Hbase理论要点

Hbase理论知识点概要

问题01：Hbase的功能与应用场景？

• 功能：Hbase是一个分布式的、基于分布式内存和HDFS的按列存储的、NoSQL数据库
• 应用：Hbase适合于需要实时的对大量数据进行快速、随机读写访问的场景

问题02：Hbase有什么特点？

• 分布式的，可以实现高并发的数据读写
• 上层构建分布式内存，可以实现高性能、随机、实时的读写
• 底层基于HDFS，可以实现大数据
• 按列存储，基于列实现数据存储，灵活性更高

问题03：Hbase设计思想是什么？

• 设计思想：冷热数据分离，Hbase将新数据直接写入内存中，如果内存中存储的数据过多，就将内存的数据写入HDFS
  • 热数据是指刚产生的数据，先写内存，大概率的情况下，可以直接从内存中读取
  • 冷数据是指先产生的数据，将内存中产生很久的数据写入HDFS中，被读取的概率较小

问题04：Hbase与HDFS的区别是什么？

• Hbase是一个高性能实时随机读写数据的数据库存储系统，用于实现实时数据存储
• HDFS是一个分布式离线大数据文件存储系统，用于实现离线的文件存储

问题05：Hbase与MySQL的区别是什么？

• Hbase是分布式NoSQL数据库，可以实现高性能的大数据存储
• MySQL是RDBMS关系型数据库，只能实现小数据量的结构化数据存储

问题06：Hbase与Hive的区别是什么？

• Hive是通过构建元数据，映射HDFS文件构建成表，本质还是HDFS，实现离线大数据仓库
• Hbase是通过构建上层分布式内存，底层HDFS，实现大数据实时存储的NoSQL数据库

问题07：Hbase的按列存储是什么？

• Hbase按列存储的设计是指Hbase中的最小操作单元是列，可以实现对每一行的每一列进行读写
• 每一行的列都是动态的，每一行可以拥有不同的列

问题08：请简述Namespace、Rowkey、ColumnFamily及多版本的功能及含义

• Namespace：命名空间，类似于数据库的设计，用于区分不同的业务表
• Rowkey：行健，类似于主键的设计，唯一标识一条数据并且作为Hbase中的唯一索引
• ColumnFamily：列族，用于将列进行分组，底层用于区分存储不同的列，提高查询性能
• 多版本：Hbase中允许一列存储多个版本的值，并通过数据写入的时间戳来区分不同版本 Hbase万能模板: Hbase是一个通过构建上层分布式内存，底层HDFS,分布式的、基于内存和HDFS的、按列存储的高性能快速实时随机读写数据的大数据NoSQL数据库存储系统

问题09：请简述Hbase的分布式主从架构

• 主节点：HMaster：管理节点、负责管理集群的从节点、元数据以及所有Region的分配
• 从节点：HRegionServer：存储节点，负责实现所有数据的存储，管理Region，构建分布式内存

问题10：请简述Table表与RegionServer的关系

• Table是Hbase中的表对象，一张表可以划分为多个Region分区
• RegionServer是Hbase中实现数据存储的节点，负责存储每个Region

问题11：表的Region的划分规则及数据写入分区的规则是什么？

• Region划分规则：范围划分，一张表可以在Rowkey行的方向上划分多个Region，每个Region构成一段连续的区间
• 数据划分规则：根据Rowkey属于哪个Region的范围，就将这条数据写入哪个Region分区中

问题12：Region的内部存储结构是什么？

• 每个RegionServer中管理多个Region
• 每个Region中根据列族划分多个Store
• 每个Store中有1个memstore和多个StoreFile文件
• 数据写入memstore中，如果达到内存阈值，memstore中的数据将写入StoreFile

问题13：什么是热点问题？

• 现象：在某个时间段内，大量的读写请求全部集中在某个Region中，导致这台RegionServer的负载比较高，其他的Region和RegionServer比较空闲
• 问题：这台RegionServer故障的概率就会增加，整体性能降低，效率比较差
• 原因：本质上的原因，数据分配不均衡
• 情况
  • 一张表只有一个Region
  • 一张表有多个Region，但是Rowkey是连续产生的

问题14：怎么解决热点问题？

• 合理的设计Rowkey，构建不连续的Rowkey
• 根据Rowkey的前缀，为表划分多个Region

问题15：Rowkey如何设计，设计规则是什么？

• 业务原则：贴合业务，保证前缀是最常用的查询字段
• 唯一原则：每条rowkey唯一表示一条数据
• 组合原则：常用的查询条件组合作为Rowkey
• 散列原则：rowkey构建不能连续
• 长度原则：满足业务需求越短越好

问题16：列族设计规则是什么？

• 个数原则：如果列的个数比较多，建议2 ~ 3个，如果列的个数比较少，建议1个
  • 列族个数多了，导致比较次数变多，降低性能
  • 列族个数少了，导致列的比较次数变多，降低性能
• 长度原则 ：能满足业务需求的情况下，越短越好

问题17：Hive on Hbase的实现原理是什么？

• Hive on Hbase的原理是通过MapReduce实现对Hbase数据的读写
• MapReduce中提供了TableInputFormat读取Hbase数据，TableOutputFormat写入数据到Hbase

问题18：Phoenix是什么？

• Phoenix是一个专门为Hbase设计的SQL on Hbase的工具
• 底层通过Hbase API和大量的协处理器实现
• 可以实现基于SQL访问Hbase以及构建维护二级索引等功能

问题19：什么是二级索引？为什么要构建二级索引

• 二级索引指的是基于一级索引之上再构建一层索引
• Hbase使用Rowkey作为唯一索引，只有使用Rowkey前缀进行查询，才走索引查询
• 导致大部分的查询都是不走索引，性能比较差
• 通过建立二级索引，可以通过走两次索引代替全表扫描，加快查询速度

问题20：Phoenix实现二级索引时，可以构建哪些索引类型？

• 全局索引
• 覆盖索引
• 本地索引
• 函数索引

问题21：什么是全局索引？

• 创建全局索引，会自动构建一张索引表
• 索引表结构
  • Rowkey：索引字段 原表的rowkey
  • 列：占位置x
• 特点：如果查询字段或者查询条件不是索引字段，就不会走索引
• 应用：适合于读多写少

问题22：什么是覆盖索引？

• 创建覆盖索引，会自动构建一张索引表
• 索引表结构
  • Rowkey：索引字段 原表的rowkey
  • 列：将include中的列放入索引表
• 特点
  • 如果查询字段或者查询条件不是索引字段，就不会走索引
  • 如果查询的字段在索引表中，直接从索引表返回结果

问题23：什么是本地索引？

• 创建覆盖索引，会自动基于原表构建一个列族来实现索引存储
• 原表的数据中：多了一个索引列族
• 特点
  • 不论查询字段是否是索引字段，都会走索引
  • 将索引与数据存储在同一台RegionServer，提高索引读写性能
• 注意
  • 本地索引会修改原数据表，对于本地索引只能使用Phoenix来操作表的数据
  • 盐表不能使用本地索引

问题24：请简述Hbase写入数据的流程

• step1：获取元数据
  • 客户端请求Zookeeper，获取meta表所在的regionserver的地址
  • 读取meta表的数据：获取所有表的元数据
• step2：找到对应的Region
  • 根据meta表中的元数据，找到表对应的所有的region
  • 根据region的范围和写入的Rowkey，判断需要写入具体哪一个Region
  • 根据region的Regionserver的地址，请求对应的RegionServer
• step3：写入数据
  • 请求RegionServer写入对应Region：根据Region的名称来指定写入哪个Region
  • 根据列族判断写入哪一个具体的Store
    • 先写入WAL：Hlog预写日志中
  • 写入对应Store的MemStore中
    • MemStore

问题25：请简述Hbase读取数据的流程

• step1：获取元数据
  • 客户端请求Zookeeper，获取meta表所在的regionserver的地址
  • 读取meta表的数据
  • 注意：客户端会缓存meta表的数据，只有第一次会连接ZK，读取meta表的数据，缓存会定期失效，要重新缓存
    • 避免每次请求都要先连接zk，再读取meta表
• step2：找到对应的Region
  • 根据meta表中的元数据，找到表对应的region
  • 根据region的范围和写入的Rowkey，判断需要写入具体哪一个Region
  • 根据region的Regionserver的地址，请求对应的RegionServer
• step3：读取数据
  • 先查询memstore
  • 如果查询的列族开启了缓存机制，就读取BlockCache
  • 如果没有，就读取StoreFile，并将结果放入BlockCache中

问题26：请简述LSM模型的设计思想

• step1：数据写入的时候，只写入内存
• step2：将数据在内存构建有序，当数据量大的时候，将有序的数据写入磁盘，变成一个有序的数据文件
• step3：基于所有有序的小文件进行合并，合并为一个整体有序的大文件

问题27：什么是Flush，什么时候会触发Flush？

• Flush是指将memstore中的数据写入HDFS，变成StoreFile
• 2.0之前：判断memstore存储大小，单个memstore达到128M就会触发Flush，或者整个memstore达到95%就会触发
• 2.0之后：根据平均每个memstore的存储大小与16M取最大值计算水位线，高于水位线就Flush，不高于就不Flush，都不高于全部Flush

问题28：什么是Compaction，什么时候会触发Compaction？

• Compaction的功能是将多个单独有序StoreFile文件进行合并，合并为整体有序的大文件并且删除过期数据，加快读取速度
• 2.0之前：通过minor compaction和major compaction来实现
  • minor compaction：用于合并最早生成的几个小文件，不清理过期数据
  • major compaction：用于将所有storefile合并为一个StoreFile，并清理过期数据
• 2.0之后：除了minor compaction和major compaction，添加了in-memory-compaction
  • In-memory compaction：在内存中进行合并，合并以后的结果再进行flush，有四种配置
    • none：不开启
    • basic：开启，但是合并时不删除过期数据
    • eager：开启，合并时并清理删除过期数据
    • adaptive：开启，并在合并时根据数据量来自动判断是否清理过期数据

问题29：什么是Spit，什么时候会触发Split？

• Split是指当一个Region存储的数据过多，导致这个Region的负载比较高，Hbase中设定了一个Region最多存储的数据量的阈值，一旦达到阈值，允许Region分裂为两个region，老的region会下线，新的两个region对外提供服务
• 0.94之前：ConstantSizeRegionSplitPolicy
  • 只要region中的storefile达到10G，就分裂
• 2.0之前：IncreasingToUpperBoundRegionSplitPolicy
  • 根据Region个数来实现计算，当达到4个region以后，也是按照10GB来分裂
• 2.0之后：SteppingSplitPolicy
  • Region个数等于1个：按照256M来分裂
  • Region个数超过1个：按照10GB来分裂

问题30：MapReduce读取Hbase数据的原理及返回值是什么？

• MapReduce读取Hbase原理：封装了一个TableInputFormat来实现读取Hbase的数据
• 返回值
  • 每个Region对应一个分片，每个分片启动一个MapTask进行处理
  • 每个Rowkey的数据变成一个KV对
  • K是Rowkey的字节对象：ImmutableBytesWriable类型
  • V是Rowkey的数据对象：Result类型

问题31：MapReduce写入Hbase的原理和要求是什么？

• MapReduce写入Hbase原理：封装了一个TableOutputFormat来实现写入Hbase的数据
• 要求
  • 写入Hbase的数据的V的类型必须为Put类型

问题32：什么是BulkLoad，用于什么场景？

• BulkLoad是指将数据直接转换为StoreFile文件，放入Hbase中，不经过Hbase的内存，避免大量数据进入内存，又从内存进入HDFS
• 应用：大数据量批量写入Hbase

问题33：协处理器是什么？Hbase中提供了几种协处理器？

• 协处理器指的是Hbase提供了一些开发接口，可以自定义开发一些功能集成到Hbase中
• 类似于Hive中的UDF，当没有这个功能时，可以使用协处理器来自定义开发，让Hbase支持对应的功能
• 协处理器分为两类
  • Observer：观察者类，类似于监听器的实现
  • Endpoint：终端者类，类似于存储过程的实现

问题34：Hbase常见优化有哪些？

• 内存优化：针对于不同的读写场景，合理的调整Memstore和BlockCache的比例大小
• 压缩优化：对列族配置压缩存储，减少IO消耗
• 布隆过滤：基于数据文件构建布隆索引，加快数据查询
• 提高客户端缓存空间、指定每次扫描的行数、设置合适的GC算法等
• 其他优化
  • Linux句柄数优化，提高Linux线程、文件通道等资源句柄数
  • HDFS句柄数优化：提高文件打开线程数、提高连接超时时间
  • Zookeeper优化：优化连接超时时间