1.核心组件及流程
- scan过程总体上是分层处理的，与存储上的组织方式一致，脉络比较清晰；
- 具体来说，就是region→store→hfile/memstore，分别都有对应的scanner实现进行数据读取；
- scan请求本身设置的条件，以及server和table层面的一些参数限制，会根据需要分布在不同层次的scanner中进行处理；
2.RegionScanner
序列图：https://www.processon.com/view/link/5d5cef1de4b0145255c20846
- RegionScanner的实现类在HRegion内部定义，为RegionScannerImpl；
- 该类内部主要通过一个优先级队列(heap)和一个scanner类型的指针(current)进行驱动，不断的从StoreScanner中获取数据；
下面分步说明一下数据驱动的过程：
(图1)
(图2)
(图3)
(图4)
假设startrow和stoprow分别为r1和r3。
- 1：创建指定的各个列族对应的storeScanner，如果未指定则是全部列族；
- 2：storeScanner创建过程中，会根据startrow参数，seek到对应cell；
- 3：将这些storeScanner放入一个heap中，heap为优先级队列，比较器的compare方法中比较的是KeyValueScanner所peek到的cell大小，如图1；
- 4：全部放入到heap使其有序，poll方法得到最小的storeScanner，即storeScannerB，将其赋值给current，如图2；
- 5：调用current的next方法，该方法会获取一行的全部cell，获取完后内部已seek到下一行，如图3；
- 6：再将current放回到heap中，此时会形成新的顺序，如图4；
- 7：重复4到6步，直到新的行大于或等于r3；
3.StoreScanner
序列图：https://www.processon.com/view/link/5d5f4496e4b04e664f2ee80c
- StoreScanner的数据驱动方式与RegionScanner类似，也是使用heap和current去进行控制；
- 除了数据获取之外，该类比较重要的1个部分是数据的检查，相关逻辑封装在ScanQueryMatcher中；
- ScanQueryMatcher中主要包含2个组件：DeleteTracker和ColumnTracker，前者负责处理delete逻辑，后者负责检查当前cell的column、version及value等是否符合要求；
- 另外，在getScanners的过程中会根据keyRange、timeRange、bloomBlock等对storeFile进行过滤，以减少数据的读取；
matcher返回的code及含义说明如下：
#丢弃当前cell，继续处理下个cell
SKIP
#丢弃当前cell，并推进到下个column
SEEK_NEXT_COL
#丢弃当前cell，并推进到下个row
SEEK_NEXT_ROW
#保留当前cell，继续处理下个cell
INCLUDE
#保留当前cell，并推进到下个column
INCLUDE_AND_SEEK_NEXT_COL
#保留当前cell，并推进到下个row
INCLUDE_AND_SEEK_NEXT_ROW
#当前row已完成
DONE
#整个scan已完成
DONE_SCAN
#丢弃当前cell，并推进到下个指定的cell，由少数filter用到
SEEK_NEXT_USING_HINT4.storeFileScanner
序列图：https://www.processon.com/view/link/5d638e4fe4b0145255c7c5e4
- storeFileScanner是真正涉及到hfile数据读取的地方，会根据rowKey，基于内存中indexBlock的数据定位到具体的dataBlock位置，以block为单位进行读取；
- 读取后的block数据在内存中以ByteBuffer的形式存在，而blockSeek方法会将这个ByteBuffer的position推动到合适位置的过程；
- 接下来，会读取一个cell的数据作为返回，使上层的storeScanner能够据此对各个storeFileScanner进行排序；
- 值得一提的是，实际实现中，还存在lazySeek的优化，大致原理是根据hfile中存储的最小time，返回一个假的cell，如果该cell都不能排在前面，那就不需要关心真实的cell是什么了，等到该cell能够排在最前面的时候，再进行realSeek，这个机制对于各个hfile按时间存在明显分界并且主要读取近期数据的场景，可以有效减少实际的数据读取量；