HBase架構深入解析(一)

前記

公司內部使用的是MapR版本的Hadoop生態系統，因而從MapR的官網看到了這篇文文章： An In-Depth Look at the HBase Architecture ，原本想翻譯全文，然而如果翻譯就需要各種咬文嚼字，太麻煩，因而本文大部分使用了自己的語言，并且加入了其他資源的參考理解以及本人自己讀源碼時對其的理解，屬于半翻譯、半原創吧。

HBase架構組成

HBase采用Master/Slave架構搭建集群，它隸屬于Hadoop生態系統，由一下類型節點組成：HMaster節點、HRegionServer節點、ZooKeeper集群，而在底層，它將數據存儲于HDFS中，因而涉及到HDFS的NameNode、DataNode等，總體結構如下：

其中 HMaster節點 用于：

1. 管理HRegionServer，實現其負載均衡。

2. 管理和分配HRegion，比如在HRegion split時分配新的HRegion；在HRegionServer退出時遷移其內的HRegion到其他HRegionServer上。

3. 實現DDL操作（Data Definition Language，namespace和table的增刪改，column familiy的增刪改等）。

4. 管理namespace和table的元數據（實際存儲在HDFS上）。

5. 權限控制（ACL）。

HRegionServer節點 用于：

1. 存放和管理本地HRegion。

2. 讀寫HDFS，管理Table中的數據。

3. Client直接通過HRegionServer讀寫數據（從HMaster中獲取元數據，找到RowKey所在的HRegion/HRegionServer后）。

ZooKeeper集群是協調系統 ，用于：

1. 存放整個 HBase集群的元數據以及集群的狀態信息。

2. 實現HMaster主從節點的failover。

HBase Client通過RPC方式和HMaster、HRegionServer通信；一個HRegionServer可以存放1000個HRegion；底層Table數據存儲于HDFS中，而HRegion所處理的數據盡量和數據所在的DataNode在一起，實現數據的本地化；數據本地化并不是總能實現，比如在HRegion移動(如因Split)時，需要等下一次Compact才能繼續回到本地化。

本著半翻譯的原則，再貼一個《An In-Depth Look At The HBase Architecture》的架構圖：

這個架構圖比較清晰的表達了HMaster和NameNode都支持多個熱備份，使用ZooKeeper來做協調；ZooKeeper并不是云般神秘，它一般由三臺機器組成一個集群，內部使用PAXOS算法支持三臺Server中的一臺宕機，也有使用五臺機器的，此時則可以支持同時兩臺宕機，既少于半數的宕機，然而隨著機器的增加，它的性能也會下降；RegionServer和DataNode一般會放在相同的Server上實現數據的本地化。

HRegion

HBase使用RowKey將表水平切割成多個HRegion，從HMaster的角度，每個HRegion都紀錄了它的StartKey和EndKey（第一個HRegion的StartKey為空，最后一個HRegion的EndKey為空），由于RowKey是排序的，因而Client可以通過HMaster快速的定位每個RowKey在哪個HRegion中。HRegion由HMaster分配到相應的HRegionServer中，然后由HRegionServer負責HRegion的啟動和管理，和Client的通信，負責數據的讀(使用HDFS)。每個HRegionServer可以同時管理1000個左右的HRegion（這個數字怎么來的？沒有從代碼中看到限制，難道是出于經驗？超過1000個會引起性能問題？ 來回答這個問題 ：感覺這個1000的數字是從BigTable的論文中來的（5 Implementation節）：Each tablet server manages a set of tablets(typically we have somewhere between ten to a thousand tablets per tablet server)）。

HMaster

HMaster沒有單點故障問題，可以啟動多個HMaster，通過ZooKeeper的Master Election機制保證同時只有一個HMaster出于Active狀態，其他的HMaster則處于熱備份狀態。一般情況下會啟動兩個HMaster，非Active的HMaster會定期的和Active HMaster通信以獲取其最新狀態，從而保證它是實時更新的，因而如果啟動了多個HMaster反而增加了Active HMaster的負擔。前文已經介紹過了HMaster的主要用于HRegion的分配和管理，DDL(Data Definition Language，既Table的新建、刪除、修改等)的實現等，既它主要有兩方面的職責：

1. 協調HRegionServer

1. 啟動時HRegion的分配，以及負載均衡和修復時HRegion的重新分配。

2. 監控集群中所有HRegionServer的狀態(通過Heartbeat和監聽ZooKeeper中的狀態)。
   

2. Admin職能

1. 創建、刪除、修改Table的定義。
   

ZooKeeper：協調者

ZooKeeper為HBase集群提供協調服務，它管理著HMaster和HRegionServer的狀態(available/alive等)，并且會在它們宕機時通知給HMaster，從而HMaster可以實現HMaster之間的failover，或對宕機的HRegionServer中的HRegion集合的修復(將它們分配給其他的HRegionServer)。ZooKeeper集群本身使用一致性協議(PAXOS協議)保證每個節點狀態的一致性。

How The Components Work Together

ZooKeeper協調集群所有節點的共享信息，在HMaster和HRegionServer連接到ZooKeeper后創建Ephemeral節點，并使用Heartbeat機制維持這個節點的存活狀態，如果某個Ephemeral節點實效，則HMaster會收到通知，并做相應的處理。

另外，HMaster通過監聽ZooKeeper中的Ephemeral節點(默認：/hbase/rs/*)來監控HRegionServer的加入和宕機。在第一個HMaster連接到ZooKeeper時會創建Ephemeral節點(默認：/hbasae/master)來表示Active的HMaster，其后加進來的HMaster則監聽該Ephemeral節點，如果當前Active的HMaster宕機，則該節點消失，因而其他HMaster得到通知，而將自身轉換成Active的HMaster，在變為Active的HMaster之前，它會創建在/hbase/back-masters/下創建自己的Ephemeral節點。

HBase的第一次讀寫

在HBase 0.96以前，HBase有兩個特殊的Table：-ROOT-和.META.（如 BigTable 中的設計），其中-ROOT- Table的位置存儲在ZooKeeper，它存儲了.META. Table的RegionInfo信息，并且它只能存在一個HRegion，而.META. Table則存儲了用戶Table的RegionInfo信息，它可以被切分成多個HRegion，因而對第一次訪問用戶Table時，首先從ZooKeeper中讀取-ROOT- Table所在HRegionServer；然后從該HRegionServer中根據請求的TableName，RowKey讀取.META. Table所在HRegionServer；最后從該HRegionServer中讀取.META. Table的內容而獲取此次請求需要訪問的HRegion所在的位置，然后訪問該HRegionSever獲取請求的數據，這需要三次請求才能找到用戶Table所在的位置，然后第四次請求開始獲取真正的數據。當然為了提升性能，客戶端會緩存-ROOT- Table位置以及-ROOT-/.META. Table的內容。如下圖所示：

可是即使客戶端有緩存，在初始階段需要三次請求才能直到用戶Table真正所在的位置也是性能低下的，而且真的有必要支持那么多的HRegion嗎？或許對Google這樣的公司來說是需要的，但是對一般的集群來說好像并沒有這個必要。在BigTable的論文中說，每行METADATA存儲1KB左右數據，中等大小的Tablet(HRegion)在128MB左右，3層位置的Schema設計可以支持2^34個Tablet(HRegion)。即使去掉-ROOT- Table，也還可以支持2^17(131072)個HRegion， 如果每個HRegion還是128MB，那就是16TB，這個貌似不夠大，但是現在的HRegion的最大大小都會設置的比較大，比如我們設置了2GB，此時支持的大小則變成了4PB，對一般的集群來說已經夠了，因而在HBase 0.96以后去掉了-ROOT- Table，只剩下這個特殊的目錄表叫做Meta Table(hbase:meta)，它存儲了集群中所有用戶HRegion的位置信息，而ZooKeeper的節點中(/hbase/meta-region-server)存儲的則直接是這個Meta Table的位置，并且這個Meta Table如以前的-ROOT- Table一樣是不可split的。這樣，客戶端在第一次訪問用戶Table的流程就變成了：

1. 從ZooKeeper(/hbase/meta-region-server)中獲取hbase:meta的位置（HRegionServer的位置），緩存該位置信息。

2. 從HRegionServer中查詢用戶Table對應請求的RowKey所在的HRegionServer，緩存該位置信息。

3. 從查詢到HRegionServer中讀取Row。

從這個過程中，我們發現客戶會緩存這些位置信息，然而第二步它只是緩存當前RowKey對應的HRegion的位置，因而如果下一個要查的RowKey不在同一個HRegion中，則需要繼續查詢hbase:meta所在的HRegion，然而隨著時間的推移，客戶端緩存的位置信息越來越多，以至于不需要再次查找hbase:meta Table的信息，除非某個HRegion因為宕機或Split被移動，此時需要重新查詢并且更新緩存。

hbase:meta表

hbase:meta表存儲了所有用戶HRegion的位置信息，它的RowKey是：tableName,regionStartKey,regionId,replicaId等，它只有info列族，這個列族包含三個列，他們分別是：info:regioninfo列是RegionInfo的proto格式：regionId,tableName,startKey,endKey,offline,split,replicaId；info:server格式：HRegionServer對應的server:port；info:serverstartcode格式是HRegionServer的啟動時間戳。

HRegionServer詳解

HRegionServer一般和DataNode在同一臺機器上運行，實現數據的本地性。HRegionServer包含多個HRegion，由WAL(HLog)、BlockCache、MemStore、HFile組成。

1. WAL即Write Ahead Log ，在早期版本中稱為HLog，它是HDFS上的一個文件，如其名字所表示的，所有寫操作都會先保證將數據寫入這個Log文件后，才會真正更新MemStore，最后寫入HFile中。采用這種模式，可以保證HRegionServer宕機后，我們依然可以從該Log文件中讀取數據，Replay所有的操作，而不至于數據丟失。這個Log文件會定期Roll出新的文件而刪除舊的文件(那些已持久化到HFile中的Log可以刪除)。WAL文件存儲在/hbase/WALs/${HRegionServer_Name}的目錄中(在0.94之前，存儲在/hbase/.logs/目錄中)，一般一個HRegionServer只有一個WAL實例，也就是說一個HRegionServer的所有WAL寫都是串行的(就像log4j的日志寫也是串行的)，這當然會引起性能問題，因而在HBase 1.0之后，通過 HBASE-5699 實現了多個WAL并行寫(MultiWAL)，該實現采用HDFS的多個管道寫，以單個HRegion為單位。關于WAL可以參考Wikipedia的 Write-Ahead Logging 。順便吐槽一句，英文版的維基百科竟然能毫無壓力的正常訪問了，這是某個GFW的疏忽還是以后的常態？

2. BlockCache是一個讀緩存 ，即“引用局部性”原理（也應用于CPU， 分空間局部性和時間局部性 ，空間局部性是指CPU在某一時刻需要某個數據，那么有很大的概率在一下時刻它需要的數據在其附近；時間局部性是指某個數據在被訪問過一次后，它有很大的概率在不久的將來會被再次的訪問），將數據預讀取到內存中，以提升讀的性能。HBase中提供兩種BlockCache的實現：默認on-heap LruBlockCache和BucketCache(通常是off-heap)。通常BucketCache的性能要差于LruBlockCache，然而由于GC的影響，LruBlockCache的延遲會變的不穩定，而BucketCache由于是自己管理BlockCache，而不需要GC，因而它的延遲通常比較穩定，這也是有些時候需要選用BucketCache的原因。這篇文章 BlockCache101 對on-heap和off-heap的BlockCache做了詳細的比較。

HRegion是一個Table中的一個Region在一個HRegionServer中的表達 。一個Table可以有一個或多個Region，他們可以在一個相同的HRegionServer上，也可以分布在不同的HRegionServer上，一個HRegionServer可以有多個HRegion，他們分別屬于不同的Table。HRegion由多個Store(HStore)構成，每個HStore對應了一個Table在這個HRegion中的一個Column Family，即每個Column Family就是一個集中的存儲單元，因而最好將具有相近IO特性的Column存儲在一個Column Family，以實現高效讀取(數據局部性原理，可以提高緩存的命中率)。HStore是HBase中存儲的核心，它實現了讀寫HDFS功能，一個HStore由一個MemStore 和0個或多個StoreFile組成。

1. MemStore是一個寫緩存 (In Memory Sorted Buffer)，所有數據的寫在完成WAL日志寫后，會 寫入MemStore中，由MemStore根據一定的算法將數據Flush到地層HDFS文件中(HFile)，通常每個HRegion中的每個 Column Family有一個自己的MemStore。

2. HFile(StoreFile) 用于存儲HBase的數據(Cell/KeyValue) 。在HFile中的數據是按RowKey、Column Family、Column排序，對相同的Cell(即這三個值都一樣)，則按timestamp倒序排列。

雖然上面這張圖展現的是最新的HRegionServer的架構(但是并不是那么的精確)，但是我一直比較喜歡看以下這張圖，即使它展現的應該是0.94以前的架構。

HRegionServer中數據寫流程圖解

當客戶端發起一個Put請求時，首先它從hbase:meta表中查出該Put數據最終需要去的HRegionServer。然后客戶端將Put請求發送給相應的HRegionServer，在HRegionServer中它首先會將該Put操作寫入WAL日志文件中(Flush到磁盤中)。

寫完WAL日志文件后，HRegionServer根據Put中的TableName和RowKey找到對應的HRegion，并根據Column Family找到對應的HStore，并將Put寫入到該HStore的MemStore中。此時寫成功，并返回通知客戶端。

MemStore Flush

MemStore是一個In Memory Sorted Buffer，在每個HStore中都有一個MemStore，即它是一個HRegion的一個Column Family對應一個實例。它的排列順序以RowKey、Column Family、Column的順序以及Timestamp的倒序，如下所示：

每一次Put/Delete請求都是先寫入到MemStore中，當MemStore滿后會Flush成一個新的StoreFile(底層實現是HFile)，即一個HStore(Column Family)可以有0個或多個StoreFile(HFile)。有以下三種情況可以觸發MemStore的Flush動作， 需要注意的是MemStore的最小Flush單元是HRegion而不是單個MemStore 。據說這是Column Family有個數限制的其中一個原因，估計是因為太多的Column Family一起Flush會引起性能問題？具體原因有待考證。

1. 當一個HRegion中的所有MemStore的大小總和超過了hbase.hregion.memstore.flush.size的大小，默認128MB。此時當前的HRegion中所有的MemStore會Flush到HDFS中。

2. 當全局MemStore的大小超過了hbase.regionserver.global.memstore.upperLimit的大小，默認40％的內存使用量。此時當前HRegionServer中所有HRegion中的MemStore都會Flush到HDFS中，Flush順序是MemStore大小的倒序（一個HRegion中所有MemStore總和作為該HRegion的MemStore的大小還是選取最大的MemStore作為參考？有待考證），直到總體的MemStore使用量低于hbase.regionserver.global.memstore.lowerLimit，默認38%的內存使用量。

3. 當前HRegionServer中WAL的大小超過了hbase.regionserver.hlog.blocksize * hbase.regionserver.max.logs的數量，當前HRegionServer中所有HRegion中的MemStore都會Flush到HDFS中，Flush使用時間順序，最早的MemStore先Flush直到WAL的數量少于hbase.regionserver.hlog.blocksize * hbase.regionserver.max.logs。 這里 說這兩個相乘的默認大小是2GB，查代碼，hbase.regionserver.max.logs默認值是32，而hbase.regionserver.hlog.blocksize是HDFS的默認blocksize，32MB。但不管怎么樣，因為這個大小超過限制引起的Flush不是一件好事，可能引起長時間的延遲，因而這篇文章給的建議：“ Hint : keep hbase.regionserver.hlog.blocksize * hbase.regionserver.maxlogs just a bit above hbase.regionserver.global.memstore.lowerLimit * HBASE_HEAPSIZE. ”。并且需要注意， 這里 給的描述是有錯的(雖然它是官方的文檔)。
   

在MemStore Flush過程中，還會在尾部追加一些meta數據，其中就包括Flush時最大的WAL sequence值，以告訴HBase這個StoreFile寫入的最新數據的序列，那么在Recover時就直到從哪里開始。在HRegion啟動時，這個sequence會被讀取，并取最大的作為下一次更新時的起始sequence。

HFile格式

HBase的數據以KeyValue(Cell)的形式順序的存儲在HFile中，在MemStore的Flush過程中生成HFile，由于MemStore中存儲的Cell遵循相同的排列順序，因而Flush過程是順序寫，我們直到磁盤的順序寫性能很高，因為不需要不停的移動磁盤指針。

HFile參考BigTable的SSTable和Hadoop的 TFile 實現，從HBase開始到現在，HFile經歷了三個版本，其中V2在0.92引入，V3在0.98引入。首先我們來看一下V1的格式：

V1的HFile由多個Data Block、Meta Block、FileInfo、Data Index、Meta Index、Trailer組成，其中Data Block是HBase的最小存儲單元，在前文中提到的BlockCache就是基于Data Block的緩存的。一個Data Block由一個魔數和一系列的KeyValue(Cell)組成，魔數是一個隨機的數字，用于表示這是一個Data Block類型，以快速監測這個Data Block的格式，防止數據的破壞。Data Block的大小可以在創建Column Family時設置(HColumnDescriptor.setBlockSize())，默認值是64KB，大號的Block有利于順序Scan，小號Block利于隨機查詢，因而需要權衡。Meta塊是可選的，FileInfo是固定長度的塊，它紀錄了文件的一些Meta信息，例如：AVG_KEY_LEN, AVG_VALUE_LEN, LAST_KEY, COMPARATOR, MAX_SEQ_ID_KEY等。Data Index和Meta Index紀錄了每個Data塊和Meta塊的其實點、未壓縮時大小、Key(起始RowKey？)等。Trailer紀錄了FileInfo、Data Index、Meta Index塊的起始位置，Data Index和Meta Index索引的數量等。其中FileInfo和Trailer是固定長度的。

HFile里面的每個KeyValue對就是一個簡單的byte數組。但是這個byte數組里面包含了很多項，并且有固定的結構。我們來看看里面的具體結構：

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，然后是固定長度的數值，表示Family的長度，然后是Family，接著是Qualifier，然后是兩個固定長度的數值，表示Time Stamp和Key Type（Put/Delete）。Value部分沒有這么復雜的結構，就是純粹的二進制數據了。 隨著HFile版本遷移，KeyValue(Cell)的格式并未發生太多變化，只是在V3版本，尾部添加了一個可選的Tag數組 。

HFileV1版本的在實際使用過程中發現它占用內存多，并且Bloom File和Block Index會變的很大，而引起啟動時間變長。其中每個HFile的Bloom Filter可以增長到100MB，這在查詢時會引起性能問題，因為每次查詢時需要加載并查詢Bloom Filter，100MB的Bloom Filer會引起很大的延遲；另一個，Block Index在一個HRegionServer可能會增長到總共6GB，HRegionServer在啟動時需要先加載所有這些Block Index，因而增加了啟動時間。為了解決這些問題，在0.92版本中引入HFileV2版本：

在這個版本中，Block Index和Bloom Filter添加到了Data Block中間，而這種設計同時也減少了寫的內存使用量；另外，為了提升啟動速度，在這個版本中還引入了延遲讀的功能，即在HFile真正被使用時才對其進行解析。

FileV3版本基本和V2版本相比，并沒有太大的改變，它在KeyValue(Cell)層面上添加了Tag數組的支持；并在FileInfo結構中添加了和Tag相關的兩個字段。關于具體HFile格式演化介紹，可以參考 這里 。

對HFileV2格式具體分析，它是一個多層的類B+樹索引，采用這種設計，可以實現查找不需要讀取整個文件：

Data Block中的Cell都是升序排列，每個block都有它自己的Leaf-Index，每個Block的最后一個Key被放入Intermediate-Index中，Root-Index指向Intermediate-Index。在HFile的末尾還有Bloom Filter用于快速定位那么沒有在某個Data Block中的Row；TimeRange信息用于給那些使用時間查詢的參考。在HFile打開時，這些索引信息都被加載并保存在內存中，以增加以后的讀取性能。

這篇就先寫到這里，未完待續。。。。

參考：

https://www.mapr.com/blog/in-depth-look-hbase-architecture#.VdNSN6Yp3qx
http://jimbojw.com/wiki/index.php?title=Understanding_Hbase_and_BigTable
http://hbase.apache.org/book.html 
http://www.searchtb.com/2011/01/understanding-hbase.html 
http://research.google.com/archive/bigtable-osdi06.pdf

原文轉自：http://www.blogjava.net/DLevin/archive/2015/08/22/426877.html