浅谈HBase的数据分布

数据分布问题简述

分布式产生的根源是“规模”，规模可理解为计算和存储的需求。当单机能力无法承载日益增长的计算存储需求时，就要寻求对系统的扩展方法。通常有两种扩展方式：提升单机能力(scale up)，增加机器(scale out，水平扩展)。限于硬件技术，单机能力的提升在一个阶段内是有上限的；而水平扩展在理论上可以是无限的，同时，也更廉价、更容易落地。水平扩展可以通过快速、简单的“加机器”，有效解决业务快速增长的问题，这几乎是现代分布式系统必备的能力。对于爆发式增长的业务，水平扩展似乎是唯一可选择的方案。

对于存储系统而言，原本存储在一台机器上的数据，现在要存放在多台机器上。此时必须解决两个问题：分片，复制。

l   数据分片(sharding)，又称分区(partition)，将数据集“合理的”拆分成多个分片，每台机器负责其中若干个分片。以此来突破单机容量的限制，同时也提升了整体的访问能力。另外，分片也降低了单个分片故障的影响范围。

l   数据复制(replica)，也叫“副本”。分片无法解决单机故障丢数据的问题，所以，必然要通过冗余来解决系统高可用的问题。同时，副本机制也是提升系统吞吐、解决热点问题的重要手段。

分片和副本是正交的，这意味着我们可以只使用其中一种或都使用，但通常都是同时使用的。因为分片解决的是规模和扩展性的问题，副本解决可靠、可用性的问题。对于一个生产可用的系统，二者必须同时具备。

从使用者/客户端的角度看，分片和副本可以归结为同一个问题：请求路由，即请求应该发送给哪台机器来处理。

l   读数据时，能通过某种机制来确保有一个合适的分片/副本来提供服务

l   写数据时，能通过同样的机制来确保写到一个合适的地方，并确保副本的一致性

无论客户端的请求是直达服务端(如HBase/cassandra)，还是通过代理(如公有云上的基于gateway的访问方式)，请求路由都是分布式系统必须解决的问题。

无论是分片还是副本，本质上都是数据分布的体现。下面我们来看HBase的数据分布模型。

HBase 的数据分布模型

HBase 的数据分片按表进行，以行为粒度，基于rowkey范围进行拆分，每个分片称为一个region。一个集群有多张表，每张表划分为多个region，每台服务器服务很多region。所以，HBase的服务器称为RegionServer，简称RS。RS与表是正交的，即一张表的region会分布到多台RS上，一台RS也会调度多张表的region。如下图所示：

“ 以行为粒度”，意思是行是region划分的最小单位，即一行数据要么属于A region，要么属于Bregion，不会被拆到两个region中去。（对行进行拆分的方式是“垂直分库”，通常只能在业务层面进行，HBase是水平拆分）

HBase 的副本机制是通过通过底层的HDFS实现的。所以，HBase的副本与分片是解耦的，是存储计算分离的。这使得region可以在RS之间灵活的移动，而不需要进行数据迁移，这赋予了HBase秒级扩容的能力和极大的灵活性。

对于单个表而言，一个“好”的数据分布，应该是每个region的数据量大小相近，请求量(吞吐)接近，每台机器调度的region数量大致相同。这样，这张表的数据和访问能够均匀的分布在整个集群中，从而得到最好的资源利用率和服务质量，即达到负载均衡。当集群进行扩容、缩容时，我们希望这种“均衡”能够自动保持。如果数据分布未能实现负载均衡，则负载较高的机器很容易称为整个系统的瓶颈，这台机器的响应慢，可能导致客户端的大部分线程都在等待这台机器返回，从而影响整体吞吐。所以，负载均衡是region划分和调度的重要目标。

这里涉及到3层面的负载均衡问题：

l   数据的逻辑分布：即region划分/分布，是rowkey到region的映射问题

l   数据的物理分布：即region在RS上的调度问题

l   访问的分布：即系统吞吐(请求)在各个RS上的分布问题，涉及数据量和访问量之间的关系，访问热点等。

可见，一行数据的分布(找到一行数据所在的RS)，存在2个层级的路由：一是rowkey到region的路由，二是region到RS的路由。这一点是HBase能够实现灵活调度、秒级扩容的关键。后面我们会详细讨论。本文仅讨论前面两个问题，第三个问题放在后续的文章中讨论。

基于rowkey范围的region划分

首先，我们来看数据的逻辑分布，即一张表如何划分成多个region。

region 划分的粒度是行，region就是这个表中多个连续的行构成的集合。行的唯一标识符是rowkey，所以，可以将region理解为一段连续分布的rowkey的集合。所以，称这种方式为基于rowkey范围的划分。

一个region负责的rowkey范围是一个左闭右开区间，所以，后一个region的start key是前一个region的end key。注意，第一个region是没有start key的，最后一个region是没有end key的。这样，这个表的所有region加在一起就能覆盖任意的rowkey值域。如下图所示：

上图中，region1是第一个region，没有startKey，region3是最后一个region，没有endKey。图中的region分布是比较均匀的，即每个region的行数是相当的，那么，这个分布是怎么得到的呢？或者说，region的边界是如何确定的？

一般来说，region的生成有3种方式：

l   建表时进行预分区：通过对rowkey进行预估，预先划分好region

l   region 分裂：手工分裂，或达到一定条件时自动分裂(如region大小超过一个阈值)

l   region 合并：手工合并

建表时如果未显式指定region分布，HBase就会只创建一个region，这个region自然也只能由一台机器进行调度(后面会讨论一个region由多个RS调度的情况)。那这个region的吞吐上限就是单机的吞吐上限。如果通过合理的预分区将表分成8个region，分布在8台RS上，那整表的吞吐上限就是8台机器的吞吐上限。

所以，为了使表从一开始就具备良好的吞吐和性能，实际生产环境中建表通常都需要进行预分区。但也有一些例外，比如无法预先对rowkey范围进行预估，或者，不容易对rowkey范围进行均匀的拆分，此时，也可以创建只有一个region的表，由系统自己分裂，从而逐渐形成一个“均匀的”region分布。

比如一张存储多个公司的员工信息的表，rowkey组成是orgId + userid，其中orgId是公司的id。由于每个公司的人数是不确定的，同时也可能是差别很大的，所以，很难确定一个region中包含几个orgId是合适的。此时，可以为其创建单region的表，然后导入初始数据，随着数据的导入进行region的自动分裂，通常都能得到比较理想的region分布。如果后续公司人员发生较大的变化，也可以随时进行region的分裂与合并，来获得最佳分布。

字典序与rowkey比较

上一节我们提到region的rowkey范围是一个左闭右开区间，所有落在这个范围的rowkey都属于这个region。为了进行这个判断，必须将其与这个region的起止rowkey进行比较。除了region归属的判断，在region内部，也需要依赖rowkey的比较规则来对rowkey进行排序。

很多人都会认为rowkey的比较非常简单，没有什么讨论的必要。但正是因为简单，它的使用才能灵活多样，使得HBase具备无限的可能性。可以说，rowkey的比较规则是整个HBase数据模型的核心，直接影响了整个请求路由体系的设计、读写链路、rowkey设计、scan的使用等，贯穿整个HBase。对于用户而言，深入理解这个规则及其应用有助于做出良好的表设计，写出精准、高效的scan。

HBase 的rowkey是一串二进制数据，在 Java 中就是一个byte[]，是一行数据的唯一标识符。而业务的主键可能是有各种数据类型的，所以，这里要解决2个问题：

l   将各种实际使用的数据类型与byte[]进行相互转换

l   保序：byte[]形式的rowkey的排序结果与原始数据的 排序 结果一致

rowkey 的比较就是byte[]的比较，按字典序进行比较(二进制排序)，简单说，就是 c语言 中memcmp函数。通过下面的示例，我们通过排序结果来对这一比较规则以及数据类型转换进行理解。

（1）ascii码的大小比较
1234 -> 0x31 32 33 34
5 -> 0x35
从ascii码表示的数字来看，1234 > 5， 但从字典序来看，1234 < 5

（2）具有相同前缀的ascii码比较
1234     -> 0x31 32 33 34
12340 -> 0x31 32 33 34 00
在C语言中，字符串一般是以0自己结尾的。本例的两个字符串虽然前缀相同，但第二个末尾多了0字节，则第二个“较大”。

（3）正数与负数的比较
int类型的100 -> 0x00 00 00 64
int类型的-100 -> 0xFF FF FF 9C
100 > -100，但其二进制表达中，100 < -100

我们可以将这个比较规则总结如下：

l   从左到右逐个字节进行比较，以第一个不同字节的比较结果作为两个byte[]的比较结果

l   字节的比较是按无符号数方式进行的

l   “ 不存在”比“存在”小

常见的rowkey编码问题：

l   有符号数：二进制表示中，有符号数的首bit是1，在字典序规则下，负数比正数大，所以，当rowkey的值域同时包含正数和负数时，需要对符号位进行反转，以确保正数比负数大

l   倒序：通常用long来描述时间，一般都是倒排的，假设原始值是v，则v的倒序编码是Long#MAX_VALUE - v。

下面通过一个前缀扫描的案例来体会一下这个比较规则的应用。

示例：前缀扫描

Hbase 的rowkey可以理解为单一主键列。如果业务场景需要多列一起构成联合主键(也叫多列主键，组合主键，复合主键等等)，就需要将多列拼接为一列。一般来说，直接将二进制拼接在一起即可。例如：

rowkey 组成：userId + ts

为了简单，假设userid和ts都是定长的，且只有1个字节。例如：

现在，我们要做的事情是，查找某个userid = 2的所有数据。这是一个典型的前缀扫描场景，我们需要构造一个Scan操作来完成：设置正确扫描范围[startRow, stopRow)，与region的边界一样，scan的范围也是一个左闭右开区间。

一个直接的思路是找到最小和最大的ts，与userid = 2拼接，作为查询范围，即[0x02 00, 0x02 FF)。由于scan是左臂右开区间，则0x02 FF不会被作为结果返回。所以，这个方案不可行。

正确的scan范围必须满足：

l   startRow ：必须必任何userId = 2的rowkey都小，且比任何userId = 1的rowkey都大

l   stopRow ：必须必任何userId = 2的rowkey都大，且比任何userId = 3的rowkey都小

那如何利用rowkey的排序规则来“找到”这样一个扫描范围呢？

正确的扫描范围是[0x02, 0x03)。

0x02 比任何userid = 2的行都小。因为ts这一列是缺失的。同理，0x03比任何userid = 2的行都大，又比任何userId = 3的行都小。可见，要实现前缀扫描，只根据前缀的值就可以得到所需的startRow和stopRow，而不需要知道后面的列及其含义。

请读者仔细体会这个例子，然后思考下面几个场景该如何构造startRow和stopRow（答案见文末）。

l   where userid = 2 and ts >= 5 and ts < 20

l   where userid = 2 and ts > 5 and ts < 20

l   where userid = 2 and ts > 5 and ts <= 20

l   where userid > 2 and userid < 4

还有下面这些组合场景：

l   where userid in (3, 5, 7, 9)

l   where userid = 2 and ts in (10, 20, 30)

现在，已经可以感受到使用scan的难点和痛点所在了。在上面的例子中，只有两个定长的列，但在实际业务中，列可能是变长的，有各种各样的数据类型，各种丰富的查询模式。此时，构造一个正确、高效的scan是有难度的。那为什么会有这些问题呢？有没有系统性的解决方案呢？

从形式是看，这是一个“如何将业务查询逻辑转换为HBase的查询逻辑”的问题，本质上是关系表模型到KV模型的映射问题。HBase仅提供了KV层的API，使得用户不得不自己实现这两个模型之间的转换。所以，才会有上面这么多的难点问题。不仅是HBase，所有的KV存储系统在面临复杂的业务模型时，都面临相同的困境。

这个问题的解法是SQL on NoSQL，业界这类方案有很多(如Hive，presto等)，HBase之上的方案就是Phoenix。此类方案通过引入 SQL 来解决NoSQL的易用性问题。对于传统的关系型数据库，虽然有强大的SQL和事务支持，但扩展性和性能受限，为了解决性能问题，MySQL提供了基于 Memcached 的KV访问方式；为了解决扩展性问题，有了各种NewSQL的产品，如Spanner/F1，TiDB，CockroachDB等。NoSQL在做SQL，支持SQL的在做KV，我们可以想象一下未来的存储、数据库系统会是什么样子。这个话题很大，不在本文的讨论范围内，这里就不展开了。

region 的元数据管理与路由

前面我们讨论了将一张表的行通过合理的region划分，可以得到数据量大致接近的region分布。通过合理的运维手段(region的分裂与合并)，我们可以通保证在系统持续运行期间的region分布均匀。此时，数据在逻辑上的拆分已经可以实现均匀。本节中我们看一下region如何分布在RS上，以及客户端如何定位region。

因为region的rowkey范围本身的不确定性或者主观性(人为拆分)，无法通过一个数学公式来计算rowkey属于哪个region(对比一致性hash的分片方式)。因此，基于范围进行的分片方式，需要一个元数据表来记录一个表被划分为哪些region，每个region的起止rowkey是什么。这个元数据表就是meta表，在HBase1.x版本中表名是“hbase:meta”(在094或更老的版本中，是-ROOT-和.META.两个元数据表)。

我们从Put操作来简要的了解region的定位过程。

l   ZK 上找meta表所在的RS(缓存)

l   到meta表上找rowkey所在的region及这个region所在的RS(缓存)

l   发Put请求给这个RS，RS根据region名字来执行写操作

l   如果RS发现这个region不在自己这里，抛异常，客户端重新路由

l      无论读还是写，其定位region的逻辑都是如此。为了降低客户端对meta表的访问，客户端会缓存region location信息，当且仅当缓存不正确时，才需要访问meta表来获取最新的信息。所以，HBase的请求路由是一种基于路由表的解决方案。相对应的，基于一致性Hash的分片方式，则是通过计算来得到分布信息的。

这种基于路由表的方式

l   优点：region的归属RS可以任意更换，或者说，region在RS上的调度是灵活的、可人工干预的。

l   缺点：meta表是一个单点，其有限的吞吐限制了集群的规模和客户端数量

l   region 的灵活调度，结合存储计算分离的架构，赋予了HBase极其强大的能力。

l   秒级扩容：新加入的RS只需要移动region即可立即投产，不依赖数据的迁移(后续慢慢迁)

l   人工隔离：对于有问题的region(如热点，有异常请求)，可以手工移动到一台单独的RS上，进行故障域的快速隔离。

这两点，是众多基于一致性hash的分片方案无法做到的。当然，为了获得这种灵活性，HBase所付出的代价就是复杂的meta表管理机制。其中比较关键的问题就是meta表的单点问题。例如：大量的客户端都会请求meta表来获取region location，meta表的负载较高，会限制获取location的整体吞吐，从而限制集群的规模和客户端规模。

对于一个拥有数百台机器，数十万region的集群来说，这套机制可以很好的工作。但当集群规模进一步扩展，触及到meta表的访问上限时，就会因meta表的访问阻塞而影响服务。当然，绝大多数的业务场景都是无法触达这个临界规模的。

meta 表的问题可以有很多种解决思路，最简单的方式就是副本。例如TiDB的PD服务，获取location的请求可以发送给任何一台PD服务器。

region 的调度

下面我们讨论region调度问题：

l   region 在RS之间的负载均衡

l   同一个region在多个RS上调度

对于第一个问题，HBase的默认均衡策略是：以表为单位，每个RS上调度尽可能相同数量的region。

这个策略假设各个region的数据量分布相对均匀，每个region的请求相对均匀。此时，该策略非常有效。这也是目前使用最多的一种。同时，HBase也提供了基于负载的调度(StochasticLoadBalancer)，会综合考虑多种因素来进行调度决策，不过，暂时缺少生产环境使用的案例和数据。

对于第二个问题，region同一时间只在一台RS上调度，使得HBase在请求成功的情况下提供了强一致的语义，即写成功的数据可以立即被读到。其代价是region的单点调度，即region所在的服务器因为各种原因产生抖动，都会影响这个region的服务质量。我们可将影响region服务的问题分为两类：

l   不可预期的：宕机恢复，GC，网络问题，磁盘抖动，硬件问题等等

l   可预期的(或人为的)：扩容/缩容导致的region移动，region split/merge等。

这些事件发生时，会对这个region的服务或多或少产生一些影响。尤其在宕机场景，从ZK发现节点宕机到region的re-assign，split log，log replay，一些列步骤执行完，一般都需要1分钟以上的时间。对于宕机节点上的region，意味着这段时间这些region都无法服务。

解决方案依然是副本方案，让region在多个RS上调度，客户端选择其中一个进行访问，这个特性叫“region replia”。引入副本必然带来额外的成本和一致性问题。目前这个特性的实现并未降低MTTR时间，内存水位的控制、脏读，使得这个特性仍未在生产中大规模使用。

总结

Hbase 的数据分布与region调度问题，放大到整个分布式系统中，是任务的拆分与调度问题，这个话题的内涵大到足以写几本书。本文只是从HBase这个切面来对数据分片这个话题进行一些讨论，希望能够加深读者对HBase rowkey和region概念的思考和理解，无论是数据库的用户还是开发，都能够从这个讨论中有所收获。

附录

正文中一些查询场景所对应的scan range：

l   where userid = 2 and ts >= 5 and ts < 20: [0x02 05, 0x02 14)

l   where userid = 2 and ts > 5 and ts < 20: [0x02 06, 0x02 14)

l   where userid = 2 and ts > 5 and ts <= 20: [0x02 06, 0x02 15)

l   where userid > 2 and userid < 5: [0x03, 0x05)