首页 > 其他分享> > 大白话详解大数据HBase核心知识点，老刘真的很用心(2)

大白话详解大数据HBase核心知识点，老刘真的很用心(2)

2020-11-28 17:32:45 作者：互联网

前言：老刘目前为明年校招而努力，写文章主要是想用大白话把自己复习的大数据知识点详细解释出来，拒绝资料上的生搬硬套，做到有自己的理解！

01 HBase知识点

第6点：HRegionServer架构

为什么要了解HRegionServer的架构呢？因为HBase集群中数据的存储和HRegionServer有着非常大的关系，只有搞清楚了它的架构，才能理清楚数据存储的逻辑。

那就让老刘好好介绍下HRegionServer架构。

StoreFile

在HRegionServer架构图中，StoreFile是保存实际数据的物理文件，StoreFile是以HFile的形式存储在HDFS上，每个Store会有一个或多个StoreFile，并且数据在每个StoreFile中都是有序的。为什么是有序的，会在MEMStore中介绍。

对于HFile是什么，老刘目前只能理解为它是StoreFile存在HDFS上的存储格式，也就是说StoreFile是以HFile这种形式存储在HDFS上。

MemStore

它是写缓存的意思。由于HFile是要求数据是有序的，要按照存储在HDFS上的数据需要按照rowkey排序，所以数据先存储在MemStore中，排好序后，达到阈值后才会flush到StoreFile中，每次flush生成一个新的StoreFIle。

那MemStore是如何将数据排序的呢？

很多机构的教学资料都没讲，老刘查了很多资料后，老刘只有一个相对较浅的理解，实现MemStore模型的数据结构是SkipList跳表，跳表它可以实现高效的查询、插入、删除操作。因为跳表本质上是由有序链表构成的，很多KV数据库都会使用跳表实现有序数据集合。所以呢，数据传入MemStore后，会利用跳表实现这些数据的有序。

WAL

WAL，全称是Write Ahead Log，预先写日志的意思。由于数据要经MemStore排序后才能刷写到HFile，但把数据保存在内存中会有很高的概率导致数据丢失的，所以为了解决这个问题，数据会先写在一个叫做Write Ahead Log的文件中，然后再写入MemStore中。所以当系统出现故障的时候，数据就可以通过这个日志文件重建，避免数据丢失。

BlockCache

它是读缓存的意思。每次查询出来的数据会先缓存在BlockCache中，方便下次查询数据。

第7点：HBase读数据流程

首先要说的是，在HBase中只有一张meta表(元数据表)，此表只有一个region表，该region数据保存在一个HRegionServer上。

还记得HBase的第一篇文章说的ZooKeeper的作用吗，ZooKeeper里面保存了HBase的元数据meta。再想想我们要读取数据，是不是相当于去学校访问一个老师，是不是要先在校门口登记，搞清楚这个老师在学校哪个部门、哪个办公室之类的。

所以呢，HBase读数据流程如下：

1、HBase读取数据首先要与zk进行连接，从zk找到meta表的region位置，就是查找meta表存储在哪个HRegionServer，得到消息后，客户端就会立马与这个HRegionServer建立连接，然后读取meta表中的数据，这个meta表中的信息有：HBase集群有哪些表、每个表有哪些Region、都保存在哪些RegionServer上以及存储了所有用户表的Region信息。

2、我们根据要查询的namespace(命名空间，相当于关系型数据库的数据库名称)、表名和rowkey信息。找到写入数据对应的Region信息。

3、然后找到这个Region对应的RegionServer，然后发送请求。

4、现在就可以查找并定位到对应的Region了。

5、我们会先从MemStore中查找数据，如果没有，就会再从BlockCache上读取，如果BlockCache中也没有找到，那就会从最后的StoreFile中读取，从StoreFile中读取到数据之后，并不是直接把结果数据返回到客户端，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。

第8点：HBase写数据流程

1、客户端首先会从zk找到meta表的region位置，然后读到meta表中的数据，meta表中存储了用户表的region信息。

2、根据我们根据要写入数据的namespace(命名空间，相当于关系型数据库的数据库名称)、表名和rowkey信息。找到写入数据对应的Region信息。

3、然后找到这个Region对应的RegionServer，然后发送请求。

4、现在就可以把数据顺序写入（追加）到WAL。

5、将数据写入对应的MemStore，数据会在MemStore进行排序。

6、达到MemStore的刷写时机后，将数据刷写到StoreHFile中。

但是大家好好想想，如果数据不停的写入，是不是会产生很多很多StoreFile？

在HBase集群中，针对产生的很多很多StoreFile，它会把它们合并为一个大的StoreFile(这是一个小合并)，最终所有的StoreFile会进行一个大合并。但是在数据不断写入过程中，Region中的数据会越来越大，此时Region就会进行拆分(一分为二)，拆分过程比较耗性能，就有了预分区。老刘大致说了下HBase中为什么会有flush和compact机制、Region拆分合并以及预分区，下面就详细讲讲这些知识点。

第9点：HBase中的flush、compact机制

Flush机制

数据要刷写到磁盘，它是有很多刷写时机的，并不是想刷写就刷写的。

第一个是达到Memtore级别的限制，当Region中任意一个MemStore的大小达到了上限，默认是128M，就会触发MemStore刷新。这个上限的设置如下：

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

第二个是达到Region级别的限制，当Region中所有的MemStore的大小总和达到了上限，默认是2*128M=256M，会触发MemStore刷新。这个上限的设置如下：

<property>
  <name>hbase.hregion.memstore.flush.size</name>
  <value>134217728</value>
</property>
<property>
  <name>hbase.hregion.memstore.block.multiplier</name>
  <value>2</value>
</property>

第三个是达到RegionServer级别限制，当一个RegionServer中所有MemStore的大小总和超过低水位阈值，RegionServer开始强制Flush；先Flush MemStore最大的Region，再执行次大的，依次执行；

如果写入速度大于flush写出的速度，最后导致总MemStore大小超过高水位阈值(默认为JVM内存的40%)，此时RegionServer会阻塞更新并强制执行flush，直到总MemStore大小低于低水位阈值。这些阈值的设置如下：

<property>
  <name>hbase.regionserver.global.memstore.size.lower.limit</name>
  <value>0.95</value>
</property>
<property>
  <name>hbase.regionserver.global.memstore.size</name>
  <value>0.4</value>
</property>

第四个是当WAL文件的数量超过hbase.regionserver.max.logs，region会按照时间顺序依次进行刷写，直到WAL文件数量减小到hbase.regionserver.max.log以下（该属性名已经废弃，现无需手动设置，最大值为32）。

第五个是定期刷新MemStore，默认周期为1小时，确保MemStroe不会长时间没有持久化。为避免所有的MemStore在同一时间都进行flush导致的问题，定期的flush操作会有20000左右的随机延时。

Compact合并机制

为什么有Compact合并机制？

hbase为了防止小文件过多，以保证查询效率，hbase需要在必要的时候将这些小的store file合并成相对较大的store file，这个过程就称之为compaction。

在hbase中主要存在两种类型的compaction合并：

minor compaction 小合并

它会将Store中多个HFile合并为一个HFile。在这个过程中它会选取一些小的、相邻的StoreFile将他们合并成一个更大的StoreFile。

对于超过了TTL(生存时间)的数据、更新的数据、删除的数据仅仅只是做了标记。并没有进行物理删除，进行一次Minor Compaction的结果是产生数量上更少并且内存上更大的StoreFile。这种合并的触发频率很高。

minor compaction触发条件由以下几个参数共同决定：

<!--表示至少需要三个满足条件的store file时，minor compaction才会启动-->
<property>
  <name>hbase.hstore.compactionThreshold</name>
  <value>3</value>
</property>

<!--表示一次minor compaction中最多选取10个store file-->
<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>

major compaction 大合并

将所有的StoreFile合并成一个StoreFile，在这个过程中还会清理三类无意义数据：被删除的数据、TTL过期数据、版本号超过设定版本号的数据。它的合并频率比较低，默认7天执行一次，并且性能的消耗是非常大的，一般建议生产关闭，在应用空闲时间手动触发。一般可以是手动控制进行合并，这样可以防止出现在业务高峰期。

major compaction触发时间条件(7天)

<!--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
major_compact tableName

第10点：Region拆分

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。

HBase的region split策略一共有以下几种，先说说3种。

1、ConstantSizeRegionSplitPolicy

它是0.94版本前默认切分策略。

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

它是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。

3、SteppingSplitPolicy

它是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，就是一般刚设计出来都会存在一些不合理的地方，随着慢慢的发展，设计师们逐渐完善。

相比之前的IncreasingToUpperBoundRegionSplitPolicy，它会简单一些，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。

还有几个不讲了，老刘快记不住了。

第11点：Region合并

什么时候需要Region合并？

比如有一张表在拆分后，一分为二，但是在使用过程中，对这两个表进行了数据的删除，数据量变小了，为了方便管理之类的，可以把他们合并。

又比如删除了大量的数据 ,这个时候每个Region都变得很小 ,存储多个Region就浪费了 ,这个时候可以把Region合并起来，进而可以减少一些Region服务器节点。

总之，Region合并不是为了性能，而是为了方便维护管理。

第12点：HBase表的预分区

当一个table表刚被创建的时候，HBase会默认的分配一个region给这个table。这就相当于说，在这个时候，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，因为集群中的其他regionServer就可能会处于比较空闲的状态。出现了一人干活，其他人看戏的现象。

解决这个问题可以用预分区，在创建table表的时候就配置好，生成多个region。

预分区原理

每一个region都维护着startRow与endRowKey，如果加入的数据符合某个region维护的rowKey范围，就会把该数据交给这个region维护。如何手动指定预分区

方式一：

create 'person','info1','info2',SPLITS => ['1000','2000','3000','4000']

就会有如下这种效果：

方式二：

把分区规则创建于文件中

cd /kkb/install

vim split.txt

在里面添加这样的内容：

aaa
bbb
ccc
ddd

在执行这样的命令:

create 'student','info',SPLITS_FILE => '/kkb/install/split.txt'

就会得到这样的效果：

02 总结

好啦，大数据HBase的第二部分知识点就总结的差不多了，内容比较多，大家需要仔细理解，争取做到用自己的话把这些知识点讲述出来。

最后，如果觉得有哪里写的不好或者有错误的地方，可以联系公众号：努力的老刘，进行交流哦！希望能够对大数据开发感兴趣的同学有帮助，希望能够得到同学们的指导。

标签：知识点,大白话,Region,StoreFile,MemStore,HBase,数据,region
来源： https://www.cnblogs.com/bigdatalaoliu/p/14053296.html