoint:

Observer 案例:

布隆过滤器在hbase的应用：

布隆过滤器原理：

Bloom Filter案例：

公告

wangheng #这里是用户名

海量列式非关系数据库HBase 原理深入

HBase读数据流程：

前置关键词描述：

读取数据流程：

HBase写数据流程：

写数据流程：

HBase的flush（刷写） 机制：

刷写条件：

阻塞机制触发条件：

避免阻塞机制的解决方案：

Compact合并机制：

minor compact 小合并：

Major compact：

Region 拆分机制：

IncreasingToUpperBoundRegionSplitPolicy：

SteppingSplitPolicy：

Hbase 预分区：

Region 合并：

通过Merge类冷合并Region：

通过online_merge热合并Region：

RowKey 设计：

Hbase 协处理器:

协处理器类型:

Observer:

Endpoint:

Observer 案例:

布隆过滤器在hbase的应用：

布隆过滤器原理：

Bloom Filter案例：

公告

HBase的flush（刷写）机制：

minor compact 小合并：　　　