1 简介

HBase 是以 Google 的 Bigtable 为模型的开源非关系型分布式数据库，提供了一种存储大量稀疏数据的容错方式，适用于需要低延迟随机访问和高达 PB 级的海量存储的用例。

HBase采用共享存储架构，将计算层与存储层分开，存储层通常位于HDFS（Hadoop分布式文件系统）上。这种架构选择实现了吸引人的功能，如平滑扩展和成本优化等。以下是一些用例，在这些用例中，HBase 可能是一个不错的候选者。

• 近乎实时的大规模分布式键值或表模式存储系统，数据量从 100 TerraBytes 到 100s PetaBytes 甚至更高
• 高吞吐量、写入密集型应用程序，可以容忍延迟波动，大约 100 毫秒
• 按行键顺序扫描是必需的读取模式
• 与Hadoop生态系统结合使用，如MapReduce、Spark、Flink、Hive、HDFS等
• 结构化、半结构化数据架构，可选择稀疏分布

一些具体用例包括：

• 电子商务订购系统。每日订单和用户操作可以存储在 HBase 中，实现对海量订单的低延迟随机访问。历史订单数据也可以存储在HBase中，通过MapReduce、Spark、Flink等计算框架运行离线分析作业
• 搜索引擎。网络链接的原始内容以及分析特征数据可以存储在 HBase 中，以计算搜索结果排名等
• 日志聚合和指标。例如，OpenTSDB（开放时序数据库）是一个专门用于日志聚合和指标收集的开源数据库系统

下面列出了 HBase 的一些功能：

• 批量加载。数据迁移等用例可能需要将大量数据导入 HBase。读出每一行数据，然后写入 HBase 效率低下，有时甚至不可行。HBase 提供批量负载，支持直接访问 HDFS 的数据，绕过 HBase 的大部分写入路径以提高效率
• 协处理器。HBase 支持通过协处理器框架围绕 HBase 函数执行用户定义的生命周期钩子函数，从而有机会扩展功能并允许细粒度定制
• 过滤器。HBase 允许用户将过滤逻辑定义为过滤对象，并将过滤过程向下推送到服务器端，以避免不必要的数据产生 RPC 成本
• MOB，中型对象存储侧重于优化大小介于 10 到 100 MB 之间的值
• 快照。在 HBase 中备份数据的方法之一，包括通过克隆现有快照来创建新表
• 复制。一个 HBase 集群中的数据可以通过同步更改历史记录（具体为预写日志）复制到另一个 HBase 集群

2 Hbase如何组织数据

HBase 中的表是半结构化的，这意味着必须在使用前定义列族。数据单元格由特定行键、特定列系列、确切的列限定符和时间戳（对于多版本单元格中的特定版本）唯一标识。数据稀疏地存储在 HBase 中，缺失的列根本不占用存储空间。

Hbase 支持多版本数据，这意味着“一个单元格”实际上由多个单元格组成，每个版本一个单元格，按时间戳降序排序。为了便于理解，可以粗略地将数据组织视为下面的 JSON 数组。

// table name format："${namespace}:${table}"// e.g. "default:test_table"[  "rowKey1": { // rowkey locates a row    "cf1": { // column family must be pre-defined in table schema      "cq_a": { // column qualifier can be arbitrary value        "timestamp3": "value3",         // a cell is located by (row=rowKey1, column="cf1:cf_a", timestamp=timestamp2)        "timestamp2": "value2",        "timestamp1": "value1"      },      "cq_b": {        "timestamp2": "value2",        "timestamp1": "value1"      }    },    "cf3": {      "cq_m": {        "timestamp1": "value1"      },      "cq_n": {        "timestamp1": "value1"      }    },  },  "rowKey3": {    "cf2": { // sparse storage. missing column families take no storage space      "cq_x": {        "timestamp3": "value3",        "timestamp2": "value2",        "timestamp1": "value1"      },      "cq_y": {        "timestamp1": "value1"      }    },  }]

• HBase Architecture HBase 架构

• Hbase 集群由以下组件组成
  • Zookeeper。为了在分布式系统中达成共识，Zookeeper 用于 HBase 主领导选举、服务发现和分布式任务管理等。
  • Master。HBase master 管理集群的元数据，并调度区域服务器，如存活检查、重新平衡等。只有 master 的 leader 实例负责，follower 实例处于备用状态，当 leader 关闭时通过 leader 选举接管，从而实现高可用。
  • Region Server。每个Region Server实例都在不相交的连续行键范围内提供数据，并且所有Region Server一起覆盖整个行键空间。
  • Thrift Server。HBase 还提供了一个 Thrift 协议来操作数据。Thrift 请求由 Thrift 服务器代理到Region Server。

3 HBase客户端如何执行读/写请求

HBase 客户端配置了与目标 HBase 集群对应的 Zookeeper 信息

1. 客户端请求 Zookeeper 查找Region Server A 提供元数据表 'hbase：meta'
2. 然后，客户端请求区域服务器 A 在“hbase：meta”表中查找为目标行键提供服务的Region Server B
3. 最后，客户端请求Region Server B 操作目标行键的数据
4. 然后，位置信息将缓存在客户端中，以避免查找成本

4 当我们向 HBase 读取/写入数据时会发生什么？

HBase 实现了一种称为日志结构化合并树的数据结构。

当收到写入请求时，更改记录首先记录在预写日志中，该日志是持久存储在磁盘上的仅追加日志。然后将数据写入 MemTable，这是一种内存中的数据结构，可使行保持顺序，并支持二进制搜索和行的正向和反向迭代，通常由 ConcurrentSkipListMap 实现。

一旦 MemTable 的大小达到配置的阈值，就会触发刷新，将 MemTable 数据写入存储在 HDFS 上的 StoreFiles 中。顺便说一下，每个列系列都有自己的 MemTable 和 StoreFiles。

既然一个列族的数据可以存储在 MemTable 中，也可以存储在一个区域服务器内的多个 StoreFile 中，那么我们如何读取一行呢？构造一个合并的迭代器，将所有 StoreFile 和 MemTable 组合在一起，形成一个全局有序的视图。首先，为每个 StoreFile/MemTable 创建一个迭代器，该迭代器可以在 StoreFile/MemTable 中按顺序迭代行。其次，在这些迭代器上构造一个最小堆，使用比较器作为迭代器的当前行。因此，可以确保最小堆顶部的迭代器中的当前行是全局顺序的下一行。

• HBase 中的预写日志

• ConcurrentSkipListMap 的结构