HBase为什么使用LSM树

    一般的关系型数据库使用的都是B+树，而《HBase权威指南》中说到HBase使用的LSM树，所以本文就是想来了解一下使用LSM树的好处是啥。

 

先来回顾下B+树：

为什么不用二叉树、红黑树？

    因为二叉树结构中，每个节点至多会有两个子节点，当树的高度很高时，相应的磁盘访问次数就要增加，因为访问磁盘的速度是很慢的，从而导致查询效率低下。所以很自然的想法就是把树的高度降一降，所以B+树就出现了(平衡多路查找树，B+树是一种很适合外存的数据结构)。

磁盘读取时的结构：

磁盘由多个盘片组成，固定在一个主轴上，每个面上都有一个磁头(读写头)用于读取盘片上的数据。盘片以每分钟数千转的速度转动，这样就实现了盘片上的任意读写。

    每个盘片又被划分成数百到上千个同心圆，称为磁道。但是这些同心圆不是连续，而是被画成一段段的圆弧，每一段称为扇区，每个扇区的数据硬件读写的最小单位(对于软件(逻辑层面)来说，磁盘块时读写的最小单位，一般是扇区的数倍)。

   读写的时候是这么操作的，所有盘上同一个磁道构成一个柱面，同一个柱面所有磁道全部写完之后，才会转移到下一个柱面，所以数据的读写是按柱面进行的，而不是按盘面进行。一个磁道写满数据后，就在同一柱面的下一个盘面来写，一个柱面写满后，才移到下一个扇区开始写数据，读数据也按照这种方式进行，这样就提高了硬盘的读 / 写效率。越在外面的磁盘读取越快，因为磁头速度快，而且磁道长。

    为什么读写是按柱面进行的？是因为选取磁头只需要通过电子切换即可，而选取柱面则必须机械切换，电子切换相当快，比在机械上的磁头向邻近磁道移动快得多。所以只有在同一柱面所有的磁头全部读 / 写完毕后磁头才转移到下一柱面（同心圆再往里的柱面）。

硬盘结构图                      盘面结构图

    写的时候文件会进行多次修改，每次写的时候只能指到新的没写过的地方，所以文件是破碎的，更加增加了磁头的读取时间。

    内存和磁盘的随机访问速度，内存是磁盘的100万倍，大概100ns，磁盘是10ms(1ns=10^-9s)。

 

B+树在磁盘中是怎么存的：

B+树是B树的一种变体，一颗M=4阶B树结构如下：

它满足如下条件：

1.根节点至少有两个子节点(M>=2)

2.每个节点有M-1个key，并且以升序排列

3.位于M-1和M key的子节点的值位于M-1 和M key对应的Value之间

4.其它节点至少有M/2个子节点

 

B+树做了些改变：

非叶结点仅具有索引作用，跟记录有关的信息均存放在叶结点中；

树的所有叶结点构成一个有序链表，可以按照关键码排序的次序遍历全部记录；

    因为非叶节点不存放数据，所以在内存页中能够存放更多的key！

    并且叶子节点都是相连的，遍历整棵树可以一次性遍历所有叶子节点(B树只能进行中序遍历)！且数据顺序排列且相连，便于区间查找(数据库使用B+树的主要原因，B树不支持)和搜索。

    一般文件系统或者数据库系统设计时，会使用磁盘预读写原理，将一个节点的大小设置等于一页，一次I/O就可以完全载入。

既然B树数适合磁盘存储，HBase为什么又使用LSM树呢？

B+树虽然适合在磁盘中存储，并且从原理上来看它的速度应该会很快，但是它并非是顺序读写磁盘，例如它的节点进行分裂操作时在内存中会拆成两个新的页表，存储到磁盘上很可能就是不连续的；或者其他更新插入删除等操作，需要循环利用磁盘快，也会造成不连续问题。这也是HBase不使用B+树的根本原因，不进行优化的话随机I/O太多，范围查询和大量随机写时尤其明显。

 

LSM树(Log-Structured Merge Tree)：

    LSM树本质是在读写之间取得平衡，它首先在内存中构建一颗有序的小树，随着小树的逐渐增大，达到一定阈值时会flush到磁盘上。所以LSM树不像B+树一样是一棵完整的大树，一棵LSM树就是一个个B+树合起来。

    多次flush之后会形成多个数据存储文件，后台线程会按照配置自动将多个文件合并成一个，此时多颗小树就会被合并成一棵大树。

    但是读取时，由于不知道数据在哪棵小树上，因此必须遍历所有小树(所以才说LSM牺牲了部分读的性能)，每棵小树内部数据是有序的。查询是先查内存中的部分，再去查磁盘上的部分。

    个人理解LSM树的内容就是HFile中的索引部分，详情可以看之前写的分析HFile的那篇文章，这个就不再进行细说了。

 

这也就解释了为什么要有WAL了：

    因为数据是先存在内存中的，不会立即写到磁盘上，断点数据就丢失了，所以为了保护内存中的数据需要写在磁盘上记录LogFile。当内存中的数据flush到磁盘上时，就可以删除掉相应的LogFile了。

 

这也就解释了为什么需要compact了:

    因为上面说了，读的时候是要遍历所有小树的，小树越多，读的性能就会越来越差，所以需要进行merge，将多颗小树变成一颗大树。

 

总结：

    所以个人觉得LSM树和B+树相比，LSM树放弃了部分读性能，使用顺序写来大幅提高写性能，适合写多读少以及大规模数据读取；而B+树更加适合读多写少的场景。

    HBase本身设计(应当说是底层Hadoop的设计)就是更加偏向于写多读少的场景，所以使用LSM更加合适。

 

ps:使用SSD的话就没有寻道问题了，对于B+树来说是一个很大的性能提升，对于LSM树来说相对B+树会小一点。

 

 

 

 

 

参考：

https://blog.csdn.net/hguisu/article/details/7408047(磁盘读写原理)

http://www.cnblogs.com/yangecnu/p/Introduce-B-Tree-and-B-Plus-Tree.html(B树与B+树)

https://blog.csdn.net/u010853261/article/details/78217823(LSM的优劣性)