結構介紹 HBase – Hadoop Database,是一個高
可靠 性、高性能、面向列、可伸縮的
分散式存儲系統 ,利用HBase技術可在廉價PC Server上搭建起大規模
結構 化
存儲 集群。
與FUJITSU Cliq等商用大數據產品不同,HBase是Google Bigtable的開源實現,
類似 Google Bigtable利用GFS作為其檔案
存儲 系統,HBase利用Hadoop HDFS作為其
檔案 存儲
系統 ;Google運行MapReduce來處理Bigtable中的海量
數據 ,HBase同樣利用Hadoop MapReduce來處理HBase中的
海量 數據;Google Bigtable利用 Chubby作為協同服務,HBase利用Zookeeper作為對應。
上圖描述Hadoop EcoSystem中的各層系統。其中,HBase位於結構化
存儲 層,Hadoop HDFS為HBase提供了高可靠性的底層存儲支持,Hadoop MapReduce為HBase提供了高性能的計算能力,Zookeeper為HBase提供了穩定服務和failover機制。
此外,Pig和Hive還為HBase提供了高層語言支持,使得在HBase上進行數據統計處理變的非常簡單。 Sqoop則為HBase提供了方便的RDBMS數據導入功能,使得
傳統資料庫 數據向HBase中遷移變的非常方便。
模型 主要討論邏輯模型和物理模型
(1)邏輯模型
Hbase的名字的來源是Hadoop database,即
hadoop 資料庫。
主要是從用戶角度來考慮,即如何使用Hbase。
(2)物理模型
主要從實現Hbase的角度來討論
訪問接口 1. Native Java API,最常規和高效的訪問方式,適合Hadoop MapReduce Job並行
批處理 HBase表數據
2. HBase Shell,HBase的命令行工具,最簡單的接口,適合HBase管理使用
3. Thrift Gateway,利用Thrift序列化技術,支持C++,PHP,Python等多種語言,適合其他異構系統線上訪問HBase表數據
4. REST Gateway,支持REST 風格的Http API訪問HBase, 解除了語言限制
5. Pig,可以使用Pig Latin流式程式語言來操作HBase中的數據,和Hive類似,本質最終也是編譯成MapReduce Job來處理HBase表數據,適合做數據統計
6. Hive,當前Hive的
Release版本 尚沒有加入對HBase的支持,但在下一個版本Hive 0.7.0中將會支持HBase,可以使用類似SQL語言來訪問HBase
HBase數據模型Table & Column Family
Row Key
Timestamp
Column Family
URI
Parser
r1
t3
url=http://
title=
t2
host=com
t1
r2
t5
url=http://
content=每天…
t4
host=com
Ø Row Key: 行鍵,Table的主鍵,Table中的記錄默認按照Row Key升序排序
Ø Timestamp:
時間戳 ,每次數據操作對應的時間戳,可以看作是數據的version number
Ø Column Family:列簇,Table在水平方向有一個或者多個Column Family組成,一個Column Family中可以由任意多個Column組成,即Column Family支持動態擴展,無需預先定義Column的數量以及類型,所有Column均以二進制格式存儲,用戶需要自行進行類型轉換。
Table & Region
當Table隨著記錄數不斷增加而變大後,會逐漸分裂成多份splits,成為regions,一個region由[startkey,endkey)表示,不同的region會被Master分配給相應的RegionServer進行管理:
-ROOT- && .META. Table
HBase中有兩張特殊的Table,-ROOT-和.META.
.META.:記錄了用戶表的Region信息,.META.可以有多個region
-ROOT-:記錄了.META.表的Region信息,-ROOT-只有一個region
Ø Zookeeper中記錄了-ROOT-表的location
Client訪問用戶數據之前需要首先訪問zookeeper,然後訪問-ROOT-表,接著訪問.META.表,最後才能找到用戶數據的位置去訪問,中間需要多次網路操作,不過client端會做cache快取。
MapReduce on HBase
在HBase系統上運行
批處理 運算,最方便和實用的模型依然是MapReduce,如下圖:
HBase Table和Region的關係,比較類似HDFS File和Block的關係,HBase提供了配套的TableInputFormat和TableOutputFormat API,可以方便的將HBase Table作為Hadoop MapReduce的Source和Sink,對於MapReduce Job套用開發人員來說,基本不需要關注HBase系統自身的細節。
HBase系統架構
ClientHBase Client使用HBase的RPC機制與HMaster和HRegionServer進行通信,對於管理類操作,Client與HMaster進行RPC;對於數據讀寫類操作,Client與HRegionServer進行RPC
1 Zookeeper
Zookeeper Quorum中除了
存儲 了-ROOT-表的地址和HMaster的地址,HRegionServer也會把自己以Ephemeral方式註冊到Zookeeper中,使得HMaster可以隨時感知到各個HRegionServer的健康狀態。此外,Zookeeper也避免了HMaster的單點問題,見下文描述
HMaster
HMaster沒有單點問題,HBase中可以啟動多個HMaster,通過Zookeeper的Master Election機制保證總有一個Master運行,HMaster在功能上主要負責Table和Region的管理工作:
1. 管理用戶對Table的增、刪、改、查操作
2. 管理HRegionServer的負載均衡,調整Region分布
3. 在Region Split後,負責新Region的分配
4. 在HRegionServer停機後,負責失效HRegionServer 上的Regions遷移
HRegionServer
HRegionServer主要負責回響用戶I/O請求,向HDFS檔案系統中讀寫數據,是HBase中最核心的模組。
HRegionServer內部管理了一系列HRegion對象,每個HRegion對應了Table中的一個Region,HRegion中由多個HStore組成。每個HStore對應了Table中的一個Column Family的存儲,可以看出每個Column Family其實就是一個集中的
存儲單元 ,因此最好將具備共同IO特性的column放在一個Column Family中,這樣最高效。
HStore存儲是HBase存儲的核心了,其中由兩部分組成,一部分是MemStore,一部分是StoreFiles。MemStore是Sorted Memory Buffer,用戶寫入的數據首先會放入MemStore,當MemStore滿了以後會Flush成一個StoreFile(底層實現是HFile),當StoreFile檔案數量增長到一定閾值,會觸發Compact合併操作,將多個StoreFiles合併成一個StoreFile,合併過程中會進行版本合併和數據刪除,因此可以看出HBase其實只有增加數據,所有的更新和刪除操作都是在後續的compact過程中進行的,這使得用戶的寫操作只要進入記憶體中就可以立即返回,保證了HBase I/O的高性能。當StoreFiles Compact後,會逐步形成越來越大的StoreFile,當單個StoreFile大小超過一定閾值後,會觸發Split操作,同時把當前Region Split成2個Region,父Region會下線,新Split出的2個孩子Region會被HMaster分配到相應的HRegionServer上,使得原先1個Region的壓力得以分流到2個Region上。下圖描述了Compaction和Split的過程:
在理解了上述HStore的基本原理後,還必須了解一下HLog的功能,因為上述的HStore在系統正常工作的前提下是沒有問題的,但是在
分散式系統 環境中,無法避免系統出錯或者宕機,因此一旦HRegionServer意外退出,MemStore中的記憶體數據將會丟失,這就需要引入HLog了。每個HRegionServer中都有一個HLog對象,HLog是一個實現Write Ahead Log的類,在每次用戶操作寫入MemStore的同時,也會寫一份數據到HLog檔案中(HLog
檔案格式 見後續),HLog檔案定期會滾動出新的,並刪除舊的檔案(已持久化到StoreFile中的數據)。當HRegionServer意外終止後,HMaster會通過Zookeeper感知到,HMaster首先會處理遺留的 HLog檔案,將其中不同Region的Log數據進行拆分,分別放到相應region的目錄下,然後再將失效的region重新分配,領取 到這些region的HRegionServer在Load Region的過程中,會發現有歷史HLog需要處理,因此會Replay HLog中的數據到MemStore中,然後flush到StoreFiles,完成
數據恢復 。
存儲格式 HBase中的所有數據檔案都存儲在Hadoop HDFS檔案系統上,主要包括上述提出的兩種檔案類型:
1. HFile, HBase中KeyValue數據的存儲格式,HFile是Hadoop的二進制格式檔案,實際上StoreFile就是對HFile做了輕量級包裝,即StoreFile底層就是HFile
2. HLog File,HBase中WAL(Write Ahead Log) 的存儲格式,物理上是Hadoop的Sequence File
HFile
下圖是HFile的存儲格式:
首先HFile檔案是不定長的,長度固定的只有其中的兩塊:Trailer和FileInfo。正如圖中所示的,Trailer中有
指針 指向其他
數據塊 的起始點。File Info中記錄了檔案的一些Meta信息,例如:AVG_KEY_LEN, AVG_VALUE_LEN, LAST_KEY, COMPARATOR, MAX_SEQ_ID_KEY等。Data Index和Meta Index塊記錄了每個Data塊和Meta塊的起始點。
Data Block是HBase I/O的
基本單元 ,為了提高效率,HRegionServer中有基於LRU的Block Cache機制。每個Data塊的大小可以在創建一個Table的時候通過參數指定,大號的Block有利於順序Scan,小號Block利於隨機查詢。每個Data塊除了開頭的Magic以外就是一個個KeyValue對拼接而成, Magic內容就是一些隨機數字,目的是防止數據損壞。後面會詳細介紹每個KeyValue對的內部構造。
HFile裡面的每個KeyValue對就是一個簡單的byte
數組 。但是這個byte
數組 裡面包含了很多項,並且有固定的結構。我們來看看裡面的具體結構:
開始是兩個固定長度的數值,分別表示Key的長度和Value的長度。緊接著是Key,開始是固定長度的數值,表示RowKey的長度,緊接著是RowKey,然後是固定長度的數值,表示Family的長度,然後是Family,接著是Qualifier,然後是兩個固定長度的數值,表示Time Stamp和Key Type(Put/Delete)。Value部分沒有這么複雜的結構,就是純粹的二進制數據了。
HLogFile
上圖中示意了HLog檔案的結構,其實HLog檔案就是一個普通的Hadoop Sequence File,Sequence File 的Key是HLogKey對象,HLogKey中記錄了寫入數據的歸屬信息,除了table和region名字外,同時還包括 sequence number和timestamp,timestamp是“寫入時間”,sequence number的起始值為0,或者是最近一次存入檔案系統中sequence number。
HLog Sequece File的Value是HBase的KeyValue對象,即對應HFile中的KeyValue,可參見上文描述。
文檔 HBase最新官方參考指南中文版(見參考資料)
HBase Reference Guide