HBase數據讀取流程解析

這篇文章主要講解了“HBase數據讀取流程解析”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“HBase數據讀取流程解析”吧！

Client-Server交互邏輯

運維開發了很長一段時間HBase，經常有業務同學咨詢為什么客戶端配置文件中沒有配置RegionServer的地址信息，這里針對這種疑問簡單的做下解釋，客戶端與HBase系統的交互階段主要有如下幾個步驟：

客戶端首先會根據配置文件中zookeeper地址連接zookeeper，并讀取//meta-region-server節點信息，該節點信息存儲HBase元數據(hbase:meta)表所在的RegionServer地址以及訪問端口等信息。用戶可以通過zookeeper命令(get  //meta-region-server)查看該節點信息。

根據hbase:meta所在RegionServer的訪問信息，客戶端會將該元數據表加載到本地并進行緩存。然后在表中確定待檢索rowkey所在的RegionServer信息。

根據數據所在RegionServer的訪問信息，客戶端會向該RegionServer發送真正的數據讀取請求。服務器端接收到該請求之后需要進行復雜的處理，具體的處理流程將會是這個專題的重點。

通過上述對客戶端以及HBase系統的交互分析，可以基本明確兩點：

客戶端只需要配置zookeeper的訪問地址以及根目錄，就可以進行正常的讀寫請求。不需要配置集群的RegionServer地址列表。

客戶端會將hbase:meta元數據表緩存在本地，因此上述步驟中前兩步只會在客戶端***次請求的時候發生，之后所有請求都直接從緩存中加載元數據。如果集群發生某些變化導致hbase:meta元數據更改，客戶端再根據本地元數據表請求的時候就會發生異常，此時客戶端需要重新加載一份***的元數據表到本地。

RegionServer接收到客戶端的get/scan請求之后，先后做了兩件事情：構建scanner體系(實際上就是做一些scan前的準備工作)，在此體系基礎上一行一行檢索。舉個不太合適但易于理解的例子，scan數據就和開發商蓋房一樣，也是分成兩步：組建施工隊體系，明確每個工人的職責;一層一層蓋樓。

構建scanner體系-組建施工隊

scanner體系的核心在于三層scanner：RegionScanner、StoreScanner以及StoreFileScanner。三者是層級的關系，一個RegionScanner由多個StoreScanner構成，一張表由多個列族組成，就有多少個StoreScanner負責該列族的數據掃描。一個StoreScanner又是由多個StoreFileScanner組成。每個Store的數據由內存中的MemStore和磁盤上的StoreFile文件組成，相對應的，StoreScanner對象會雇傭一個MemStoreScanner和N個StoreFileScanner來進行實際的數據讀取，每個StoreFile文件對應一個StoreFileScanner，注意：StoreFileScanner和MemstoreScanner是整個scan的最終執行者。

對應于建樓項目，一棟樓通常由好幾個單元樓構成(每個單元樓對應于一個Store)，每個單元樓會請一個監工(StoreScanner)負責該單元樓的建造。而監工一般不做具體的事情，他負責招募很多工人(StoreFileScanner)，這些工人才是建樓的主體。下圖是整個構建流程圖：

RegionScanner會根據列族構建StoreScanner，有多少列族就構建多少StoreScanner，用于負責該列族的數據檢索

1.1  構建StoreFileScanner：每個StoreScanner會為當前該Store中每個HFile構造一個StoreFileScanner，用于實際執行對應文件的檢索。同時會為對應Memstore構造一個MemstoreScanner，用于執行該Store中Memstore的數據檢索。該步驟對應于監工在人才市場招募建樓所需的各種類型工匠。

1.2 過濾淘汰StoreFileScanner：根據Time Range以及RowKey  Range對StoreFileScanner以及MemstoreScanner進行過濾，淘汰肯定不存在待檢索結果的Scanner。上圖中StoreFile3因為檢查RowKeyRange不存在待檢索Rowkey所以被淘汰。該步驟針對具體的建樓方案，裁撤掉部分不需要的工匠，比如這棟樓不需要地暖安裝，對應的工匠就可以撤掉。

1.3 Seek  rowkey：所有StoreFileScanner開始做準備工作，在負責的HFile中定位到滿足條件的起始Row。工匠也開始準備自己的建造工具，建造材料，找到自己的工作地點，等待一聲命下。就像所有重要項目的準備工作都很核心一樣，Seek過程(此處略過Lazy  Seek優化)也是一個很核心的步驟，它主要包含下面三步：

定位Block Offset：在Blockcache中讀取該HFile的索引樹結構，根據索引樹檢索對應RowKey所在的Block  Offset和Block Size

Load Block：根據BlockOffset首先在BlockCache中查找Data Block，如果不在緩存，再在HFile中加載

Seek Key：在Data Block內部通過二分查找的方式定位具體的RowKey

整體流程細節參見《HBase原理-探索HFile索引機制》，文中詳細說明了HFile索引結構以及如何通過索引結構定位具體的Block以及RowKey

1.4  StoreFileScanner合并構建最小堆：將該Store中所有StoreFileScanner和MemstoreScanner合并形成一個heap(最小堆)，所謂heap是一個優先級隊列，隊列中元素是所有scanner，排序規則按照scanner  seek到的keyvalue大小由小到大進行排序。這里需要重點關注三個問題，首先為什么這些Scanner需要由小到大排序，其次keyvalue是什么樣的結構，***，keyvalue誰大誰小是如何確定的：

為什么這些Scanner需要由小到大排序?

最直接的解釋是scan的結果需要由小到大輸出給用戶，當然，這并不全面，最合理的解釋是只有由小到大排序才能使得scan效率***。舉個簡單的例子，HBase支持數據多版本，假設用戶只想獲取***版本，那只需要將這些數據由***到最舊進行排序，然后取隊首元素返回就可以。那么，如果不排序，就只能遍歷所有元素，查看符不符合用戶查詢條件。這就是排隊的意義。

工匠們也需要排序，先做地板的排前面，做墻體的次之，***是做門窗戶的。做墻體的內部還需要再排序，做內墻的排前面，做外墻的排后面，這樣，假如設計師臨時決定不做外墻的話，就可以直接跳過外墻部分工作。很顯然，如果不排序的話，是沒辦法臨時做決定的，因為這部分工作已經可能做掉了。

HBase中KeyValue是什么樣的結構?

HBase中KeyValue并不是簡單的KV數據對，而是一個具有復雜元素的結構體，其中Key由RowKey，ColumnFamily，Qualifier  ，TimeStamp，KeyType等多部分組成，Value是一個簡單的二進制數據。Key中元素KeyType表示該KeyValue的類型，取值分別為Put/Delete/Delete  Column/Delete Family四種。KeyValue可以表示為如下圖所示：

了解了KeyValue的邏輯結構后，我們不妨再進一步從原理的角度想想HBase的開發者們為什么如此對其設計。這個就得從HBase所支持的數據操作說起了，HBase支持四種主要的數據操作，分別是Get/Scan/Put/Delete，其中Get和Scan代表數據查詢，Put操作代表數據插入或更新(如果Put的RowKey不存在則為插入操作、否則為更新操作)，特別需要注意的是HBase中更新操作并不是直接覆蓋修改原數據，而是生成新的數據，新數據和原數據具有不同的版本(時間戳);Delete操作執行數據刪除，和數據更新操作相同，HBase執行數據刪除并不會馬上將數據從數據庫中***刪除，而只是生成一條刪除記錄，***在系統執行文件合并的時候再統一刪除。

HBase中更新刪除操作并不直接操作原數據，而是生成一個新紀錄，那問題來了，如何知道一條記錄到底是插入操作還是更新操作亦或是刪除操作呢?這正是KeyType和Timestamp的用武之地。上文中提到KeyType取值為分別為Put/Delete/Delete  Column/Delete  Family四種，如果KeyType取值為Put，表示該條記錄為插入或者更新操作，而無論是插入或者更新，都可以使用版本號(Timestamp)對記錄進行選擇;如果KeyType為Delete，表示該條記錄為整行刪除操作;相應的KeyType為Delete  Column和Delete Family分別表示刪除某行某列以及某行某列族操作;

不同KeyValue之間如何進行大小比較?

上文提到KeyValue中Key由RowKey，ColumnFamily，Qualifier  ，TimeStamp，KeyType等5部分組成，HBase設定Key大小首先比較RowKey，RowKey越小Key就越小;RowKey如果相同就看CF，CF越小Key越小;CF如果相同看Qualifier，Qualifier越小Key越小;Qualifier如果相同再看Timestamp，Timestamp越大表示時間越新，對應的Key越小。如果Timestamp還相同，就看KeyType，KeyType按照DeleteFamily  -> DeleteColumn -> Delete -> Put 順序依次對應的Key越來越大。

2.  StoreScanner合并構建最小堆：上文討論的是一個監工如何構建自己的工匠師團隊以及工匠師如何做準備工作、排序工作。實際上，監工也需要進行排序，比如一單元的監工排前面，二單元的監工排之后…  StoreScanner一樣，列族小的StoreScanner排前面，列族大的StoreScanner排后面。

scan查詢-層層建樓

構建Scanner體系是為了更好地執行scan查詢，就像組建工匠師團隊就是為了蓋房子一樣。scan查詢總是一行一行查詢的，先查***行的所有數據，再查第二行的所有數據，但每一行的查詢流程卻沒有什么本質區別。蓋房子也一樣，無論是蓋8層還是蓋18層，都需要一層一層往上蓋，而且每一層的蓋法并沒有什么區別。所以實際上我們只需要關注其中一行數據是如何查詢的就可以。

對于一行數據的查詢，又可以分解為多個列族的查詢，比如RowKey=row1的一行數據查詢，首先查詢列族1上該行的數據集合，再查詢列族2里該行的數據集合。同樣是蓋***層房子，先蓋一單元的一層，再改二單元的一層，蓋完之后才算一層蓋完，接著開始蓋第二層。所以我們也只需要關注某一行某個列族的數據是如何查詢的就可以。

還記得Scanner體系構建的最終結果是一個由StoreFileScanner和MemstoreScanner組成的heap(最小堆)么，這里就派上用場了。下圖是一張表的邏輯視圖，該表有兩個列族cf1和cf2(我們只關注cf1)，cf1只有一個列name，表中有5行數據，其中每個cell基本都有多個版本。cf1的數據假如實際存儲在三個區域，memstore中有r2和r4的***數據，hfile1中是最早的數據。現在需要查詢RowKey=r2的數據，按照上文的理論對應的Scanner指向就如圖所示：

這三個Scanner組成的heap為，Scanner由小到大排列。查詢的時候首先pop出heap的堆頂元素，即MemstoreScanner，得到keyvalue  = r2:cf1:name:v3:name23的數據，拿到這個keyvalue之后，需要進行如下判定：

檢查該KeyValue的KeyType是否是Deleted/DeletedCol等，如果是就直接忽略該列所有其他版本，跳到下列(列族)

檢查該KeyValue的Timestamp是否在用戶設定的Timestamp Range范圍，如果不在該范圍，忽略

檢查該KeyValue是否滿足用戶設置的各種filter過濾器，如果不滿足，忽略

檢查該KeyValue是否滿足用戶查詢中設定的版本數，比如用戶只查詢***版本，則忽略該cell的其他版本;反正如果用戶查詢所有版本，則還需要查詢該cell的其他版本。

現在假設用戶查詢所有版本而且該keyvalue檢查通過，此時當前的堆頂元素需要執行next方法去檢索下一個值，并重新組織最小堆。即圖中MemstoreScanner將會指向r4，重新組織最小堆之后最小堆將會變為，堆頂元素變為StoreFileScanner2，得到keyvalue=r2:cf1:name:v2:name22，進行一系列判定，再next，再重新組織最小堆…

感謝各位的閱讀，以上就是“HBase數據讀取流程解析”的內容了，經過本文的學習后，相信大家對HBase數據讀取流程解析這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！