郑州网站制作开发指数函数图像

说明

• 本文参考自林子雨老师的《大数据技术原理与应用(第三版)》教材内容，仅供学习和交流

HBase的实现原理

HBase功能组件

• HBase 的实现包括 3 个主要的功能组件：库函数，链接到每个客户端；一个 Master 主服务器（也称为 Master）；多个 Region 服务器。
• Region 服务器负责存储和维护分配给自己的 Region，处理来自客户端的读写请求。
• Master 主服务器负责管理和维护HBase 表的分区信息，同时也负责维护 Region 服务器列表。Master 会实时监测集群中的 Region 服务器，把特定的 Region 分配到可用的 Region 服务器上，并确保整个集群内部不同 Region 服务器之间的负载均衡。当某个 Region 服务器因出现故障而失效时，Master 会把该故障服务器上存储的 Region 重新分配给其他可用的 Region 服务器。除此以外，Master 还处理模式变化，如表和列族的创建。
• 客户端并不是直接从 Master 主服务器上读取数据，而是在获得 Region 的存储位置信息后，直接从 Region 服务器上读取数据。
• 注意，HBase 客户端并不依赖于 Master 而是借助于 ZooKeeper 来获得 Region 的位置信息的，所以大多数客户端从来不和 Master 主服务器通信，这种设计方式使 Master 的负载很小。

表和 Region

• 对于每个 HBase 表而言，表中的行是根据行键的值的字典序进行维护的，表中包含的行的数量可能非常庞大，无法存储在一台机器上，需要分布存储到多台机器上。因此，需要根据行键的值对表中的行进行分区。每个行区间构成一个分区，被称为“Region”。
  

• Region 包含了位于某个值域区间内的所有数据，是HBase负载均衡和数据分发的基本单位。这些 Region 会被分发到不同的 Region 服务器上。

• 初始时，每个表只包含一个 Region，随着数据的不断插入，Region 会持续增大。当一个 Region中包含的行数量达到一个阈值时，就会被自动等分成两个新的 Region，随着表中行的数量继续增加，就会分裂出越来越多的 Region
  

• 每个 Region 的默认大小是 100～200 MB。Master主服务器会把不同的 Region 分配到不同的 Region 服务器上，同一个 Region 不会被拆分到多个 Region 服务器上。

• 每个 Region 服务器负责管理一个 Region 集合，通常在每个 Region服务器上会放置 10～1000 个 Region。
  

Region 的定位

• 一个 HBase 的表可能非常庞大，会被分裂成很多个 Region，这些 Region 可被分发到不同的Region 服务器上。因此，必须设计相应的 Region 定位机制，保证客户端可以定位所需数据的Region服务器地址
• 每个 Region 都有一个 RegionID 来标识它的唯一性，一个 Region 标识符就可以表示成“表名＋开始主键＋RegionID”。
• 为了定位每个 Region 所在的位置，可以构建一张映射表。映射表的每个条目（或每行）包含两项内容，一个是 Region 标识符，另一个是 Region 服务器标识。这个映射表包含了关于 Region 的元数据（即 Region和 Region 服务器之间的对应关系），因此也被称为“元数据表”，又名“.META.表”。
• 当一个 HBase 表中的 Region 数量非常庞大的时候，.META.表的条目就会非常多，一个服务器保存不下，也需要分区存储到不同的服务器上，因此.META.表也会被分裂成多个 Region。为了定位这些 Region，需要构建新的映射表，记录所有元数据的具体位置，新的映射表就是“根数据表”，又名“-ROOT-表”。-ROOT-表不能被分割，永远只存在一个 Region 用于存放-ROOT-表。用来存放-ROOT-表的唯一一个Region，它的名字是在程序中被“写死”的，Master 主服务器永远知道它的位置。
• HBase 使用类似 B+树的三层结构来保存 Region 位置信息。
  
• HBase 三层结构中各层次的名称和作用

• 为了加快访问速度，.META.表的全部 Region 都会被保存在内存中

• 客户端访问流程：客户端访问用户数据前，首先访问 ZooKeeper，获取-ROOT-表的位置信息，然后访问-ROOT-表，获得.META.表的信息，接着访问.META.表，找到所需的 Region 具体的Region服务器，最后才会到该 Region 服务器读取数据。该过程需要多次网络操作，为加速寻址过程，一般会在客户端把查询过的位置信息缓存起来，访问相同的数据时，直接从客户端缓存中获取 Region 的位置信息，不需要每次都经历一个“三级寻址”过程。

• 注意：随着 HBase 中表的不断更新，Region 的位置信息可能会发生变化，但是客户端缓存并不会本地检测 Region 位置信息是否失效，而是在需要访问数据时，从缓存中获取 Region 位置信息发现不存在时，才会判断出缓存失效。这时，客户端会再次经历“三级寻址”过程，重新获取最新的 Region 位置信息访问数据，并替换缓存中失效信息。

• 客户端从 ZooKeeper 服务器上获取-ROOT-表地址后，通过“三级寻址”获取用户数据表所在的 Region 服务器，并直接访问该 Region 服务器获得数据，没有必要再连接Master 主服务器。因此，减轻了Master 主服务器的负载。