人工智能的底层构架，认识HBase数据模型

人工智能作为当前最热门的技术，其根本上离不开大数据的支持。如果把人工智能比喻成一个神经网络，那么数据则是在这个神经网络中用来传递信息的化学物质，没有信息传递的神经网络显然不名一文，因此大数据扮演着人工智能基石的角色。

Hadoop生态系统的HDFS和MapReduce分别为大数据提供了存储和分析处理能力，但是对在线实时的数据存取则无能为力，而HBase作为Apache顶级项目，弥补了Hadoop的这一缺陷，满足了在线实时系统低延时的需求。目前HBase在各大互联网公司几乎都有应用，前景广阔。

HBase的数据模型与传统数据库相比更加灵活，使用之前无须预先定义一个所谓的表模式（Schema），同一个表中不同行数据可以包含不同的列，而且HBase对列的数量并没有限制。

当然如果一行包括太多的列，就会对性能产生负面影响。HBase很适合存储不确定列、不确定大小的半结构化数据。

逻辑模型

HBase是一个键值（key-value）型数据库。HBase数据行可以类比成一个多重映射（map），通过多重的键（key）一层层递进可以定位一个值（value）。因为HBase数据行列值可以是空白的（这些空白列是不占用存储空间的），所以HBase存储的数据是稀疏的。

下面解释一下与HBase逻辑模型相关的名词。

（1）表（table）：类似于关系型数据库中的表，即数据行的集合。表名用字符串表示，一个表可以包含一个或者多个分区（region）。

（2）行键（row key）：用来标识表中唯一的一行数据，以字节数组形式存储，类似于关系型数据库中表的主键（不同的是从底层存储来说，行键其实并不能唯一标识一行数据，因为HBase数据行可以有多个版本。

但是，一般在不指定版本或者数据时间戳的情况下，用行键可以获取到当前最新生效的这行数据，因此从用户视图来说，默认情况下行键能够标识唯一一行数据），同时行键也是HBase表中最直接最高效的索引，表中数据按行键的字典序排序。

（3）列族（column family）：HBase是一个列式存储数据库，所谓列式就是根据列族存储，每个列族一个存储仓库（Store），每个Store有多个存储文件（StoreFile）用来存储实际数据。

（4）列限定符（column qualifier）：每个列族可以有任意个列限定符用来标识不同的列，这个列也类似于关系型数据库表的一列，与关系型数据库不同的是列无须在表创建时指定，可以在需要使用时动态加入。

（5）单元格（cell）：单元格由行键、列族、列限定符、时间戳、类型（Put、Delete等用来标识数据是有效还是删除状态）唯一决定，是HBase数据的存储单元，以字节码的形式存储。

（6）版本（version）：HBase数据写入后是不会被修改的，数据的Put等操作在写入预写入日志（Write-Ahead-Log，WAL）（类似于Oracle Redo Log）后，会先写入内存仓库（MemStore），同时在内存中按行键排序，等到合适的时候会将MemStore中的数据刷新到磁盘的StoreFile文件。

因为数据已经排序，所以只需顺序写入磁盘，这样的顺序写入对磁盘来说效率很高。由于数据不会被修改，因此带来的问题就是数据会有多个版本，这些数据都会有一个时间戳用来标识数据的写入时间。

（7）分区（region）：当传统数据库表的数据量过大时，我们通常会考虑对表做分库分表。例如，淘宝的订单系统可以按买家ID与按卖家ID分别分库分表。同样HBase中分区也是一个类似的概念，分区是集群中高可用、动态扩展、负载均衡的最小单元，一个表可以分为任意个分区并且均衡分布在集群中的每台机器上，分区按行键分片，可以在创建表的时候预先分片，也可以在之后需要的时候调用HBase shell命令行或者API动态分片。

接下来以用户行为管理系统为例，假设现在需要用HBase来存储电商系统的用户行为数据，表s_behavior用来存储这些行为数据，两个列族pc和ph分别存储电脑端与手机端的行为数据，列v用来存储用户浏览记录，列o用来存储用户的下单记录，图1-1描述了这个表的HBase逻辑视图。

图1-1　HBase逻辑视图

HBase按行键的字典序存储数据行，其数据存储层级可以用如下的一个Java中的Map结构类比：

Map >>

如下代码可以用来定位到某个键值对（或者说单元格）：

代码清单3-1的JSON字符串同样近似地描述了这个多维的Map。

代码清单3-1　HBase逻辑视图类比JSON

物理模型

HBase是一个列式存储数据库，数据按列族聚簇存储在存储文件（StoreFile）中，空白的列单元格不会被存储，图1-2描述了HBase表的物理存储模型。

（1）HBase中表按照行键的范围被划分为不同的分区（Region），各个分区由分区服务器负责管理并提供数据读写服务，HBase主节点进程（HMaster）负责分区的分配以及在集群中的迁移。

（2）一个分区同时有且仅由一个分区服务器提供服务。当分区增长到配置的大小后，如果开启了自动拆分（也可以手动拆分或者建表时预先拆分），则分区服务器会负责将这个分区拆分成两个。

每个分区都有一个唯一的分区名，格式是“ <表名,startrowkey,创建时间> ”。一个分区下的每个列族都会有一个存储仓库（Store），因此一个表有几个列族，那么每个分区就会有几个存储仓库。

（3）每个Store（存储仓库）有且仅有一个MemStore（内存仓库），但是可以有多个存储文件。当分区服务器处理写入请求时，数据的变更操作在写入WAL后，会先写入MemStore，同时在内存中按行键排序。

当MemStore到达配置的大小或者集群中所有MemStore使用的总内存达到配置的阈值百分比时，MemStore会刷新为一个StoreFile（存储文件）到磁盘，存储文件只会顺序写入，不支持修改。

（4）数据块（block）是HBase中数据读取的最小单元，StoreFile由数据块组成，可以在建表时按列族指定表数据的数据块大小。如果开启了HBase的数据压缩功能，数据在写入StoreFile之前会按数据块进行压缩，读取时同样对数据块解压后再放入缓存。理想情况下，每次读取数据的大小都是指定的数据块大小的倍数，这样可以避免一些无效的IO，效率最高。

图1-2　HBase物理视图

图1-3描述了上面提到的表和分区等各模块分别由HBase的哪些进程负责管理。

图1-3　HBase模块交互图

（1）HMaster：负责监控集群中所有的分区服务器进程，负责所有元数据的更新（如分区由哪个分区服务器提供服务）。

（2）HMaster同时负责分区在分区服务器中的负载均衡，在一个分布式集群中，HMaster进程通常与Hadoop的NameNode运行在同一个节点，每个集群会部署至少两个HMaster节点，一个作为活跃节点提供服务，另一个作为备用节点提供快速的灾备切换，保证集群的高可用。

（3）HRegionServer：管理其负责的分区，处理分区的读写请求、分区增大的拆分（split）以及分区的压缩（compact）。HBase客户端根据元数据（客户端从HMaster获取到元数据后会缓存在本地，当分区操作抛出特定异常后会从HMaster刷新缓存）定位到操作数据对应的分区所在分区服务器之后，HBase客户端对数据的读写就直接与分区服务器交互，因此对分区的读写不会对HMaster造成压力。

HRegionServer进程通常与Hadoop的DataNode运行在同一个节点，这样对数据的读取可以尽量做到本地读取，减少网络请求。

（4）WAL：默认情况下一个分区服务器仅有一个WAL。HBase客户端数据请求操作会先写入WAL文件再写入内存仓库MemStore，这样当分区服务器宕机重启的时候，可以用WAL来恢复分区服务器的状态（如MemStore中更新的数据没有刷新到StoreFile持久化，则分区服务器启动时需要通过WAL重做（replay）数据更新来恢复）。

如果数据操作写入WAL失败，则这个更新数据的请求也会失败。由于一个分区服务器只有一个WAL，对WAL的写入必须是顺序写入，这里可能导致性能瓶颈，HBase1.0引入了mutiWAL的支持，mutiWAL允许分区服务器并发地写入多个WAL，这个并发来自于对WAL更新按分区分组，也就是说不同分区可以支持并发写多个WAL，因此mutiWAL无法提升对单个分区的高并发更新的性能。

（5）Store：每个分区的每个列族对应一个存储仓库，一个存储仓库包含一个MemStore和多个存储文件。当MemStore的大小达到了配置的阈值后，MemStore会刷新为一个存储文件，存储文件顺序写入，不支持修改，以HFile的形式存储在Hadoop的DataNode中。

（6）MemStore：MemStore位于分区服务器的堆内存，数据在写入MemStore的时候即会按行键排序，这样刷新到存储文件的时候可以直接顺序写入，提高写性能。同时，MemStore作为一个内存级缓存，能够提供对新写入数据的快速访问（新插入数据总是比老数据使用频繁）。

《HBase入门与实践》

彭旭 著

本书以精练的语言介绍HBase的基础知识，让初学者能够快速上手使用HBase，对HBase的核心思想（如数据读取、数据备份等）和HBase架构（如LSM树、WAL）有深入的分析，让有经验的HBase开发人员也能够循序渐进地深入理解HBase源码，以便更好地去调试和解决线上遇到的各种问题。本书更加专注HBase在线实时系统的调优，让HBase集群响应延迟更低，能够更好地为在线实时系统服务。

本文转载自异步社区。

hbase 软件开发 大数据

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。