一条数据的HBase之旅，简明HBase入门教程-开篇
本文由毕杰山同学贡献 ，原文首发于公众号：NoSQL漫谈 链接：https://mp.weixin.qq.com/s/CXsGcbbsKTMXotlwRFQ5xw
一些常见的HBase新手问题
什么样的数据适合用HBase来存储？
既然HBase也是一个数据库，能否用它将现有系统中昂贵的Oracle替换掉？
存放于HBase中的数据记录，为何不直接存放于HDFS之上？
能否直接使用HBase来存储文件数据？
Region(HBase中的数据分片)迁移后，数据是否也会被迁移？
为何基于Spark/Hive分析HBase数据时性能较差？
开篇
用惯了Oracle/MySQL的同学们，心目中的数据表，应该是长成这样的：
这种表结构规整，每一行都有固定的列构成，因此，非常适合结构化数据的存储。但在NoSQL领域，数据表的模样却往往换成了另外一种"画风"：
行由看似"杂乱无章"的列组成，行与行之间也无须遵循一致的定义，而这种定义恰好符合半结构化数据或非结构化数据的特点。本文所要讲述的HBase，就属于该派系的一个典型代表。这些"杂乱无章"的列所构成的多行数据，被称之为一个"稀疏矩阵"，而上图中的每一个"黑块块"，在HBase中称之为一个KeyValue。
Apache HBase官方给出了这样的定义：
Apache HBase™ is the Hadoop database, a distributed, scalable, big data store.
即：Apache HBase是基于Hadoop构建的一个分布式的、可伸缩的海量数据存储系统。
HBase常被用来存放一些海量的(通常在TB级别以上)结构比较简单的数据，如历史订单记录，日志数据，监控Metris数据等等，HBase提供了简单的基于Key值的快速查询能力。
HBase在国内市场已经取得了非常广泛的应用，在搜索引擎中，也可以看出来，HBase在国内呈现出了逐年上升的势态：
从Apache HBase所关联的github项目的commits统计信息来看，也可以看出来该项目非常活跃：
(需要说明的一点：HBase中的每一次commit，都已经过社区Commiter成员严格的Review，在commit之前，一个Patch可能已经被修改了几十个版本)
令人欣喜的是，国内的开发者也积极参与到了HBase社区贡献中，而且被社区接纳了多名PMC以及Committer成员。
本文将以一条数据在HBase中的“旅程”为线索，介绍HBase的核心概念与流程，几乎每一部分都可以展开成一篇独立的长文，但本文旨在让读者能够快速的了解HBase的架构轮廓，所以很多特性/流程被被一言带过，但这些特性在社区中往往经历了漫长的开发过程。至于讲什么以及讲到什么程度，本文都做了艰难的取舍，在讲解的过程中，将会穿插解答本文开始所提出的针对初学者的一些常见问题。
本文适用于HBase新手，而对于具备一定经验的HBase开发人员，相信本文也可以提供一些有价值的参考。本文内容基于HBase 2.0 beta 2版本，对比于1.0甚至是更早期的版本，2.0出现了大量变化，下面这些问题的答案将揭示部分关键的变化（新手可以直接跳过这些问题）：
HBase meta Region在哪里提供服务？
HBase是否可以保证单行操作的原子性？
Region中写WAL与写MemStore的顺序是怎样的？
你是否遇到过Region长时间处于RIT的状态？ 你认为旧版本中Assignment Manager的主要问题是什么？
在面对Full GC问题时，你尝试做过哪些优化？
你是否深究过HBase Compaction带来的“写放大”有多严重？
HBase的RPC框架存在什么问题？
导致查询时延毛刺的原因有哪些？
本系列文章的整体行文思路如下：
介绍HBase数据模型
基于数据模型介绍HBase的适用场景
快速介绍集群关键角色以及集群部署建议
示例数据介绍
写数据流程
读数据流程
数据更新
负载均衡机制
HBase如何存储小文件数据
这些内容将会被拆成几篇文章。至于集群服务故障的处理机制，集群工具，周边生态，性能调优以及最佳实践等进阶内容，暂不放在本系列文章范畴内。
约定
1. 本文范围内针对一些关键特性/流程，使用了加粗以及加下划线的方式做了强调，如"ProcedureV2"。这些特性往往在本文中仅仅被粗浅提及，后续计划以独立的文章来介绍这些特性/流程。
2. 术语缩写：对于一些进程/角色名称，在本文范围内可能通过缩写形式来表述：
数据模型
RowKey
用来表示唯一一行记录的主键，HBase的数据是按照RowKey的字典顺序进行全局排序的，所有的查询都只能依赖于这一个排序维度。
通过下面一个例子来说明一下"字典排序"的原理：
RowKey列表{"abc", "a", "bdf", "cdf", "defg"}按字典排序后的结果为{"a", "abc", "bdf", "cdf", "defg"}
也就是说，当两个RowKey进行排序时，先对比两个RowKey的第一个字节，如果相同，则对比第二个字节，依次类推...如果在对比到第M个字节时，已经超出了其中一个RowKey的字节长度，那么，短的RowKey要被排在另外一个RowKey的前面。
稀疏矩阵
参考了Bigtable，HBase中一个表的数据是按照稀疏矩阵的方式组织的，"开篇"部分给出了一张关于HBase数据表的抽象图，我们再结合下表来加深大家关于"稀疏矩阵"的印象：
看的出来：每一行中，列的组成都是灵活的，行与行之间并不需要遵循相同的列定义， 也就是HBase数据表"schema-less"的特点。
Region
区别于Cassandra/DynamoDB的"Hash分区"设计，HBase中采用了"Range分区"，将Key的完整区间切割成一个个的"Key Range" ，每一个"Key Range"称之为一个Region。
也可以这么理解：将HBase中拥有数亿行的一个大表，横向切割成一个个"子表"，这一个个"子表"就是Region：
Region是HBase中负载均衡的基本单元，当一个Region增长到一定大小以后，会自动分裂成两个。
Column Family
如果将Region看成是一个表的横向切割，那么，一个Region中的数据列的纵向切割，称之为一个Column Family。每一个列，都必须归属于一个Column Family，这个归属关系是在写数据时指定的，而不是建表时预先定义。
KeyValue
KeyValue的设计不是源自Bigtable，而是要追溯至论文"The log-structured merge-tree(LSM-Tree)"。每一行中的每一列数据，都被包装成独立的拥有特定结构的KeyValue，KeyValue中包含了丰富的自我描述信息:
看的出来，KeyValue是支撑"稀疏矩阵"设计的一个关键点：一些Key相同的任意数量的独立KeyValue就可以构成一行数据。但这种设计带来的一个显而易见的缺点：每一个KeyValue所携带的自我描述信息，会带来显著的数据膨胀。
适用场景
在介绍完了HBase的数据模型以后，我们可以回答本文一开始的前两个问题：
什么样的数据适合用HBase来存储？
既然HBase也是一个数据库，能否用它将现有系统中昂贵的Oracle替换掉？
HBase的数据模型比较简单，数据按照RowKey排序存放，适合HBase存储的数据，可以简单总结如下：
以实体为中心的数据
实体可以包括但不限于如下几种：
-
自然人／账户／手机号／车辆相关数据
用户画像数据（含标签类数据）
图数据（关系类数据）
描述这些实体的，可以有基础属性信息、实体关系(图数据)、所发生的事件(如交易记录、车辆轨迹点)等等。
以事件为中心的数据
-
监控数据
时序数据
实时位置类数据
消息/日志类数据
上面所描述的这些数据，有的是结构化数据，有的是半结构化或非结构化数据。HBase的“稀疏矩阵”设计，使其应对非结构化数据存储时能够得心应手，但在我们的实际用户场景中，结构化数据存储依然占据了比较重的比例。由于HBase仅提供了基于RowKey的单维度索引能力，在应对一些具体的场景时，依然还需要基于HBase之上构建一些专业的能力，如：
OpenTSDB 时序数据存储，提供基于Metrics+时间+标签的一些组合维度查询与聚合能力
GeoMesa 时空数据存储，提供基于时间+空间范围的索引能力
JanusGraph 图数据存储，提供基于属性、关系的图索引能力
HBase擅长于存储结构简单的海量数据但索引能力有限，而Oracle等传统关系型数据库(RDBMS)能够提供丰富的查询能力，但却疲于应对TB级别的海量数据存储，HBase对传统的RDBMS并不是取代关系，而是一种补充。
HBase与HDFS
我们都知道HBase的数据是存储于HDFS里面的，相信大家也都有这么的认知：
HBase是一个分布式数据库，HDFS是一个分布式文件系统
理解了这一点，我们先来粗略回答本文已开始提出的其中两个问题：
HBase中的数据为何不直接存放于HDFS之上？
HBase中存储的海量数据记录，通常在几百Bytes到KB级别，如果将这些数据直接存储于HDFS之上，会导致大量的小文件产生，为HDFS的元数据管理节点(NameNode)带来沉重的压力。
文件能否直接存储于HBase里面？
如果是几MB的文件，其实也可以直接存储于HBase里面，我们暂且将这类文件称之为小文件，HBase提供了一个名为MOB的特性来应对这类小文件的存储。但如果是更大的文件，强烈不建议用HBase来存储，关于这里更多的原因，希望你在详细读完本系列文章所有内容之后能够自己解答。
集群角色
关于集群环境，你可以使用国内外大数据厂商的平台，如Cloudera，Hontonworks以及国内的华为，都发行了自己的企业版大数据平台，另外，华为云、阿里云中也均推出了全托管式的HBase服务。
我们假设集群环境已经Ready了，先来看一下集群中的关键角色：
相信大部分人对这些角色都已经有了一定程度的了解，我们快速的介绍一下各个角色在集群中的主要职责：
ZooKeeper
在一个拥有多个节点的分布式系统中，假设，只能有一个节点是主节点，如何快速的选举出一个主节点而且让所有的节点都认可这个主节点？这就是HBase集群中存在的一个最基础命题。
利用ZooKeeper就可以非常简单的实现这类"仲裁"需求，ZooKeeper还提供了基础的事件通知机制，所有的数据都以 ZNode的形式存在，它也称得上是一个"微型数据库"。
NameNode
HDFS作为一个分布式文件系统，自然需要文件目录树的元数据信息，另外，在HDFS中每一个文件都是按照Block存储的，文件与Block的关联也通过元数据信息来描述。NameNode提供了这些元数据信息的存储。
DataNode
HDFS的数据存放节点。
RegionServer
HBase的数据服务节点。
Master
HBase的管理节点，通常在一个集群中设置一个主Master，一个备Master，主备角色的"仲裁"由ZooKeeper实现。 Master主要职责：
①负责管理所有的RegionServer。
②建表/修改表/删除表等DDL操作请求的服务端执行主体。
③管理所有的数据分片(Region)到RegionServer的分配。
④如果一个RegionServer宕机或进程故障，由Master负责将它原来所负责的Regions转移到其它的RegionServer上继续提供服务。
⑤Master自身也可以作为一个RegionServer提供服务，该能力是可配置的。
集群部署建议
如果基于物理机/虚拟机部署，通常建议：
1. RegionServer与DataNode联合部署，RegionServer与DataNode按1:1比例设置。
这种部署的优势在于，RegionServer中的数据文件可以存储一个副本于本机的DataNode节点中，从而在读取时可以利用HDFS中的"短路径读取(Short Circuit)"来绕过网络请求，降低读取时延。
2. 管理节点独立于数据节点部署
如果是基于物理机部署，每一台物理机节点上可以设置几个RegionServers/DataNodes来提升资源使用率。
也可以选择基于容器来部署，如在HBaseCon Asia 2017大会知乎的演讲主题中，就提到了知乎基于Kubernetes部署HBase服务的实践。
对于公有云HBase服务而言，为了降低总体拥有成本(TCO)，通常选择"计算与存储物理分离"的方式，从架构上来说，可能导致平均时延略有下降，但可以借助于共享存储底层的IO优化来做一些"弥补"。
HBase集群中的RegionServers可以按逻辑划分为多个Groups，一个表可以与一个指定的Group绑定，可以将RegionServer Group理解成将一个大的集群划分成了多个逻辑子集群，借此可以实现多租户间的隔离，这就是HBase中的RegionServer Group特性。
示例数据
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：
本文力求简洁，仅给出了最简单的示例。如下是"虚构"的样例数据：
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。
写数据之前：创建连接
Login
在启用了安全特性的前提下，Login阶段是为了完成用户认证(确定用户的合法身份)，这是后续一切安全访问控制的基础。
当前Hadoop/HBase仅支持基于Kerberos的用户认证，ZooKeeper除了Kerberos认证，还能支持简单的用户名/密码认证，但都基于静态的配置，无法动态新增用户。如果要支持其它第三方认证，需要对现有的安全框架做出比较大的改动。
创建Connection
Connection可以理解为一个HBase集群连接的抽象，建议使用ConnectionFactory提供的工具方法来创建。因为HBase当前提供了两种连接模式：同步连接，异步连接，这两种连接模式下所创建的Connection也是不同的。我们给出ConnectionFactory中关于获取这两种连接的典型方法定义：
Connection中主要维护着两类共享的资源：
线程池
Socket连接
这些资源都是在真正使用的时候才会被创建，因此，此时的连接还只是一个"虚拟连接"。
写数据之前：创建数据表
DDL操作的抽象接口 - Admin
Admin定义了常规的DDL接口，列举几个典型的接口：
预设合理的数据分片 - Region
分片数量会给读写吞吐量带来直接的影响，因此，建表时通常建议由用户主动指定划分Region分割点，来设定Region的数量。
HBase中数据是按照RowKey的字典顺序排列的，为了能够划分出合理的Region分割点，需要依据如下几点信息：
Key的组成结构
Key的数据分布预估
如果不能基于Key的组成结构来预估数据分布的话，可能会导致数据在Region间的分布不均匀
读写并发度需求
依据读写并发度需求，设置合理的Region数量
为表定义合理的Schema
既然HBase号称"schema-less"的数据存储系统，那何来的是"schema "？的确，在数据库范式的支持上，HBase非常弱，这里的"schema"，主要指如下一些信息的设置：
1. NameSpace设置
2. Column Family的数量
3. 每一个Column Family中所关联的一些关键配置：
① Compression
HBase当前可以支持Snappy，GZ，LZO，LZ4，Bzip2以及ZSTD压缩算法
② DataBlock Encoding
HBase针对自身的特殊数据模型所做的一种压缩编码
③ BloomFilter
可用来协助快速判断一条记录是否存在
④ TTL
指定数据的过期时间
⑤ StoragePolicy
指定Column Family的存储策略，可选项有："ALL_SSD"，"ONE_SSD"，"HOT"，"WARM"，"COLD"，"LAZY_PERSIST"
HBase中并不需要预先设置Column定义信息，这就是HBase schema less设计的核心。
Client发送建表请求到Master
建表的请求是通过RPC的方式由Client发送到Master:
RPC接口基于Protocol Buffer定义
建表相关的描述参数，也由Protocol Buffer进行定义及序列化
Client端侧调用了Master服务的什么接口，参数是什么，这些信息都被通过RPC通信传输到Master侧，Master再依据这些接口\参数描述信息决定要执行的操作。2.0版本中，HBase目前已经支持基于Netty的异步RPC框架。
关于HBase RPC框架
早期的HBase RPC框架，完全借鉴了Hadoop中的实现，那时，Netty项目尚不盛行。
Master侧接收到Client侧的建表请求以后，一些主要操作包括：
1. 生成每一个Region的描述信息对象HRegionInfo，这些描述信息包括：Region ID, Region名称，Key范围，表名称等信息。
2. 生成每一个Region在HDFS中的文件目录。
3. 将HRegionInfo信息写入到记录元数据的hbase:meta表中。
说明
meta表位于名为"hbase"的namespace中，因此，它的全称为"hbase:meta"。但在本系列文章范畴内，常将其缩写为"meta"。
整个过程中，新表的状态也是记录在hbase:meta表中的，而不用再存储在ZooKeeper中。
如果建表执行了一半，Master进程故障，如何处理？这里是由HBase自身提供的一个名为Procedure(V2)的框架来保障操作的事务性的，备Master接管服务以后，将会继续完成整个建表操作。
一个被创建成功的表，还可以被执行如下操作：
Disable 将所有的Region下线，该表暂停读写服务
Enable 将一个Disable过的表重新Enable，也就是上线所有的Region来正常提供读写服务
Alter 更改表或列族的描述信息
Master分配Regions
新创建的所有的Regions，通过AssignmentManager将这些Region按照轮询(Round-Robin)的方式分配到每一个RegionServer中，具体的分配计划是由LoadBalancer来提供的。
AssignmentManager负责所有Regions的分配/迁移操作，Master中有一个定时运行的线程，来检查集群中的Regions在各个RegionServer之间的负载是否是均衡的，如果不均衡，则通过LoadBalancer生成相应的Region迁移计划，HBase中支持多种负载均衡算法，有最简单的仅考虑各RegionServer上的Regions数目的负载均衡算法，有基于迁移代价的负载均衡算法，也有数据本地化率优先的负载均衡算法，因为这一部分已经提供了插件化机制，用户也可以自定义负载均衡算法。
总结
本文主要介绍了如下内容：
1. HBase项目概述，呈现了HBase社区的活跃度以及搜索引擎热度等信息
2. HBase数据模型部分，讲到了RowKey，稀疏矩阵，Region，Column Family，KeyValue等概念
3. 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）
4. 介绍了HBase与HDFS的关系
5. 介绍了集群的关键角色：ZooKeeper, Master, RegionServer，NameNode, DataNode
6. 集群部署建议
7. 给出了一些示例数据
8. 写数据之前的准备工作：建立集群连接，建表（建表时应该定义合理的Schema以及设置合理的Region数量），建表由Master处理，新创建的Regions由Region AssignmentManager负责分配到各个RegionServer。
下一篇文章将正式开始介绍写数据的流程。
致谢
感谢Apache HBase PMC成员Ted Yu，李钰，张铎对本文中与2.0版本相关特性/流程描述内容方面的Review。
欢迎关注本公众号：iteblog_hadoop:
0、回复 电子书 获取 本站所有可下载的电子书
1、三种恢复 HDFS 上删除文件的方法
2、Apache Spark 2.3 重要特性介绍
3、盘点2017年晋升为Apache TLP的大数据相关项目
4、干货 | Spark SQL：过去，现在以及未来
5、Apache Spark 黑名单(Blacklist)机制介绍
6、Kafka 在华泰证券的探索与实践
7、Apache CarbonData里程碑式版本1.3发布，多个重要新特性
8、干货 | Apache Spark 2.0 作业优化技巧
9、[干货]大规模数据处理的演变(2003-2017)
10、干货 | 如何使用功能强大的 Apache Flink SQL
11、更多大数据文章欢迎访问https://www.iteblog.com及本公众号(iteblog_hadoop) 12、Flink中文文档：http://flink.iteblog.com