目录
基础认知
- 基础认知
- HBase 和 MySQL、Redis、Elasticsearch、Hive 的区别
- HBase
- 一个建立在 Hadoop/HDFS 上的、支持联机、实时读写的分布式数据库，适合承载超大表
- 面向宽表/稀疏表
- 以 RowKey 为核心访问路径
- 强项是海量数据下的主键访问和范围扫描
- MySQL
- 关系型数据库
- 强 SQL 能力
- 强事务
- 适合 OLTP 业务系统
- Redis
- 内存型数据存储
- 超低延迟
- 丰富数据结构
- 更像高性能数据结构引擎/缓存平台
- ElasticSerach
- 分布式搜索引擎
- 文档模型
- 擅长全文检索、相关性排序、聚合分析
- 不是传统事务数据库
- Hive
- 数据仓库
- 面向离线分析
- 适合大规模批处理、报表、数仓
- 不适合在线高并发事务场景
- 列式/列族模型是什么
- 列族模型
- 看起来像一张表
- 但是每一行并不是必须拥有同样的列
- HBase 把列分成若干个 Column Family (列族)
- 同一个列族里面的数据会被一起管理和物理存储
- 每一条具体的数据单元是一个 Cell，由行键、列族、列限定符、事件戳和值共同确定
- HBase 是一个按 RowKey 组织、按列族管理、按单元格存值、支持多版本的稀疏宽表结构
- 模型示例
- 层次结构
- Table -> Row -> Column Family -> Column Qualifier -> Cell(Value + TimeStamp)
- 一张用户表 user_profile，定义了两个列族 info + stat
- 一行数据
- RowKey = user_1001
- info:name = “Alice”
- info:city = “Tokyo”
- stat:login_cnt = 25
- info、stat 是列族
- name、city、login_cnt 是列限定符
- 完整列名是 family:qualifier
- 每个值都带 timestamp，可以保留多个版本
- 列族、列、Cell
- RowKey
- 是一行数据的主键，也是 HBase 最核心的访问入口
- 查 HBase，本质是在查某个 RowKey，或者扫描一段 RowKey 的范围
- 决定这一行是谁
- 决定数据在字典序上的排序方式
- 决定大部分查询的性能上限
- Column Family
- 是 HBase 中必须定义的逻辑分组
- 列族在创建表时就确定好
- HBase shell 和 API 文档都以先创建表，定义 family，再在 family 下写具体列的方式使用 HBase
- 列族是一组经常一起出现，一起管理，一起存储策略配置的数据
- Column Qualifier（列限定符）
- 列限定符就是列族下面具体的列名
- 列限定符不需要像 MySQL 字段在建表时全部固定列出来
- 列族通常固定，但是 qualifier 可以按需动态增加。
- HBase 适合列很多，而且不同记录拥有的列不一样的场景
- Cell
- Cell 是最小存储单元
- 一个 Cell 由这些部分唯一定位
- row
- family
- qualifier
- timestamp
- value
- TimeStamp/Version
- HBase 天然支持多版本
- 同一个 row + family + qualifier，可以在不同 timestamp 下保存多个值
- Get/Scan API 也支持按照版本范围取数据
- HBase 的默认思维是：一个单元格可以有历史版本
- 为什么要有列族
- HBase 不只是逻辑上分组，还会影响物理管理和存储策略
- 列族可以把访问模式相近的数据放在一起
- 列族可以让不同数据有不同的存储策略
- 列族可以让稀疏表更自然
- 稀疏宽表
- 稀疏
- 不是每一行都有同样的列
- 举例
- 商品 A：颜色、尺寸、品牌
- 商品 B：品牌、功率、电压
- 商品 C：材质、长度、颜色、重量
- 如果用 MySQL，固定列会导致很多字段为空
- HBase 只保存实际存在的 family:qualifier->value 即可
- HBase 在列族下使用动态 qualifier
- 宽表
- 列非常多，甚至 qualifier 的数量可以远大于传统关系表的字段数
- HBase 为什么是 Bigtable 风格数据库
- 什么是 Bigtable
- Bigtable 是 Google 提出的一个分布式存储系统，用来存放结构化数据，典型特点
- 面向超大规模数据
- 稀疏，可扩展的表
- 以 row key 为核心组织数据
- 支持列族
- 支持多版本
- 支持按键范围扫描
- 以 RowKey 为中心，而不是以 SQL 为中心
- Bigtable 风格数据库核心访问方式
- 按 RowKey 精准查
- 按 RowKey 前缀或范围扫描
- 设计 schema 时优先围绕查询路径设计 row key
- 设计数据库时，优先设计 RowKey 和访问路径，而不是优先设计复杂 SQL
数据模型与表设计
- 数据模型与表设计
- RowKey 设计原则
- 总纲
- RowKey 不是随便选一个主键，而是 HBase 里面最重要的访问索引、排序依据和分布依据。
- 每行只有一个被索引的值，就是 row key
- 本质
- 数据如何定位
- 数据怎么按字典序排序
- 数据怎么在集群中分布，会不会热点
- RowKey 为什么重要
- 最快、最强、最自然的访问路径就是按照 RowKey 去查和按范围扫
- RowKey 设计不好
- 查询路径不顺
- scan 范围过大
- 热点集中
- 读写吞吐不均衡
- 很难靠 SQL 或者二级索引补救
- 核心原则
- 先按查询方式设计，不要按照字段含义设计
- 最常见的查询是什么
- 查询是点查还是范围查
- 查询维度谁排第一
- 结果取最近一条、最近 N 条还是一个时间段
- 让最常用的过滤维度出现在 RowKey 前部
- Row Key 前缀直接决定
- 哪些数据会排在一起
- 哪些数据可以用 prefix/range 高效扫描
- Row Key 要支持高频查询的自然范围扫描
- HBase 擅长的不是随意条件查询，而是连续键空间扫描
- 建议围绕 row key prefix 设计 schema
- 例如查询设备时序数据
- 按设备查最近数据
- 按设备查某段时间数据
- device_id#reverse_ts
- 避免单 key 递增直接写入，防止热点
- 不断递增的 rowKey 最新写入通常会不断打到键空间尾部，把写压力集中到少数 region
- 在可扫描性和均匀分布之间做平衡
- 分桶：bucket(user_id)#user_id#reverse_ts
- 时间类场景通常需要显式设计时间顺序
- rowKey 要短、稳定、可解析
- 常见设计模式
- 单主键模型
- user_id
- 一行就是一个主键
- 点查为主
- 不需要时间维度
- 主维度 + 时间
- 主维度 + 倒序时间
- 桶 + 主维度 + 时间
- bucket(user_id)%16#user_id#reverse_ts
- 数据集前缀 + 业务键
- 列族应该怎么拆
- 为什么列族拆分重要
- 列族会把同一族的一组列物理共置
- 列族带有独立的存储属性
- 每一行都拥有相同的列族集合
- 未写入的单元格不占用实际空间
- 列族拆分总原则
- 同查：经常一起读的字段，放在一起
- 同配：需要相同存储策略的字段，适合放在一起
- 同寿命：生命周期相近的字段，适合放在一起
- 同频率：更新频率相近的字段，适合放在一起
- 拆分口诀
- 基础资料一族、频繁指标一族、短期日志一族、打对象单独一族
- 版本机制
- 什么是版本
- 同一个字段可能保存多份历史值
- 每一份历史值靠 timestamp 区分
- HBase 官方文档把 Cell 展示为包含 row、column、timestamp 和 value
- timestamp 和 version 的关系
- timestamp 是版本标识
- 在 HBase 里，每写入一个 Cell，都要有对应的 timestamp
- timestamp 由系统自动生成，也可以由自己指定
- version 是字段保留的历史份数
- TTL、压缩、Bloom Filter
- TTL 是什么
- Time To Live，生存时间
- 是 cell contents 的生存时间，单位是 s
- 是列族级的数据过期策略
- TTL 解决的问题
- 控制历史数据无限膨胀
- 降低存储成本
- 让冷热数据边界更为清晰
- 压缩是什么
- 压缩就是把 HBase 存到 StoreFile/HFile 里面的数据，用某种压缩算法压小
- 可以在 ColumnFamily 上启用压缩，且不需要重建表
- 用 CPU 换磁盘空间、换 I/O 带宽
- Bloom Filter 是什么
- 是一种概率型存在性判断结构
- 帮助你快速判断这个 StoreFile 里面大概率没有你想要的数据，就不去做无效读取了
- 热点问题
- 什么是热点
- HBase/Bigtable 这类系统的数据是按照 rowKey 的字段序排列的
- 相邻的 Key 也会落在相邻的 key range 上，这些 key range 被分配给特定的 Region/RegionServer 来服务
- 如果请求集中在某一个 RowKey/某一小段连续 RowKey/某个不断增长的最新 key 区间，负载就不会均匀摊开，造成热点
架构原理
- 架构原理
- HMaster 做什么
- HMaster 的定位
- HMaster 负责协调和管理，真正承担读写请求的是 RegionServer
- HMaster 类似调度中心和元数据/运维控制器
- HMaster 的核心职责
- 管理整个集群的 Region 分配
- HBase 的表会被切分成很多 Region
- 集群启动时给 Region 找归属的 RegionServer
- RegionServer 宕机后重新分配它原来负责 Region
- 负载均衡主动迁移 Region
- 监控 RegionServer 的存活状态
- 处理 RegionServer 故障后的恢复
- 做负载均衡
- 处理 DDL 和 schema 管理
- 参与主备切换和集群高可用
- RegionServer 做什么
- RegionServer 的定位
- 是数据面
- 真正保存并服务 Region
- 真正执行 Put/Get/Scan/Delete
- 真正把数据从内存刷到 File
- 真正做 compaction 和 split
- RegionServer 的核心职责
- 持有并管理 Region
- HMaster 决定 Region 给谁
- RegionServer 真正把 Region 跑起来
- 处理客户端读请求
- 处理客户端写请求
- 管理每个 Region 内部的 Store/MemStore/StoreFile
- 运行后台维护线程：flush、compaction、WAL 滚动、split
- 管理 BlockCache
- 执行部分 Region 级维护操作
- Put 流程
- 客户端根据元数据找到 Region 所在的 Region Server
- 请求发到该 Region Server
- RegionServer 找到这个 Region 对应 family 的 Store
- 先写 WAL
- 在把数据写到 Store 里面的 MemStore
- 后台达到条件后，MemStoreFlusher 把数据 flush 到 StoreFile
- 之后 CompactSplitThread/MajorCompactionChecker 再持续维护这些文件
- Get/Scan 流程
- 客户端根据元数据找到 Region 所在的 Region Server
- RegionServer 在对应 Region 的 Store 中查找
- 优先利用 BlockCache
- 必要时再读 StoreFile/HFile
- 利用索引和 BloomFilter 缩小无效读取
- 返回结果给客户端
- Region 是什么
- Region 定义
- Region 是一段连续的、按 RowKey 排序的行范围
- 表的层级结构 Table->Region->Store->MemStore/StoreFile->Block
- 为什么要有 Region
- Region 结构
- 一个 Region 内部，每个 ColumFile 对应一个 Store，每个 Store 有自己的 MemStore 和若干 StoreFile
- Region 如何分配
- 同一时刻，一个 Region 只由一个 RegionServer 提供服务
- 一个 RegionServer 可以持有很多 Region
- HMaster 负责 Region 给谁、是否迁移、是否均衡
- RegionServer 负责真正持有 Region 并处理这个 Region 的读写
- Region 为什么需要切分
- 单个 Region 太大，迁移和恢复成本高
- 该 Region 所在 RegionServer 负载可能过重
- 并行度不够，一大段数据只能由一个 Region 服务
- 热点更集中，难以分散
- split 的目的，是把一个过大的 key range 拆分成两个更小的 key range，来提升可扩展性和分布性
- 什么时候会 split
- 由 RegionSplitPolicy 决定
- 当 Region 增长到某个阈值/满足当前 split policy 的条件
- WAL 是什么
- 为什么需要 WAL
- HBase 不是收到请求就立即写成 HFile
- 写请求先进入内存里面的 MemStore
- MemStore 是内存结构，掉电或进程崩溃会丢
- WAL 为还没落成 HFile 的持久化阶段兜底
- 写入请求里的 cells 会一直保留，直到成功持久化到 WAL 和 MemStore
- MemStore 负责写入速度，WAL 负责稳定性
- 为什么叫 Write-Ahead
- 先把将要发生的修改记录到日志中，再依赖后续流程把它整理进正式数据文件
- 这条写操作在正式长期存储结构整理完成之前
- 已经被写入到一个可恢复的日志里
- WAL 处在的位置/Put 操作链路
- 客户端把 Put 请求发送到目标 RegionServer
- RegionServer 把这次修改追加到 WAL
- 同时把数据写入目标 Store 的 MemStore
- 之后后台线程再把 MemStore Flush 成 StoreFile/HFile
- 最后通过 compaction 整理文件
- WAL 记录的内容
- WAL 记录的是这次写操作的增量编辑记录
- WAL 写入的内容加做 WALEdit，有 WAL.Entry、WALKey 类型来表示一条日志条目及其键
- MemStore、StoreFile/HFile、BlockCache
- 概述
- MemStore：写入时的内存缓冲区
- StoreFile/HFile：Flush 之后落盘的正式数据文件
- BlockCache：读路径上的数据块缓存
- 在一个 Region 里，每个列族对应一个 Store，每个 Store 有自己的 MemStore 和若干 StoreFile
- MemStore 是什么
- MemStore 是 Store 在内存中的缓冲区
- 客户端写入数据， RegionServer 会先把修改写入 WAL，并把数据存放在对应的 Store 的 MemStore
- 后续达到条件后，再 flush 到磁盘形成 StoreFile
- 主要解决写的快的问题，如果每次 Put/Delete 都直接改磁盘主文件，开销会很大
- 先写入内存，可以把随机小写聚合起来，再批量 flush 到磁盘
- MemStore 只是内存态，不是最终查询文件，内容会在后续 flush 后变为 StoreFile/HFile
- StoreFile 是什么
- 是 Store 在磁盘上的数据文件
- MemStore 不会只 flush 一次，每次 flush 会生成新的 StoreFile
- 当 BlockCache miss 且 MemStore 没有目标数据，RegionStore 会去 HFile/StoreFile 中查
- HFile 是什么
- 是底层文件格式，StoreFile 是 HBase 在 RegionServer/Store 这一层使用的数据文件抽象
- 一个 StoreFile 对应一个 HFile
- BlockCache 是什么
- 是 HBase 读路径上的数据库缓存
- 缓存的是从 HFile 里读出来的 block
- 解决的是读的快的问题
- Flush、Compaction、Split 的流程
- Flush 是什么
- 定义
- 把某个 Store 的 MemStore 内容写到磁盘，生成新的 StoreFile
- 为什么必须 Flush
- flush 后发生什么
- flush 完成后，这批数据会变成新的 StoreFile，被纳入该 Store 的文件集合。
- Flush 触发条件
- Compaction 是什么
- Compaction 是把一个 Store 多个 StoreFile 文件合并整理成更少的新文件
- Minor Compaction 和 Major Compaction 的区别
- Minor Compaction
- 把若干个较小的 StoreFile 合并成更少的较大文件，但通常不是把该 Store 的所有文件一次性全部重写
- Major Compaction
- Split 是什么
- Split 是把一个 Region 沿 RowKey 边界切成两个子 Region
- Zookeeper 的作用
- 核心作用
- 主节点选举：决定谁是 active HMaster
- 服务发现：让客户端知道该连谁
- 节点状态感知：知道哪些服务还活着
- 协调关键元数据入口
- 为什么 HBase 需要 ZooKeeper
- HBase 把协调问题外包给 ZooKeeper，把自己更多精力放在存储和读写路径上
- Zookeeper 不做什么
- 不存储业务明细数据
- 不承担高吞吐读写
- 不等于 HMaster
实际操作
- 实操
- 启动单机 HBase
- 单机模式是什么
- 单机模式是 HBase 最基础的步数形态
- 在 standalone 模式下，所有 HBase 守护进程都运行在一个 JVM 里
- Docker 启动
- 进入容器进行最小验证命令
- 用 Shell 建表、删表、put/get/scan
- 进入 shell
- 命令基本结构
- 表名：test
- row key：row1
- 列：cf:a（列族:列限定符）
- create 建表
- create ’test’,‘cf’
- 创建表 test，在表中预定义列族 cf
- put 写入数据
- put ’test’, ‘row1’, ‘cf:a’, ‘value1’
- ’test’：表名
- ‘row1’：row key
- ‘cf:a’：列
- ‘value1’：值
- 本质：往某个表的某一行、不同列写值
- scan 扫描数据
- scan ’test’
- 按 RowKey 顺序把表里面的一批数据扫出来
- get 读一行数据
- get ’test’, ‘row1’
- 按 Rowkey 精确读取某一行
- get 是点查，scan 是范围扫
- disable 和 drop
- disable 的作用：先把表停用，把表从可服务状态切到不可服务状态
- drop 的作用：删除表
- 创建 namespace
- 什么是 namespace
- 如果创建表时未指定 namespace，则表存放在 default namespace 下
- create ’test’,‘cf’ 本质等价于 ‘default:test’
- 为什么要有 namespace
- 表分组管理
- 避免表名冲突
- 便于做配额/约束
- namespace 是 HBase 里按业务域组织表的基本单位
- hbase 存在哪些 namespace
- default
- hbase
- 系统 namespace，保留给 hbase 内部表
- 创建 namespace
- 查看 namespace
- 在 namespace 下建表
- 写入和读取
- put ‘demo:test’, ‘row1’, ‘cf:a’, ‘value1’
- get ‘demo:test’, ‘row1’
- scan ‘demo:test’
- 删除 namespace
- 设置版本数、TTL、压缩
- 列族级配置
- family 是物理和策略边界
- VERSIONS、TTL、COMPRESSION 这类配置，默认思维都是这个 family 怎么存，不是这一列怎么存
- alter 是什么命令
- alter 用来修改已有表的 schema 或表/列族相关配置
- VERSIONS
- 控制什么
- 同一个 row+family+qualifier 最多保存多少个历史版本
- 怎么改
- alter ’test’, NAME => ‘cf’, VERSIONS => 5
- TTL
- 控制什么
- 怎么改
- alter ’test’, NAME => ‘cf’, TTL => 2592000
- COMPRESSION
- 控制什么
- 这个列族的 StoreFile/HFile 落盘时用什么压缩算法
- 怎么改
- alter ’test’, NAME => ‘cf’, COMPRESSION => ‘SNAPPY’
- 验证修改
- 查看 Region 分布
- web ui
- localhost:16010
- 简单 filter 查询
- 为什么要用 filter
- 不想整表扫出来自己筛
- 只看某些 row key 前缀/只看某些列名前缀/只取前 N 行/只保留某个列值满足条件的行
- 让 RegionServer 在服务端先过滤（server-side filtering）
- filter 的基本写法
- scan ‘表明’, { FILTER => “过滤器表达式” }
- 准备练习数据
- 5 类简单 filter
- PrefixFilter：按 row key 前缀过滤
- PageFilter：限制返回多少行
- scan ‘demo:filter_test’, { FILTER => “PageFilter(2)” }
- ColumnPrefixFilter：按列限定符前缀过滤
- scan ‘demo:filter_test’, { FILTER => “ColumnPrefixFilter(’na’)” }
- SingleColumnValueFilter：按某一列的值筛行
- scan ‘demo:filter_test’, { FILTER => “SingleColumnValueFilter(‘cf’, ‘city’, =, ‘binary:Tokyo’)” }
- ValueFilter：按值过滤列
- 如果只是做简单的 family:qualifier:value 等值判断，推荐限制后再配 ValueFilter，这样能避免扫描无关的 family/column
- 组合使用 filter
- “PrefixFilter (‘Row’) AND PageFilter (1) AND FirstKeyOnlyFilter ()”
Java 客户端开发
- Java 客户端开发
- Connection/Admin/Table
- 职责边界
- Connection：集群级入口
- Admin：管理面接口
- Table：单表数据面接口
- 代码关系
- 最小 Java 示例