一、集群化方案
1、MySQL应用的演化
MySQL与HBase说到最核心的点，是一种数据存储方案。方案本身没有对错、没有好坏，只有合适与否。相信多数公司都与MySQL有着不解之缘，部分学校的课程甚至直接以SQL语言作为数据库讲解。我想借自身经历，先来谈谈MySQL应用的演化。
只有MySQL
笔者之前曾在一家O2O创业公司工作，公司所有数据都存储在同一个MySQL里，而且没有任何主备方案。相信这是很多初创公司会用到的一个典型解决办法，当时这台MySQL为用户、订单、物流服务，同时也为线下分析服务。
单实例的问题：
主从方案
随着业务增加，单个DB是无法承载这么多请求的。于是就有了主从复制、读写分离的解决方案。
master只负责写请求，slave同步master用来服务读请求：
主从功能的问题：
垂直拆分
业务继续增长，master甚至无法承载所有的写请求，数据库需要按业务拆分。
垂直拆分的问题：
水平拆分
业务继续增长，订单表有大量的并发写入，而且已经有了几千万行数据。
参考：大众点评订单系统分库分表实践
https://zhuanlan.zhihu.com/p/24036067
水平分库/分表带来的问题：
扩容：需要再次水平拆分的：修改map，迁移数据……
2、MySQL的问题
MySQL的主要瓶颈，单机单进程。CPU有限、内存/磁盘功能、连接数有限、网卡吞吐有限……
集群的限制点：
关系型数据库，纵向的外键相互join；
范式参考链接：https://zhuanlan.zhihu.com/p/20028672
集群的方案：
服务稳定性：主节点挂了，Proxy会将从节点升级为主节点；从节点挂了会被其它从节点替换。
3、HBase集群化解决方案
水平拆分：
单个region过大，RegionServer会将region均分为两个（自动、手工）。然后更新.META.表。
扩容方案：
RegionServer向HMaster汇报状态。HMaster为RegionServer负载均衡，调整其负责的region 。
增/删RegionServer后，会为重新调整region的分配方式。
服务稳定性：
RegionServer只是计算单元，挂掉后Hmaster可以随便再找一个节点代替坏节点服务。
事务性：
HBase只保证行级事务，单行数据肯定存在同一台机器（单机事务很好做）。
备份容灾：
RegionServer只是计算单元，挂掉后不影响服务。
二、性能取舍
1、数据请求流程
HBase：
MySQL：
Rquest的路由流程，MySQL与HBase基本一致，那么RegionServer与MySQL的性能差异如何呢？
2、Hbase写得快
新增
为什么MySQL建议自增主键？（MySQL随机插入的代价）
辅助索引，插入基本是随机的：
HBase可以随机插入：
修改
MySQL数据变化引起存储变动：
HBase直接将变化写入到memstore，没有其它开销。
删除
MySQL数据删除：
HBase只是在memstore记录删除标记，没有其它开销。
3、结论
HBase写入内存+后台刷盘（最多是WAL，磁盘顺序写）；MySQL需要维护B+树，大量的磁盘随机读写。
MySQL要求尽量追加写（自增 ID），速度较慢；HBase可以随机插入，速度很快。
MySQL读得快
MySQL数据是本地存储的，HBase是基于HDFS，有可能数据不在本地。
B+ 树天然的全局有序
根据主键查询，可以快速定位到数据所在磁盘块，只需要极少的磁盘IO即可拿到数据：通过缓存高层节点，主健查询只需要一次磁盘IO就可拿到数据；MySQL单表行数一般建议不会超过2千万，千万行以下的大表，B+树只需2~3层即可；
索引，提供快速定位能力：辅助索引B+树，可以快速定位到最终所需的主键ID，根据主键ID可以快速拿到所需信息。
HBase只有局部信息，没有辅助索引
MySQL成也B+，败也B+；HBase成也LSM，败也LSM。
4、附录
B+ 树
查询“值为25”的节点，只需要2次定位即可。
LSM树
查询“值为25”的节点，只需要4次定位即可。
三、优化思路
1、HBase优化点 (主要是读)
异步化
数据就近
快速检索
基于bloomfilter过滤：
正常检索，RegionServer会遍历所有Hfile查询所需数据。其中，需要遍历Hfile的索引块才能判断Hfile中是否有所需数据；
BloomFiler存储HFile的摘要，可以通过极少磁盘IO，快速判断当前HFile是否有所需数据：
基于timestamp过滤：
HFile存储结构：
HFile存储格式
参考链接：
https://link.zhihu.com/?target=https%3A//blog.csdn.net/yangbutao/article/details/8394149
MetaIndex存储Meta的索引信息，Meta存储一系列元信息；MetaIndex功能类似于B+树的非叶子节点；Meta存储bloomfiler等辅助信息。
2、MySQL优化点（主要是写）
查询缓存
将SQL执行结果放入缓存。
缓存B+高层节点
一千万行的大表，一般只需要一棵3层的B+树，其中索引节点 (非叶子节点) 的大小约20MB。完全可以考虑将大部叶子节点缓存，基于主键查询只需要一次IO。
减少随机写——缓冲：延迟写/批量写
上节提到，B+树通过自增主键大量减少随机插入。由于辅助索引的存在，插入、修改、删除操作，辅助索引可能引起大量的随机IO。
减少随机读——MRR
SELECT * FROM t WHERE key_part1 >= 1000 AND key_part1 < 2000 AND key_part2 = 10000;
# 普通操作分解：
key_part1= 1000， key_part2=1000， id = 1
select * from t where id=1
key_part1= 1001， key_part2=1000， id = 10
select * from t where id=10
...
# MRR 操作分解:
SELECT * FROM t WHERE key_part1 >= 1000 AND key_part1 < 2000 AND key_part2 = 10000;
key_part1= 1000， key_part2=1000， id = 1
buffer.append(1)
key_part1= 1000， key_part2=1000， id = 10
buffer.append(10)
...
sort(buffer)
select * from t where id in (buffer)索引下推
引擎层根据过滤条件过滤掉无用的行，减少数据量，进而优化server的性能。
3、集群化数据库的辅助索引
InnoDB的辅助索引
B+树全局有序，叶子节点存储的是主键。基于辅助索引定位主键，再用主键定位数据。MySQL水平切分后，没办法跨库维持建立全局有序索引：
HBase相同问题
可以做到全局信息的维护，但没法保证事务性。
4、HBase异步合并带来的好处
版本数量：基于后台合并，可以将太旧版本干掉。
四、总结
不知道BigTable的前辈们是出于什么思路，本人冒昧揣测一下，多少应该是受到SQL数据库的影响。个人感觉，这些或许就是一脉相承的演进，至少用这种思路学习不显突兀。HBase不是凭空而来，也绝对不是解决所有问题的万能灵丹。
最直接的存储思路肯定是“文件”，当“文件”不能满足需求，就有了数据的组织方式，进而演进到关系数据库如MySQL。
MySQL以其“单机”很好地解决了ACID问题，但是，性能再好的“单机”势必演变成“单点”瓶颈，进而，分布式思路成为必然。
最简单的是扩展读，“无限”挂slave；进而拆分写节点，多点写入：垂直拆库、水平拆库。一旦选择分布式，就涉及如何主从一致、如何发现节点、如何运维、ACID的如何保证等问题。
进而就是一系列分布式方案，而HBase就是其中一种解决思路——只读主库保证一致，水平拆分、zk等机制保证自动运维、单行级ACID。至于性能方面，由于存储思路不同，MySQL与HBase分别取舍了不同的读写性能。继而，就衍生出了如何针对性进行优化。
以这种思路，HBase不是凭空出现。以个人浅显的目光所及，没有完美的架构，也没有绝对厉害的设计。固然SQL类数据库有其独领风骚的场景，NoSQL数据库自然也有纵横驰骋的疆域，无论是哪种架构，都有自己鞭长莫及的角落。
所以，应该说任何一种方案都没有完美，只有合适。而所有的合适都是演变而来，万变不离其宗：更好的解决问题。
原文发布时间为：2018-06-19
本文作者：杨宏志