Apache HBase 是 Hadoop 的大数据存储数据库，一个分布式、可伸缩的大数据存储，是依赖 Hadoop。

图片来自 Pexels

HBase 该技术来源于 Fay Chang 所撰写的 Google 论文“Bigtable：一个结构化数据的分布式存储系统”。

就像 Bigtable 利用了 Google 文件系统(File System)所提供的分布式数据存储一样，HBase 在 Hadoop 之上提供了类似于 Bigtable 的能力。

BATJ 公司为什么用 HBase 能存储海量的数据?

  • 因为 HBase 是在 HDFS 的基础之上构建的，HDFS 是分布式文件系统。

  • Hbase 设计上属于列式存储，在存储上将业务的数据按照水平分割的模式来划分，因此在查询与插入的时候比较聚焦。

  • HBase 不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库，特别是 HBase 基于列的而不是基于行的模式存储


为什么要用 HBase

①分布式存储引擎分类

分布式存储引擎大概分类如下：

  • 分布式搜索(Elasticsearch)

  • 分布式文件系统(HDFS)

  • 分布式消息队列(Kafka)

  • 缓存数据库(Redis)

  • 非关系型分布式数据库(Hbase\Mongodb\Cloudant)

  • 等等...

②存储引擎的存储方式

存储引擎的存储方式如下：

  • Redis 有 AOF 和 RDB

  • Elasticsearch 会把数据写到 translog 然后结合 FileSystemCache 将数据刷到磁盘中

  • Kafka 本身就是将数据顺序写到磁盘....

这些中间件都能够实现持久化(比如 HDFS 和 MySQL 我们本身就用来存储数据的)，那用 HBase 干啥呢?

③各种存储引擎优缺点

HDFS 可以保存海量数据，容错性高，适合批处理，适合保存大量数据，可以流式数据访问，对于服务器的要求也不高，但是他也有一些不足如，不适合低延时数据访问。

比如毫秒级的存储数据，是做不到的，也没办法高效的对大量小文件进行保存处理，而且一个文件只能有一个线程写入，不允许多个线程同时写入，也不支持文件的随机修改。

MySQL 是我们日常中用的比较多的关系型数据库了，但是大家都知道 MySQL，他是单机的。

单机 MySQL 他最大的容量，完全取决于服务器的硬盘容量的大小。其最致命的弱点就是当有大量数据需要存储时，MySQL 很难扛得住。

Elasticsearch 大家都知道他是一个分布式搜索引擎，在搜索效率上还是比较快的。

因为 Elasticsearch 基于分布式所以理论上也是可以保存大量的数据的，我们也可以根据索引来取出来，那这就是我们心目中最完美的存储方式了吗?

不，他不是，因为如果我们存储的数据没有经常需要查询的需求，其实放到 Elasticsearch 就是一种浪费，因为数据在写入 Elasticsearch 时需要进行分词，从而大量消耗资源，造成没必要的浪费。

Redis 是近几年最常用的缓存数据库，读与写的操作都在内存中进行，其速度响应非常快，AOF/RDB 保存的相关数据全会加载到我们机器的内存中，从而导致 Redis 并不适合保存大量的数据，毕竟内存还是相对有限。

Kafka 在我们项目工作中主要用来处理消息的解耦于异步削峰，当数据到达 Kafka，此时就会将数据持久化到服务器硬盘中，且很方便的扩展因为他是分布式的，按照这个逻辑 Kafka 是可以存储大量数据。

但是 Kafka 持久化了的数据，最常见的用法就是直接重新设置 offset 进行操作。

④Hbase 的使用场景

Hbase 适合需对数据进行随机读操作或者随机写操作、大数据上高并发操作，比如每秒对 PB 级数据进行上千次操作以及读写访问均是非常简单的操作。

淘宝指数是 Hbase 在淘宝的一个典型应用。交易历史纪录查询很适合用 Hbase 作为底层数据库。


入门 HBase

①HBase 特性

Hbase 作为一种 NoSQL 数据库，而这就说明他不是传统的 RDBMS 数据库，且 SQL 语句也是不支持的。

对于 Hbase 是一种分布式存储的数据库，在技术层面来讲，它是属于分布式存储，因为缺少很多 RDBMS 数据库的特性。

那 Hbase 有什么特点呢?如下：

大，他容量巨大，HBase 的单表可以有百亿行、百万列，可以在横向和纵向两个维度插入数据，具有很大的弹性。

稀疏性，这主要体现在 Hbase 针对列有着很高的灵活性，比如对于为 NULL 的列中，是不会占用存储空间的，所以表可以设计的很稀疏。

易扩展，因为前面我也讲到过 HBase 是工作在 HDFS 之上的，所以自然是支持分布式表，同时也继承了 HDFS 的可扩展性。

而且 HBase 的扩展是横向扩展的，所谓的横向扩展是指在扩展的时候不需要提高服务器性能，只需要添加服务器到现有的集群即可。

高并发，如果项目使用 Hbase 的架构，那么使用的 PC 都可以很便宜，因此高 IO 也是常事。

而我所说的高并发，主要是他和其他 NoSQL 一样，Hbase 不支持复杂的 SQL 语句，这就给性能优化带来更多可能，并且主要是在内存中工作，支持大并发应该是没问题的。

还有别忘了，HBase 是天然支持分布式的，所以还可以利用集群等方法提高并发量。

高可用，还是因为 HBase 是运行在 HDFS 上的，HDFS 的多副本存储，类似于 MySQL 主备容灾，他可以在岀现故障时自行恢复，同时 HBase 还有更多的策略如：Replication，WAL 等。

面向列，这个与我们常用的 MySQL 等关系型数据库不同，HBase 是面向列的存储控制的。

简单来说就是每个列他都是是单独存储的，而且支持直接对列来进行查询，下面这张图可以简单来理解下什么是对列的操作。

从图上来理解，看下下面的行存储于列存储其中行存储是保存在一块的，而列存储中的数据是分割的。

由上图得知行存储更适合插入与更新，而查询操作时需要读取其中所有的数据，此时 HBase 列存储则只需要读取相关列即可，从而可以大幅降低系统 I/O 吞吐量，达到快速读取的目的。

②什么情况更适合使用 Hbase

首先 Hbase 不是万能的，他也有不适合的场景，有哪些不适合场景呢?

这主要也是根据其特点来说的，首先一点就是数据量要大，如果你的数据只有区区几百万条或者更少的数据量，那么关系型数据库可能更适合你。

因为数据量不大的话，根本体现不出 HBase 的优势，反而会成为累赘，因为有大量的机器空闲，浪费资源。

再一个就是你对于列查询的使用不是那么高，且你也不需要辅助索引，静态类型的列等 HBase 的特性，在现有项目中使用关系型数据库已经可以满足其需求，则你完全没必要为了技术而去使用。

如果非要使用对于以往的项目你还需要重新去设计重构等，带来不必要的麻烦。

最后虽然 Hbase 在单机环境也能运行，但是最好请在开发环境的时候使用。

③HBase 的 Key-Value

HBase 其实就与 Redis 一样是 Key-Value 的数据库，那在 HBase 里边，Key 是什么?Value 是什么?

首先 KeyValue 的概念设计源自一片论文为"The log-structured merge-tree(LSM-Tree)"。

其中的每一行，每一列的数据，都被独立包装成特定结构即 KeyValue，而 KeyValue 还包含了很多自我描述信息从而会导致数据膨胀 。

目前市面上所有项目主要数据结构有：

  • 结构化数据

  • 半结构化数据

  • 非结构化数据

由于 HBase 的稀疏性，导致其对于非结构化的数据存储有着天然的优势，而在我们日常项目中， 关系型数据也就是结构化数据是经常使用到的 。

由于 HBase 目前只能提供基于 RowKey 的单维度索，在我们日常项目中还是有些吃力。

还需要基于 HBase 添加一些特殊功能，如：

  • GeoMesa 时空数据存储

  • JanusGraph 图数据存储

  • OpenTSDB 时序数据存储

既然如此，不如专业的事情交给专业的的去做，既然 MySQL，Oracle，MSSQL 这些关系型数据库这么擅长处理结构化数据，那就让他们来处理好了。

他们既然不擅长处理海量非结构化数据，那就上 HBase，所以我的理解 HBase 不是万能的，他只是相对于传统关系型数据库的一种补充。

④HBase 架构

HBase 架构如上图：

  • Zookeeper，主要作用是分布式协调。

  • RegionServer，作为数据节点，用于存储数据，也会把自己的信息写到 ZooKeeper 中。

  • HDFS，是在这里主要作为 HBase 的基础，是一个 分布式文件系统，为 HBase 提供服务。

  • Master，主要负责管理所有的 RegionServer，管理所有的 Region 到 RegionServer 的分配，且自身也可以作为一个 RegionServer 提供服务。

其大概流程就是：

  • client 请求到 Zookeeper。

  • Zookeeper 返回 HRegionServer 地址给 client。

  • 当 client 获取到 Zookeeper 返回的地址就去请求 HRegionServer。

  • HRegionServer 读写数据后再返回给 client。

⑤HMaster 大作用

看上面的流程我好像没有提到 HMaster，那 HMaster 是不是没啥用?那他主要是做什么的呢?

其实他的作用是不能被忽略的有：

  • 负责 Region server 分布式管理与负载均衡

  • 为 Region server 分配 region

  • 在 HRegion 分裂后，负责新 HRegion 的分配

  • 将 HDFS 上的垃圾文件回收

  • 处理 schema 更新请求

由此可以看来 HMaster 相当于指挥家，统筹大局，非常重要!


RowKey 的设计

RowKey 在查询和保存方面有着很重要的作用，HBase 中如果设计好一个 RowKey 将会影响到其中数据的分布，与我们的查询速度。

由此得知设计好一个优秀的 RowKey 是非常重要的，那么这么重要的 RowKey 我们如何来设计呢?

首先要遵从以下几个原则：

长度原则：最短越好，最短越好，最短越好，重要的事情说三遍，最大不能超过 64K。如果太长主要影响有两点，

首先特别影响 HFile 的存储效果。其次 MemStore 将缓存部分数据到内存，如果 RowKey 字段过长，内存的有效利用率就会降低，系统不能缓存更多的数据，这样会降低检索效率。


总结：保存慢，查询慢!

唯一原则：这个应该很好理解，RowKey 存储结构是 Key-Value 形式，跟 Java 中的 Map 一样，如果向同一个 Map 保存相同的 Key 的值，后保存的值会覆盖掉之前保存的值。

排序原则：HBase 会把 RowKey 按照 ASCII 进行自然有序排序，所以反过来我们在设计 RowKey 的时候可以根据这个特点来设计完美的 RowKey，好好的利用这个特性就是排序原则。

散列原则：如果 RowKey 按照时间戳的方式递增，不要将时间放在二进制码的前面，建议将 RowKey 的高位作为散列字段，由程序随机生成，低位放时间字段。

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。

如果没有散列字段，首字段直接是时间信息，所有的数据都会集中在一个 RegionServer 上。

这样在数据检索的时候负载会集中在个别的 RegionServer 上，造成热点问题，会降低查询效率。

①根据 RowKey 模糊查询

接下来直接上战场，首先我们根据业务场景需求，肯定还是需要进行在上 T 数据中查询部分数据的，那就是通过 RowKey 的方式进行模糊查询。

hbase shell #首先登录hbase list #查询系统中所有数据库表 scan 'tablename',{STARTROW=>'rowkey1',STOPROW=>'rowkey2'}

②根据 RowKey 范围查询

这里演示的是时间范围查询，TIMERANGE 中的值为时间戳。

scan ‘tablename’,{TIMERANGE=>[1325654785652,1436524854295]}

更多操作下次我在给大家出一篇关于 HBase 使用的相关文章进行详细讲解。


HBase 调优

①读性能优化

HBase 服务端优化：

  • 读请求是否均衡?

  • BlockCache 设置是否合理?

  • 数据本地率是不是很低?

  • HFile 文件是否太多?

  • Compaction 是否影响太大?

HBase 客户端优化：

  • scan 缓存是否设置合理?

  • get 是否使用批量请求?

  • 离线批量读取请求是否设置禁止缓存?

  • 请求是否可以显示指定列簇或者列?

HBase 列簇优化：

  • 布隆过滤器是否设置?

②写性能优化

HBase 服务端优化：

  • Region 是否太少?

  • 写入请求是否均衡?

HBase 客户端优化：

  • 是否可以使用 Bulkload 方案写入?

  • 是否需要写入 WAL?

  • WAL 是否需要同步写入?

  • Put 是否可以同步批量提交?

  • Put 是否可以异步批量提交?

  • 写入 Key Value 数据是否太大?

大家可以带着以上问题去对自己的 HBase 逐个优化。

参考资料：

  • http://hbase.apache.org/

作者：刘永继

简介：中国科学院大学博士，中国科学院信息工程所，主要从事大数据可视化，虚拟现实与数字孪生技术研究;精通 Java，Python 等主流的技术架构，擅长从架构的角度思考及解决问题。