HBase 读数据流程和存储数据流程、MemStore溢写合并、In-memory compaction介绍、compaction策略详解

2023-10-12 18:50:58

HBase 读数据流程和存储数据流程

从zookeeper找到meta表的region的位置，然后读取meta表中的数据。而meta中有存储了用户表的region信息

根据namespace、表名和rowkey根据meta表中的数据找到对应的region信息

找到对应的regionserver，查找对应的region

从MemStore找数据，再去BlockCache中找，如果没有，再到StoreFile上读

可以把MemStore理解为一级缓存，BlockCache为二级缓存，但注意scan的时候BlockCache意义不大，因为scan是顺序扫描

1、数据存储流程

HBase V2.x以前版本

写内存（MemStore）

二阶段StoreFiles合并

V2.x

In-memory compaction（带合并的写内存）

二阶段StoreFiles合并

HBase的数据存储过程是分为几个阶段的。写入的过程与HBase的LSM结构对应。

为了提高HBase的写入速度，数据都是先写入到MemStore（内存）结构中，V2.0 MemStore也会进行Compaction
MemStore写到一定程度（默认128M），由后台程序将MemStore的内容flush刷写到HDFS中的StoreFile
数据量较大时，会产生很多的StoreFile。这样对高效读取不利，HBase会将这些小的StoreFile合并，一般3-10个文件合并成一个更大的StoreFile

1.1 写入MemStore

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-709kkjMn-1641477845823)(…/…/mdfileImgPath/image-20220106212639786.png)]

Client访问zookeeper，从ZK中找到meta表的region位置
读取meta表中的数据，根据namespace、表名、rowkey获取对应的Region信息
通过刚刚获取的地址访问对应的RegionServer，拿到对应的表存储的RegionServer
去表所在的RegionServer进行数据的添加
查找对应的region，在region中寻找列族，先向MemStore中写入数据

1.2 MemStore溢写合并

1.2.1 说明

l 当MemStore写入的值变多，触发溢写操作（flush），进行文件的溢写，成为一个StoreFile

l 当溢写的文件过多时，会触发文件的合并（Compact）操作，合并有两种方式（major，minor）

1.2.2 触发条件

一旦MemStore达到128M时，则触发Flush溢出（Region级别）

<property>
    <name>hbase.hregion.memstore.flush.size</name>
    <value>134217728</value>
    <source>hbase-default.xml</source>
</property>

MemStore的存活时间超过1小时（默认），触发Flush溢写（RegionServer级别）

<property>
    <name>hbase.regionserver.optionalcacheflushinterval</name>
    <value>3600000</value>  
    <source>hbase-default.xml</source>  
</property>

1.3 In-memory合并

1.3.1 In-memory compaction介绍

In-memory合并是HBase 2.0之后添加的。它与默认的MemStore的区别：实现了在内存中进行compaction（合并）。

在CompactingMemStore中，数据是以段（Segment）为单位存储数据的。MemStore包含了多个segment。

当数据写入时，首先写入到的是Active segment中（也就是当前可以写入的segment段）
在2.0之前，如果MemStore中的数据量达到指定的阈值时，就会将数据flush到磁盘中的一个StoreFile
2.0的In-memory compaction，active segment满了后，将数据移动到pipeline中。这个过程跟以前不一样，以前是flush到磁盘，而这次是将Active segment的数据，移到称为pipeline的内存当中。一个pipeline中可以有多个segment。而In-memory compaction会将pipeline的多个segment合并为更大的、更紧凑的segment，这就是compaction
HBase会尽量延长CompactingMemStore的生命周期，以达到减少总的IO开销。当需要把CompactingMemStore flush到磁盘时，pipeline中所有的segment会被移动到一个snapshot中，然后进行合并后写入到HFile

1.3.2 compaction策略

但Active segment flush到pipeline中后，后台会触发一个任务来合并pipeline中的数据。合并任务会扫描pipeline中所有的segment，将segment的索引合并为一个索引。有三种合并策略：

basic（基础型）

Basic compaction策略不清理多余的数据版本，无需对cell的内存进行考核

basic适用于所有大量写模式

eager（饥渴型）

eager compaction会过滤重复的数据，清理多余的版本，这会带来额外的开销

eager模式主要针对数据大量过期淘汰的场景，例如：购物车、消息队列等

adaptive（适应型）

adaptive compaction根据数据的重复情况来决定是否使用eager策略

该策略会找出cell个数最多的一个，然后计算一个比例，如果比例超出阈值，则使用eager策略，否则使用basic策略

1.3.3 配置

可以通过hbase-site.xml来配置默认In Memory Compaction方式

<property>
    <name>hbase.hregion.compacting.memstore.type</name> 
    <value><none|basic|eager|adaptive></value>
</property>

在创建表的时候指定

create "test_memory_compaction", {NAME => 'C1', IN_MEMORY_COMPACTION => "BASIC"}

1.3.4 StoreFile合并

当MemStore超过阀值的时候，就要flush到HDFS上生成一个StoreFile。因此随着不断写入，HFile的数量将会越来越多，根据前面所述，StoreFile数量过多会降低读性能

为了避免对读性能的影响，需要对这些StoreFile进行compact操作，把多个HFile合并成一个HFile

compact操作需要对HBase的数据进行多次的重新读写，因此这个过程会产生大量的IO。可以看到compact操作的本质就是以IO操作换取后续的读性能的提高

1.3.4.1 minor compaction

1.3.4.1.1 说明

Minor Compaction操作只用来做部分文件的合并操作，包括minVersion=0并且设置ttl的过期版本清理，不做任何删除数据、多版本数据的清理工作

小范围合并，默认是3-10个文件进行合并，不会删除其他版本的数据

Minor Compaction则只会选择数个StoreFile文件compact为一个StoreFile

Minor Compaction的过程一般较快，而且IO相对较低

1.3.4.1.2 触发条件

在打开Region或者MemStore时会自动检测是否需要进行Compact（包括Minor、Major）

minFilesToCompact由hbase.hstore.compaction.min控制，默认值为3

即Store下面的StoreFile数量减去正在compaction的数量 >=3时，需要做compaction

1.3.4.2 major compaction

1.3.4.2.1 说明

l Major Compaction操作是对Region下的Store下的所有StoreFile执行合并操作，最终的结果是整理合并出一个文件

l 一般手动触发，会删除其他版本的数据（不同时间戳的）

1.3.4.2.2 触发条件

l 如果无需进行Minor compaction，HBase会继续判断是否需要执行Major Compaction

l 如果所有的StoreFile中，最老（时间戳最小）的那个StoreFile的时间间隔大于Major Compaction的时间间隔（hbase.hregion.majorcompaction——默认7天）

<property>  
    <name>hbase.hregion.majorcompaction</name>  
    <value>604800000</value>  
    <source>hbase-default.xml</source>  
</property>

604800000毫秒 = 604800秒 = 168小时 = 7天

码农公寓