一條數據的HBase之旅，簡明HBase入門教程-開篇
一些常見的HBase新手問題
- 什么樣的數據適合用HBase來存儲？
- 既然HBase也是一個數據庫，能否用它將現有系統中昂貴的Oracle替換掉？
- 存放于HBase中的數據記錄，為何不直接存放于HDFS之上？
- 能否直接使用HBase來存儲文件數據？
- Region(HBase中的數據分片)遷移后，數據是否也會被遷移？
- 為何基于Spark/Hive分析HBase數據時性能較差？
開篇
用慣了Oracle/MySQL的同學們，心目中的數據表，應該是長成這樣的：
這種表結構規整，每一行都有固定的列構成，因此，非常適合結構化數據的存儲。但在NoSQL領域，數據表的模樣卻往往換成了另外一種"畫風"：
行由看似"雜亂無章"的列組成，行與行之間也無須遵循一致的定義，而這種定義恰好符合半結構化數據或非結構化數據的特點。本文所要講述的HBase，就屬于該派系的一個典型代表。這些"雜亂無章"的列所構成的多行數據，被稱之為一個"稀疏矩陣"，而上圖中的每一個"黑塊塊"，在HBase中稱之為一個KeyValue。
Apache HBase官方給出了這樣的定義：
Apache HBase™ is the Hadoop database, a distributed, scalable, big data store.
即：Apache HBase是基于Hadoop構建的一個分布式的、可伸縮的海量數據存儲系統。
HBase常被用來存放一些海量的(通常在TB級別以上)結構比較簡單的數據，如歷史訂單記錄，日志數據，監控Metris數據等等，HBase提供了簡單的基于Key值的快速查詢能力。
HBase在國內市場已經取得了非常廣泛的應用，在搜索引擎中，也可以看出來，HBase在國內呈現出了逐年上升的勢態：
從Apache HBase所關聯的github項目的commits統計信息來看，也可以看出來該項目非?；钴S：
(需要說明的一點：HBase中的每一次commit，都已經過社區Commiter成員嚴格的Review，在commit之前，一個Patch可能已經被修改了幾十個版本)
令人欣喜的是，國內的開發者也積極參與到了HBase社區貢獻中，而且被社區接納了多名PMC以及Committer成員。
本文將以一條數據在HBase中的“旅程”為線索，介紹HBase的核心概念與流程，幾乎每一部分都可以展開成一篇獨立的長文，但本文旨在讓讀者能夠快速的了解HBase的架構輪廓，所以很多特性/流程被被一言帶過，但這些特性在社區中往往經歷了漫長的開發過程。至于講什么以及講到什么程度，本文都做了艱難的取舍，在講解的過程中，將會穿插解答本文開始所提出的針對初學者的一些常見問題。
本文適用于HBase新手，而對于具備一定經驗的HBase開發人員，相信本文也可以提供一些有價值的參考。本文內容基于HBase 2.0 beta 2版本，對比于1.0甚至是更早期的版本，2.0出現了大量變化，下面這些問題的答案將揭示部分關鍵的變化（新手可以直接跳過這些問題）：
- HBase meta Region在哪里提供服務？
- HBase是否可以保證單行操作的原子性？
- Region中寫WAL與寫MemStore的順序是怎樣的？
- 你是否遇到過Region長時間處于RIT的狀態？ 你認為舊版本中Assignment Manager的主要問題是什么？
- 在面對Full GC問題時，你嘗試做過哪些優化？
- 你是否深究過HBase Compaction帶來的“寫放大”有多嚴重？
- HBase的RPC框架存在什么問題？
- 導致查詢時延毛刺的原因有哪些？
本系列文章的整體行文思路如下：
- 介紹HBase數據模型
- 基于數據模型介紹HBase的適用場景
- 快速介紹集群關鍵角色以及集群部署建議
- 示例數據介紹
- 寫數據流程
- 讀數據流程
- 數據更新
- 負載均衡機制
- HBase如何存儲小文件數據
這些內容將會被拆成幾篇文章。至于集群服務故障的處理機制，集群工具，周邊生態，性能調優以及***實踐等進階內容，暫不放在本系列文章范疇內。
約定
- 本文范圍內針對一些關鍵特性/流程，使用了加粗以及加下劃線的方式做了強調，如"ProcedureV2"。這些特性往往在本文中僅僅被粗淺提及，后續計劃以獨立的文章來介紹這些特性/流程。
- 術語縮寫：對于一些進程/角色名稱，在本文范圍內可能通過縮寫形式來表述：
數據模型
RowKey
用來表示唯一一行記錄的主鍵，HBase的數據是按照RowKey的字典順序進行全局排序的，所有的查詢都只能依賴于這一個排序維度。
通過下面一個例子來說明一下"字典排序"的原理：
RowKey列表{"abc", "a", "bdf", "cdf", "defg"}按字典排序后的結果為{"a", "abc", "bdf", "cdf", "defg"}
也就是說，當兩個RowKey進行排序時，先對比兩個RowKey的***個字節，如果相同，則對比第二個字節，依次類推...如果在對比到第M個字節時，已經超出了其中一個RowKey的字節長度，那么，短的RowKey要被排在另外一個RowKey的前面。
稀疏矩陣
參考了Bigtable，HBase中一個表的數據是按照稀疏矩陣的方式組織的，"開篇"部分給出了一張關于HBase數據表的抽象圖，我們再結合下表來加深大家關于"稀疏矩陣"的印象：
看的出來：每一行中，列的組成都是靈活的，行與行之間并不需要遵循相同的列定義， 也就是HBase數據表"schema-less"的特點。
Region
區別于Cassandra/DynamoDB的"Hash分區"設計，HBase中采用了"Range分區"，將Key的完整區間切割成一個個的"Key Range" ，每一個"Key Range"稱之為一個Region。
也可以這么理解：將HBase中擁有數億行的一個大表，橫向切割成一個個"子表"，這一個個"子表"就是Region：
Region是HBase中負載均衡的基本單元，當一個Region增長到一定大小以后，會自動分裂成兩個。
Column Family
如果將Region看成是一個表的橫向切割，那么，一個Region中的數據列的縱向切割，稱之為一個Column Family。每一個列，都必須歸屬于一個Column Family，這個歸屬關系是在寫數據時指定的，而不是建表時預先定義。
KeyValue
KeyValue的設計不是源自Bigtable，而是要追溯至論文"The log-structured merge-tree(LSM-Tree)"。每一行中的每一列數據，都被包裝成獨立的擁有特定結構的KeyValue，KeyValue中包含了豐富的自我描述信息:
看的出來，KeyValue是支撐"稀疏矩陣"設計的一個關鍵點：一些Key相同的任意數量的獨立KeyValue就可以構成一行數據。但這種設計帶來的一個顯而易見的缺點：每一個KeyValue所攜帶的自我描述信息，會帶來顯著的數據膨脹。
適用場景
在介紹完了HBase的數據模型以后，我們可以回答本文一開始的前兩個問題：
- 什么樣的數據適合用HBase來存儲？
- 既然HBase也是一個數據庫，能否用它將現有系統中昂貴的Oracle替換掉？
HBase的數據模型比較簡單，數據按照RowKey排序存放，適合HBase存儲的數據，可以簡單總結如下：
- 以實體為中心的數據
實體可以包括但不限于如下幾種：
& 自然人／賬戶／手機號／車輛相關數據
& 用戶畫像數據（含標簽類數據）
& 圖數據（關系類數據）
描述這些實體的，可以有基礎屬性信息、實體關系(圖數據)、所發生的事件(如交易記錄、車輛軌跡點)等等。
- 以事件為中心的數據
- 監控數據
- 時序數據
- 實時位置類數據
- 消息/日志類數據
上面所描述的這些數據，有的是結構化數據，有的是半結構化或非結構化數據。HBase的“稀疏矩陣”設計，使其應對非結構化數據存儲時能夠得心應手，但在我們的實際用戶場景中，結構化數據存儲依然占據了比較重的比例。由于HBase僅提供了基于RowKey的單維度索引能力，在應對一些具體的場景時，依然還需要基于HBase之上構建一些專業的能力，如：
- OpenTSDB 時序數據存儲，提供基于Metrics+時間+標簽的一些組合維度查詢與聚合能力
- GeoMesa 時空數據存儲，提供基于時間+空間范圍的索引能力
- JanusGraph 圖數據存儲，提供基于屬性、關系的圖索引能力
HBase擅長于存儲結構簡單的海量數據但索引能力有限，而Oracle等傳統關系型數據庫(RDBMS)能夠提供豐富的查詢能力，但卻疲于應對TB級別的海量數據存儲，HBase對傳統的RDBMS并不是取代關系，而是一種補充。
HBase與HDFS
我們都知道HBase的數據是存儲于HDFS里面的，相信大家也都有這么的認知：
HBase是一個分布式數據庫，HDFS是一個分布式文件系統
理解了這一點，我們先來粗略回答本文已開始提出的其中兩個問題：
1. HBase中的數據為何不直接存放于HDFS之上？
HBase中存儲的海量數據記錄，通常在幾百Bytes到KB級別，如果將這些數據直接存儲于HDFS之上，會導致大量的小文件產生，為HDFS的元數據管理節點(NameNode)帶來沉重的壓力。
2. 文件能否直接存儲于HBase里面？
如果是幾MB的文件，其實也可以直接存儲于HBase里面，我們暫且將這類文件稱之為小文件，HBase提供了一個名為MOB的特性來應對這類小文件的存儲。但如果是更大的文件，強烈不建議用HBase來存儲，關于這里更多的原因，希望你在詳細讀完本系列文章所有內容之后能夠自己解答。
集群角色
關于集群環境，你可以使用國內外大數據廠商的平臺，如Cloudera，Hontonworks以及國內的華為，都發行了自己的企業版大數據平臺，另外，華為云、阿里云中也均推出了全托管式的HBase服務。
我們假設集群環境已經Ready了，先來看一下集群中的關鍵角色：
相信大部分人對這些角色都已經有了一定程度的了解，我們快速的介紹一下各個角色在集群中的主要職責：
- ZooKeeper
在一個擁有多個節點的分布式系統中，假設，只能有一個節點是主節點，如何快速的選舉出一個主節點而且讓所有的節點都認可這個主節點？這就是HBase集群中存在的一個最基礎***。
利用ZooKeeper就可以非常簡單的實現這類"仲裁"需求，ZooKeeper還提供了基礎的事件通知機制，所有的數據都以 ZNode的形式存在，它也稱得上是一個"微型數據庫"。
- NameNode
HDFS作為一個分布式文件系統，自然需要文件目錄樹的元數據信息，另外，在HDFS中每一個文件都是按照Block存儲的，文件與Block的關聯也通過元數據信息來描述。NameNode提供了這些元數據信息的存儲。
- DataNode
HDFS的數據存放節點。
- RegionServer
HBase的數據服務節點。
- Master
HBase的管理節點，通常在一個集群中設置一個主Master，一個備Master，主備角色的"仲裁"由ZooKeeper實現。 Master主要職責：
①負責管理所有的RegionServer。
②建表/修改表/刪除表等DDL操作請求的服務端執行主體。
③管理所有的數據分片(Region)到RegionServer的分配。
④如果一個RegionServer宕機或進程故障，由Master負責將它原來所負責的Regions轉移到其它的RegionServer上繼續提供服務。
⑤Master自身也可以作為一個RegionServer提供服務，該能力是可配置的。
集群部署建議
如果基于物理機/虛擬機部署，通常建議：
1. RegionServer與DataNode聯合部署，RegionServer與DataNode按1:1比例設置。
這種部署的優勢在于，RegionServer中的數據文件可以存儲一個副本于本機的DataNode節點中，從而在讀取時可以利用HDFS中的"短路徑讀取(Short Circuit)"來繞過網絡請求，降低讀取時延。
2. 管理節點獨立于數據節點部署
如果是基于物理機部署，每一臺物理機節點上可以設置幾個RegionServers/DataNodes來提升資源使用率。
也可以選擇基于容器來部署，如在HBaseCon Asia 2017大會知乎的演講主題中，就提到了知乎基于Kubernetes部署HBase服務的實踐。
對于公有云HBase服務而言，為了降低總體擁有成本(TCO)，通常選擇"計算與存儲物理分離"的方式，從架構上來說，可能導致平均時延略有下降，但可以借助于共享存儲底層的IO優化來做一些"彌補"。
HBase集群中的RegionServers可以按邏輯劃分為多個Groups，一個表可以與一個指定的Group綁定，可以將RegionServer Group理解成將一個大的集群劃分成了多個邏輯子集群，借此可以實現多租戶間的隔離，這就是HBase中的RegionServer Group特性。
示例數據
給出一份我們日常都可以接觸到的數據樣例，先簡單給出示例數據的字段定義：
本文力求簡潔，僅給出了最簡單的示例。如下是"虛構"的樣例數據：
在本文大部分內容中所涉及的一條數據，是上面加粗的***一行"Mobile1"為"13400006666"這行記錄。
寫數據之前：創建連接
Login
在啟用了安全特性的前提下，Login階段是為了完成用戶認證(確定用戶的合法身份)，這是后續一切安全訪問控制的基礎。
當前Hadoop/HBase僅支持基于Kerberos的用戶認證，ZooKeeper除了Kerberos認證，還能支持簡單的用戶名/密碼認證，但都基于靜態的配置，無法動態新增用戶。如果要支持其它第三方認證，需要對現有的安全框架做出比較大的改動。
創建Connection
Connection可以理解為一個HBase集群連接的抽象，建議使用ConnectionFactory提供的工具方法來創建。因為HBase當前提供了兩種連接模式：同步連接，異步連接，這兩種連接模式下所創建的Connection也是不同的。我們給出ConnectionFactory中關于獲取這兩種連接的典型方法定義：
Connection中主要維護著兩類共享的資源：
- 線程池
- Socket連接
這些資源都是在真正使用的時候才會被創建，因此，此時的連接還只是一個"虛擬連接"。
寫數據之前：創建數據表
DDL操作的抽象接口 - Admin
Admin定義了常規的DDL接口，列舉幾個典型的接口：
預設合理的數據分片 - Region
分片數量會給讀寫吞吐量帶來直接的影響，因此，建表時通常建議由用戶主動指定劃分Region分割點，來設定Region的數量。
HBase中數據是按照RowKey的字典順序排列的，為了能夠劃分出合理的Region分割點，需要依據如下幾點信息：
- Key的組成結構
- Key的數據分布預估
如果不能基于Key的組成結構來預估數據分布的話，可能會導致數據在Region間的分布不均勻
- 讀寫并發度需求
依據讀寫并發度需求，設置合理的Region數量
為表定義合理的Schema
既然HBase號稱"schema-less"的數據存儲系統，那何來的是"schema "？的確，在數據庫范式的支持上，HBase非常弱，這里的"schema"，主要指如下一些信息的設置：
1. NameSpace設置
2. Column Family的數量
3. 每一個Column Family中所關聯的一些關鍵配置：
① Compression
HBase當前可以支持Snappy，GZ，LZO，LZ4，Bzip2以及ZSTD壓縮算法
② DataBlock Encoding
HBase針對自身的特殊數據模型所做的一種壓縮編碼
③ BloomFilter
可用來協助快速判斷一條記錄是否存在
④ TTL
指定數據的過期時間
⑤ StoragePolicy
指定Column Family的存儲策略，可選項有："ALL_SSD"，"ONE_SSD"，"HOT"，"WARM"，"COLD"，"LAZY_PERSIST"
HBase中并不需要預先設置Column定義信息，這就是HBase schema less設計的核心。
Client發送建表請求到Master
建表的請求是通過RPC的方式由Client發送到Master:
- RPC接口基于Protocol Buffer定義
- 建表相關的描述參數，也由Protocol Buffer進行定義及序列化
Client端側調用了Master服務的什么接口，參數是什么，這些信息都被通過RPC通信傳輸到Master側，Master再依據這些接口\參數描述信息決定要執行的操作。2.0版本中，HBase目前已經支持基于Netty的異步RPC框架。
關于HBase RPC框架
早期的HBase RPC框架，完全借鑒了Hadoop中的實現，那時，Netty項目尚不盛行。
Master側接收到Client側的建表請求以后，一些主要操作包括：
1. 生成每一個Region的描述信息對象HRegionInfo，這些描述信息包括：Region ID, Region名稱，Key范圍，表名稱等信息。
2. 生成每一個Region在HDFS中的文件目錄。
3. 將HRegionInfo信息寫入到記錄元數據的hbase:meta表中。
說明
meta表位于名為"hbase"的namespace中，因此，它的全稱為"hbase:meta"。但在本系列文章范疇內，常將其縮寫為"meta"。
整個過程中，新表的狀態也是記錄在hbase:meta表中的，而不用再存儲在ZooKeeper中。
如果建表執行了一半，Master進程故障，如何處理？這里是由HBase自身提供的一個名為Procedure(V2)的框架來保障操作的事務性的，備Master接管服務以后，將會繼續完成整個建表操作。
一個被創建成功的表，還可以被執行如下操作：
- Disable 將所有的Region下線，該表暫停讀寫服務
- Enable 將一個Disable過的表重新Enable，也就是上線所有的Region來正常提供讀寫服務
- Alter 更改表或列族的描述信息
Master分配Regions
新創建的所有的Regions，通過AssignmentManager將這些Region按照輪詢(Round-Robin)的方式分配到每一個RegionServer中，具體的分配計劃是由LoadBalancer來提供的。
AssignmentManager負責所有Regions的分配/遷移操作，Master中有一個定時運行的線程，來檢查集群中的Regions在各個RegionServer之間的負載是否是均衡的，如果不均衡，則通過LoadBalancer生成相應的Region遷移計劃，HBase中支持多種負載均衡算法，有最簡單的僅考慮各RegionServer上的Regions數目的負載均衡算法，有基于遷移代價的負載均衡算法，也有數據本地化率優先的負載均衡算法，因為這一部分已經提供了插件化機制，用戶也可以自定義負載均衡算法。
總結
本文主要介紹了如下內容：
1. HBase項目概述，呈現了HBase社區的活躍度以及搜索引擎熱度等信息
2. HBase數據模型部分，講到了RowKey，稀疏矩陣，Region，Column Family，KeyValue等概念
3. 基于HBase的數據模型，介紹了HBase的適合場景（以實體/事件為中心的簡單結構的數據）
4. 介紹了HBase與HDFS的關系
5. 介紹了集群的關鍵角色：ZooKeeper, Master, RegionServer，NameNode, DataNode
6. 集群部署建議
7. 給出了一些示例數據
8. 寫數據之前的準備工作：建立集群連接，建表（建表時應該定義合理的Schema以及設置合理的Region數量），建表由Master處理，新創建的Regions由Region AssignmentManager負責分配到各個RegionServer。
下一篇文章將正式開始介紹寫數據的流程。
