一条数据的HBase之旅，简明HBase入门教程-Write全流程
xwfw
6年前
<p>本文基于提供的样例数据，介绍了写数据的接口，RowKey定义，数据在客户端的组装，数据路由，打包分发，以及RegionServer侧将数据写入到Region中的全部流程。</p> <p style="text-align: center;"><img src="https://simg.open-open.com/show/e8641f44e948f0b18d1474926e4f61f8.jpg"></p> <p>NoSQL漫谈</p> <h2>本文整体思路</h2> <ol> <li> <p>前文内容回顾</p> </li> <li> <p>示例数据</p> </li> <li> <p>HBase可选接口介绍</p> </li> <li> <p>表服务接口介绍</p> </li> <li> <p>介绍几种写数据的模式</p> </li> <li> <p>如何构建Put对象(包含RowKey定义以及列定义)</p> </li> <li> <p>数据路由</p> </li> <li> <p>Client侧的分组打包</p> </li> <li> <p>Client发RPC请求到RegionServer</p> </li> <li> <p>安全访问控制</p> </li> <li> <p>RegionServer侧处理：Region分发</p> </li> <li> <p>Region内部处理：写WAL</p> </li> <li> <p>Region内部处理：写MemStore</p> </li> </ol> <p>为了保证"故事 " 的完整性，导致本文篇幅过长，非常抱歉，读者可以按需跳过不感兴趣的内容。</p> <h2>前文回顾</h2> <p>上篇文章《 <a href="/misc/goto?guid=4959757633942898622" rel="nofollow,noindex">一条数据的HBase之旅，简明HBase入门教程-开篇</a> 》主要介绍了如下内容：</p> <ul> <li> <p>HBase项目概况(搜索引擎热度/社区开发活跃度)</p> </li> <li> <p>HBase数据模型(RowKey，稀疏矩阵，Region，Column Family，KeyValue)</p> </li> <li> <p>基于HBase的数据模型，介绍了HBase的适合场景（以 实体/事件 为中心的简单结构的数据）</p> </li> <li> <p>介绍了HBase与HDFS的关系，集群关键角色以及部署建议</p> </li> <li> <p>写数据前的准备工作：建立连接，建表</p> </li> </ul> <h2>示例数据</h2> <p>（上篇文章已经提及，这里再复制一次的原因，一是为了让下文内容更容易理解，二是个别字段名称做了调整）</p> <p>给出一份我们日常都可以接触到的数据样例，先简单给出示例数据的字段定义：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/b332c3492486c9fe1804646dc0feb9e9.jpg"></p> <p>示例数据字段定义</p> <p>本文力求简洁，仅给出了最简单的几个字段定义。如下是”虚构”的样例数据：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/3b70c4103ea43707f86c64e69953c8d3.jpg"></p> <p>示例数据</p> <p>在本文大部分内容中所涉及的一条数据，是上面加粗的最后一行 " Mobile1 " 为 " 13400006666 " 这行记录。在下面的流程图中，我们使用下面这样一个红色小图标来表示该数据所在的位置：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/567ece0bcf3150a200ed53ce1d57bc02.jpg"></p> <p>数据位置标记</p> <h2>可选接口</h2> <p>HBase中提供了如下几种主要的接口：</p> <ul> <li> <p>Java Client API</p> <p>HBase的基础API，应用最为广泛。</p> </li> <li> <p>HBase Shell</p> <p>基于Shell的命令行操作接口，基于Java Client API实现。</p> </li> <li> <p>Restful API</p> <p>Rest Server侧基于Java Client API实现。</p> </li> <li> <p>Thrift API</p> <p>Thrift Server侧基于Java Client API实现。</p> </li> <li> <p>MapReduce Based Batch Manipulation API</p> <p>基于MapReduce的批量数据读写API。</p> </li> </ul> <p>除了上述主要的API，HBase还提供了 基于Spark的批量操作接口 以及 C++ Client 接口，但这两个特性都被规划在了3.0版本中，当前尚在开发中。</p> <p>无论是HBase Shell/Restful API还是Thrift API，都是基于Java Client API实现的。因此，接下来关于流程的介绍，都是基于Java Client API的调用流程展开的。</p> <h2>关于表服务接口的抽象</h2> <p>同步连接与异步连接，分别提供了不同的表服务接口抽象：</p> <ul> <li> <p>Table 同步连接中的表服务接口定义</p> </li> <li> <p>AsyncTable 异步连接中的表服务接口定义</p> </li> </ul> <p>异步连接AsyncConnection获取AsyncTable实例的接口默认实现：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/7711304f6f64879af52a46208d50b0de.jpg"></p> <p>Create AsyncTable</p> <p>同步连接ClusterConnection的实现类ConnectionImplementation中获取Table实例的接口实现：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/7bd748eb8ee26ae670c93540e140bd3b.jpg"></p> <p>Create Table</p> <h2>写数据的几种方式</h2> <ul> <li> <p>Single Put</p> <p>单条记录单条记录的随机put操作。Single Put所对应的接口定义如下：</p> <p>在AsyncTable接口中的定义：</p> <pre> CompletableFuture<Void> put(Put put);</pre> <p>在Table接口中的定义：</p> <pre> void put(Put put) throws IOException;</pre> </li> <li> <p>Batch Put</p> <p>汇聚了几十条甚至是几百上千条记录之后的 小批次 随机put操作。</p> <p>Batch Put只是本文对该类型操作的称法，实际的接口名称如下所示：</p> <p>在AsyncTable接口中的定义：</p> <pre> List<CompletableFuture<Void>> put(List<Put> puts);</pre> <p>在Table接口中的定义：</p> <pre> void put(List<Put> puts) throws IOException;</pre> </li> <li> <p>Bulkload</p> <p>基于MapReduce API提供的数据批量导入能力，导入数据量通常在GB级别以上，Bulkload能够绕过Java Client API直接生成HBase的底层数据文件(HFile)。</p> </li> </ul> <h2>构建Put对象</h2> <p>设计合理的RowKey</p> <p>RowKey通常是一个或若干个字段的直接组合或经一定处理后的信息，因为一个表中所有的数据都是基于RowKey排序的，RowKey的设计对读写都会有直接的性能影响。</p> <p>我们基于本文的样例数据，先给出两种RowKey的设计，并简单讨论各自的优缺点：</p> <p>样例数据：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/30fd06085c760ed6b569e9d70f29ff71.jpg" alt="一条数据的HBase之旅，简明HBase入门教程-Write全流程" width="505" height="276"></p> <p>示例数据</p> <p>RowKey Format 1 ： Mobile1 + StartTime</p> <p>为了方便读者理解，我们在两个字段之间添加了连接符”^”。如下是RowKey以及相关排序结果：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/ddb7056a57d29b6551c1257d57ac11dd.jpg"></p> <p>RowKey Format 1</p> <p>RowKey Format 2 ： StartTime + Mobile1</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/f8d6ef60ba843082d89e33f6ef7f5c55.jpg"></p> <p>RowKey Format 2</p> <p>从上面两个表格可以看出来，不同的字段组合顺序设计，带来截然不同的排序结果，我们将RowKey中的第一个字段称之为“ 先导字段 ”。第一种设计，有利于查询”手机号码XXX的在某时间范围内的数据记录”，但不利于查询”某段时间范围内有哪些手机号码拨出了电话？”，而第二种设计却恰好相反。</p> <p>上面是两种设计都是两个字段的直接组合，这种设计在实际应用中，会带来读写 热点 问题，难以保障数据读写请求在所有Regions之间的负载均衡。避免热点的常见方法有如下几种：</p> <p>Reversing</p> <p>如果先导字段本身会带来热点问题，但该字段尾部的信息却具备良好的随机性，此时，可以考虑将先导字段做反转处理，将尾部几位直接提前到前面，或者直接将整个字段完全反转。</p> <p>将 先导字段 Mobile1翻转后，就具备非常好的随机性。</p> <p>例如：</p> <p>13400001111^201803010800</p> <p>将先导字段Mobile1反转后的RowKey变为：</p> <p>11110000431^201803010800</p> <p>Salting</p> <p>Salting的原理是在RowKey的前面添加固定长度的随机Bytes，随机Bytes能保障数据在所有Regions间的负载均衡。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/70bb87de38bb380b724d81ed95629896.jpg"></p> <p>RowKey With Salting</p> <p>Salting能很好的保障写入时将数据均匀分散到各个Region中，但对于读取却是不友好的，例如，如果读取Mobile1为”13400001111″在20180301这一天的数据记录时，因为Salting Bytes信息是随机选择添加的，查询时并不知道前面添加的Salting Bytes是”A”，因此{“A”, “B”, “C”}所关联的Regions都得去查看一下。</p> <p>Hashing</p> <p>Hashing是将一个RowKey通过一个Hash函数生成一组固定长度的bytes，Hash函数能保障所生成的随机bytes具备良好的离散度，从而也能够均匀打散到各个Region中。Hashing既有利于随机写入，又利于基于知道RowKey各字段的确切信息之后的随机读取操作，但如果是基于RowKey范围的Scan或者是RowKey的模糊信息进行查询的话，就会带来显著的性能问题，因为原来在字典顺序相邻的RowKey列表，通过Hashing打散后导致这些数据被分散到了多个Region中。</p> <p>因此， RowKey的设计，需要充分考虑业务的读写特点 。</p> <p>本文内容假设RowKey设计： reversing(Mobile1) +StartTime</p> <p>也就是说，RowKey由反转处理后的Mobile1与StartTime组成。对于我们所关注的这行数据：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/1ab24932b1ab25b08870e4c948239c96.jpg"></p> <p>关注的数据记录</p> <p>RowKey应该为： 66660000431^201803011300</p> <p>因为创建表时预设的Region与RowKey强相关，我们现在才可以给出本文样例所需要创建的表的” Region分割点 “信息：</p> <p>假设，Region分割点为“1,2,3,4,5,6,7,8,9”，基于这9个分割点，可以预先创建10个Region，这10个Region的StartKey和StopKey如下所示：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/bc4de8e0f543c86d23fd21d6fa8138b1.jpg"></p> <p>Region划分信息</p> <ul> <li> <p>第一个Region的StartKey为空，最后一个Region的StopKey为空</p> </li> <li> <p>每一个Region区间，都包含StartKey本身，但不包含StopKey</p> </li> <li> <p>由于Mobile1字段的最后一位是0~9之间的随机数字，因此，可以均匀打散到这10个Region中</p> </li> </ul> <h2>定义列</h2> <p>每一个列在HBase中体现为一个KeyValue，而每一个KeyValue拥有特定的组成结构，这一点在上一篇文章的数据模型章节已经提到过。</p> <p>所谓的定义列，就是需要定义出每一个列要存放的列族(Column Family)以及列标识(Qualifier)信息。</p> <p>我们假设，存放样例数据的这个表名称为” TelRecords ” ，为了简单起见，仅仅设置了1个名为”I”的列族。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/0e09455305e4ea4ce2cfc1bb0fbecf89.jpg"></p> <p>Column Family以及列标识定义</p> <p>因为Mobile1与StartTime都已经被包含在RowKey中，所以，不需要再在列中存储一份。关于列族名称与列标识名称，建议应该简短一些，因为这些信息都会被包含在KeyValue里面，过长的名称会导致数据膨胀。</p> <p>基于RowKey和列定义信息，就可以组建HBase的Put对象， 一个Put对象用来描述待写入的一行数据 ，一个Put可以理解成与某个RowKey关联的1个或多个KeyValue的集合。</p> <p>至此，这条数据已经转变成了Put对象，如下图所示：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/3b3dc04848ea9c7fba8af752462d274a.jpg"></p> <p>Put</p> <h2>数据路由</h2> <p>初始化ZooKeeper Session</p> <p>因为meta Region存放于ZooKeeper中，在第一次从ZooKeeper中读取META Region的地址时，需要先初始化一个ZooKeeper Session。ZooKeeper Session是ZooKeeper Client与ZooKeeper Server端所建立的一个会话，通过心跳机制保持长连接。</p> <p>获取Region路由信息</p> <p>通过前面建立的连接，从ZooKeeper中读取meta Region所在的RegionServer，这个读取流程，当前已经是异步的。获取了meta Region的路由信息以后，再从meta Region中定位要读写的RowKey所关联的Region信息。如下图所示：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/af06cf1c95b8e23250b5f359548fe93d.jpg"></p> <p>Region Routing</p> <p>因为每一个用户表Region都是一个RowKey Range，meta Region中记录了每一个用户表Region的路由以及状态信息，以RegionName(包含表名，Region StartKey ，Region ID，副本ID等信息)作为RowKey。基于一条用户数据RowKey，快速查询该RowKey所属的Region的方法其实很简单：只需要基于表名以及该用户数据RowKey，构建一个虚拟的Region Key，然后通过Reverse Scan的方式，读到的第一条Region记录就是该数据所关联的Region。如下图所示：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/e52dbd99b66a1bbf6964a732e711f5d0.jpg"></p> <p>Location User Region</p> <p>Region只要不被迁移，那么获取的该Region的路由信息就是一直有效的，因此，HBase Client有一个Cache机制来缓存Region的路由信息，避免每次读写都要去访问ZooKeeper或者meta Region。</p> <p>进阶内容1：meta Region究竟在哪里？</p> <p>meta Region的路由信息存放在ZooKeeper中，但meta Region究竟在哪个RegionServer中提供读写服务？</p> <p>在1.0版本中，引入了一个新特性，使得Master可以”兼任”一个RegionServer角色(可参考HBASE-5487, HBASE-10569)，从而可以将一些系统表的Region分配到Master的这个RegionServer中，这种设计的初衷是为了简化/优化Region Assign的流程，但这依然带来了一系列复杂的问题，尤其是Master初始化和RegionServer初始化之间的Race，因此，在2.0版本中将这个特性暂时关闭了。详细信息可以参考：HBASE-16367，HBASE-18511，HBASE-19694，HBASE-19785，HBASE-19828</p> <h2>客户端侧的数据分组“打包”</h2> <p>如果这条待写入的数据采用的是Single Put的方式，那么，该步骤可以略过（事实上，单条Put操作的流程相对简单，就是先定位该RowKey所对应的Region以及RegionServer信息后，Client直接发送写请求到RegionServer侧即可）。</p> <p>但如果这条数据被混杂在其它的数据列表中，采用Batch Put的方式，那么，客户端在将所有的数据写到对应的RegionServer之前，会先分组”打包”，流程如下：</p> <ol> <li> <p>按Region分组 ：遍历每一条数据的RowKey，然后，依据meta表中记录的Region信息，确定每一条数据所属的Region。此步骤可以获取到Region到RowKey列表的映射关系。</p> </li> <li> <p>按RegionServer”打包” ：因为Region一定归属于某一个RegionServer（注：本文内容中如无特殊说明，都未考虑Region Replica特性），那属于同一个RegionServer的多个Regions的写入请求，被打包成一个MultiAction对象，这样可以一并发送到每一个RegionServer中。</p> </li> </ol> <p style="text-align:center"><img src="https://simg.open-open.com/show/64143db939f3cb69b935f8db5f0da093.jpg"></p> <p>数据分组与打包</p> <h2>Client发送写数据请求到RegionServer</h2> <p>类似于Client发送建表到Master的流程，Client发送写数据请求到RegionServer，也是通过RPC的方式。只是，Client到Master以及Client到RegionServer，采用了不同的RPC服务接口。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/79f614df2d17a9f44be45b4143fbf692.jpg"></p> <p>Client Send Request To RegionServer</p> <p>single put请求与batch put请求，两者所调用的RPC服务接口方法是不同的，如下是Client.proto中的定义：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/9cd0731213fa83d6f3adb6cfdaf7bbbc.jpg"></p> <p>Client Proto定义</p> <h2>安全访问控制</h2> <p>如何保障UserA只能写数据到UserA的表中，以及禁止UserA改写其它User的表的数据，HBase提供了ACL机制。ACL通常需要与Kerberos认证配合一起使用，Kerberos能够确保一个用户的合法性，而ACL确保该用户仅能执行权限范围内的操作。</p> <p>HBase将权限分为如下几类：</p> <ul> <li> <p>READ(‘R’)</p> </li> <li> <p>WRITE(‘W’)</p> </li> <li> <p>EXEC(‘X’)</p> </li> <li> <p>CREATE(‘C’)</p> </li> <li> <p>ADMIN(‘A’)</p> </li> </ul> <p>可以为一个用户/用户组定义整库级别的权限集合，也可以定义Namespace、表、列族甚至是列级别的权限集合。</p> <h2>RegionServer端处理：Region分发</h2> <p>RegionServer的RPC Server侧，接收到来自Client端的RPC请求以后，将该请求交给Handler线程处理。</p> <p>如果是single put，则该步骤比较简单，因为在发送过来的请求参数MutateRequest中，已经携带了这条记录所关联的Region，那么直接将该请求转发给对应的Region即可。</p> <p>如果是batch puts，则接收到的请求参数为MultiRequest，在MultiRequest中，混合了这个RegionServer所持有的多个Region的写入请求，每一个Region的写入请求都被包装成了一个RegionAction对象。RegionServer接收到MultiRequest请求以后，遍历所有的RegionAction，而后写入到每一个Region中，此过程是 串行 的:</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/3030c245fabd112c6ee8732a5cd3a7ca.jpg"></p> <p>Write Per Region</p> <p>从这里可以看出来，并不是一个batch越大越好，大的batch size甚至可能导致吞吐量下降。</p> <h2>Region内部处理：写WAL</h2> <p>HBase也采用了LSM-Tree的架构设计：LSM-Tree利用了传统机械硬盘的“ 顺序读写速度远高于随机读写速度 ”的特点。随机写入的数据，如果直接去改写每一个Region上的数据文件，那么吞吐量是非常差的。因此，每一个Region中随机写入的数据，都暂时先缓存在内存中(HBase中存放这部分内存数据的模块称之为 MemStore ，这里仅仅引出概念，下一章节详细介绍)，为了保障数据可靠性，将这些随机写入的数据 顺序写入 到一个称之为WAL(Write-Ahead-Log)的日志文件中，WAL中的数据按时间顺序组织：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/d8a2925deb5a048f3530090dce6491a0.jpg"></p> <p>MemStore And WAL</p> <p>如果位于内存中的数据尚未持久化，而且突然遇到了机器断电，只需要将WAL中的数据回放到Region中即可:</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/805851ba9ce40c72cdbed1214bec3a12.jpg"></p> <p>WAL Replay</p> <p>在HBase中，默认一个RegionServer只有一个可写的WAL文件。WAL中写入的记录，以 Entry 为基本单元，而一个Entry中，包含：</p> <ul> <li> <p>WALKey 包含{Encoded Region Name，Table Name，Sequence ID，Timestamp}等关键信息，其中，Sequence ID在维持数据一致性方面起到了关键作用，可以理解为一个事务ID。</p> </li> <li> <p>WALEdit WALEdit中直接保存待写入数据的所有的KeyValues，而这些KeyValues可能来自一个Region中的多行数据。</p> </li> </ul> <p>也就是说，通常，一个Region中的一个batch put请求，会被组装成一个Entry，写入到WAL中：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/a646b102b4a83fa8a17ee41cc09adb8e.jpg"></p> <p>Write into WAL</p> <p>将Entry写到文件中时是支持压缩的，但该特性默认未开启。</p> <h2>WAL进阶内容</h2> <p>WAL Roll and Archive</p> <p>当正在写的WAL文件达到一定大小以后，会创建一个新的WAL文件，上一个WAL文件依然需要被保留，因为这个WAL文件中所关联的Region中的数据，尚未被持久化存储，因此，该WAL可能会被用来回放数据。</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/62129b2804ee4992e81d5fa8f610d75c.jpg"></p> <p>Roll WAL</p> <p>如果一个WAL中所关联的所有的Region中的数据，都已经被持久化存储了，那么，这个WAL文件会被暂时归档到另外一个目录中：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/9affdb818f5524573c12ed55a515ba5a.jpg"></p> <p>WAL Archive</p> <p>注意，这里不是直接将WAL文件删除掉，这是一种稳妥且合理的做法，原因如下：</p> <ul> <li> <p>避免因为逻辑实现上的问题导致WAL被误删，暂时归档到另外一个目录，为错误发现预留了一定的时间窗口</p> </li> <li> <p>按时间维度组织的WAL数据文件还可以被用于其它用途，如增量备份，跨集群容灾等等，因此，这些WAL文件通常不允许直接被删除，至于何时可以被清理，还需要额外的控制逻辑</p> </li> </ul> <p>另外，如果对写入HBase中的数据的可靠性要求不高，那么，HBase允许通过配置跳过写WAL操作。</p> <p>思考：put与batch put的性能为何差别巨大？</p> <p>在网络分发上，batch put已经具备一定的优势，因为batch put是打包分发的。</p> <p>而从写WAL这块，看的出来，batch put写入的一小批次Put对象，可以通过一次sync就持久化到WAL文件中了，有效减少了IOPS。</p> <p>但前面也提到了，batch size并不是越大越好，因为每一个batch在RegionServer端是被串行处理的。</p> <p>利用Disruptor提升写并发性能</p> <p>在高并发随机写入场景下，会带来大量的WAL Sync操作，HBase中采用了Disruptor的RingBuffer来减少竞争，思路是这样：如果将瞬间并发写入WAL中的数据，合并执行Sync操作，可以有效降低Sync操作的次数，来提升写吞吐量。</p> <p>Multi-WAL</p> <p>默认情形下，一个RegionServer只有一个被写入的WAL Writer，尽管WAL Writer依靠顺序写提升写吞吐量，在基于普通机械硬盘的配置下，此时只能有单块盘发挥作用，其它盘的IOPS能力并没有被充分利用起来，这是Multi-WAL设计的初衷。Multi-WAL可以在一个RegionServer中同时启动几个WAL Writer，可按照一定的策略，将一个Region与其中某一个WAL Writer绑定，这样可以充分发挥多块盘的性能优势。</p> <p>关于WAL的未来</p> <p>WAL是基于机械硬盘的IO模型设计的，而对于新兴的非易失性介质，如3D XPoint，WAL未来可能会失去存在的意义，关于这部分内容，请参考文章《从HBase中移除WAL？3D XPoint技术带来的变革》。</p> <h2>Region内部处理：写MemStore</h2> <p>每一个Column Family，在Region内部被抽象为了一个HStore对象，而每一个HStore拥有自身的MemStore，用来缓存一批最近被随机写入的数据，这是LSM-Tree核心设计的一部分。</p> <p>MemStore中用来存放所有的KeyValue的数据结构，称之为CellSet，而CellSet的核心是一个ConcurrentSkipListMap，我们知道，ConcurrentSkipListMap是Java的跳表实现，数据按照Key值有序存放，而且在高并发写入时，性能远高于ConcurrentHashMap。</p> <p>因此，写MemStore的过程，事实上是将batch put提交过来的所有的KeyValue列表，写入到MemStore的以ConcurrentSkipListMap为组成核心的CellSet中：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/c3b075451a8b80b6e6119ce786392e0c.jpg"></p> <p>Write Into MemStore</p> <p>MemStore因为涉及到大量的随机写入操作，会带来大量Java小对象的创建与消亡，会导致大量的内存碎片，给GC带来比较重的压力，HBase为了优化这里的机制，借鉴了操作系统的内存分页的技术，增加了一个名为MSLab的特性，通过分配一些固定大小的Chunk，来存储MemStore中的数据，这样可以有效减少内存碎片问题，降低GC的压力。当然，ConcurrentSkipListMap本身也会创建大量的对象，这里也有很大的优化空间，去年阿里的一篇文章透露了阿里如何通过优化ConcurrentSkipListMap的结构来有效减少GC时间。</p> <p>进阶内容2：先写WAL还是先写MemStore?</p> <p>在0.94版本之前，Region中的写入顺序是先写WAL再写MemStore，这与WAL的定义也相符。</p> <p>但在0.94版本中，将这两者的顺序颠倒了，当时颠倒的初衷，是为了使得行锁能够在WAL sync之前先释放，从而可以提升针对单行数据的更新性能。详细问题单，请参考HBASE-4528。</p> <p>在2.0版本中，这一行为又被改回去了，原因在于修改了行锁机制以后(下面章节将讲到)，发现了一些性能下降，而HBASE-4528中的优化却无法再发挥作用，详情请参考HBASE-15158。改动之后的逻辑也更简洁了。</p> <p>进阶内容3：关于行级别的ACID</p> <p>在之前的版本中，行级别的任何并发写入/更新都是互斥的，由一个行锁控制。但在2.0版本中，这一点行为发生了变化，多个线程可以同时更新一行数据，这里的考虑点为：</p> <ul> <li> <p>如果多个线程写入同一行的不同列族，是不需要互斥的</p> </li> <li> <p>多个线程写同一行的相同列族，也不需要互斥，即使是写相同的列，也完全可以通过HBase的MVCC机制来控制数据的一致性</p> </li> <li> <p>当然，CAS操作(如checkAndPut)或increment操作，依然需要独占的行锁</p> </li> </ul> <p>更多详细信息，可以参考HBASE-12751。</p> <p>至此，这条数据已经被同时成功写到了WAL以及MemStore中：</p> <p style="text-align:center"><img src="https://simg.open-open.com/show/67333ee0447dccc0c84c9057a0b95df0.jpg"></p> <p>Data Written In HBase</p> <h2>总结</h2> <p>本文主要内容总结如下：</p> <ul> <li> <p>介绍HBase写数据可选接口以及接口定义。</p> </li> <li> <p>通过一个样例，介绍了RowKey定义以及列定义的一些方法，以及如何组装Put对象</p> </li> <li> <p>数据路由，数据分发、打包，以及Client通过RPC发送写数据请求至RegionServer</p> </li> <li> <p>RegionServer接收数据以后，将数据写到每一个Region中。写数据流程先写WAL再写MemStore，这里展开了一些技术细节</p> </li> <li> <p>简单介绍了HBase权限控制模型</p> </li> </ul> <p>需要说明的一点，本文所讲到的MemStore其实是一种"简化 " 后的模型，在2.0版本中，这里已经变的更加复杂，这些内容将在下一篇介绍Flush与Compaction的流程中详细介绍。</p> <p>本文作者：毕杰山</p> <p>本文首发于：NoSQL漫谈(nosqlnotes.com)，欢迎关注"NoSQL漫谈"。</p> <p>来自：http://blog.csdn.net/nosqlnotes/article/details/79682656</p> <p> </p>