【实战解析】基于HBase的大数据存储在京东的应用场景

HBase是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，适用于结构化的存储，底层依赖于Hadoop的HDFS，利用HBase技术可在廉价PCServer上搭建起大规模结构化存储集群。因此，HBase被广泛使用在大数据存储的解决方案中。

为何使用HBase

(1) HBase的优点：

• 列可以动态增加，并且列为空就不存储数据，节省存储空间
• HBase自动切分数据，使得数据存储自动具有水平scalability
• HBase可以提供高并发读写操作的支持

(2) HBase的缺点：

• 不能支持条件查询，只支持按照Row key来查询
• HBase并不适合传统的事物处理程序或关联分析，不支持复杂查询，一定程度上限制了它的使用，但是用它做数据存储的优势也同样非常明显

因为HBase存储的是松散的数据，所以如果你的应用程序中，数据表每一行的结构是有差别的，那么可以考虑使用HBase。

因为HBase的列可以动态增加，并且列为空就不存储数据，所以如果你需要经常追加字段，且大部分字段是NULL值的，那可以考虑HBase。

因为HBase可以根据Rowkey提供高效的查询，所以如果你的数据(包括元数据、消息、二进制数据等)都有着同一个主键，或者你需要通过键来访问和修改数据，使用HBase是一个很好地选择。

二、如何使用HBase

场景一：卖家操作日志

卖家操作日志，顾名思义是用来记录商家操作的系统，从而可以保证商家可以精确查询自己的各种操作。京东有几十万的商家时时刻刻的进行着各种操作，因此卖家操作日志的特点是：数据量大、实时性强、增多查少。

▲图一

▲图二

做卖家操作日志初期，将所有的操作日志存放在ES中，操作日志的数据量是非常大的，但当时所能申请到的ES资源有限。当把大量的数据存储到有限的ES集群中时便导致了性能的下降。在这种情况下，选择了只在ES集群中存储最近三个月的数据，对其提供灵活的查询，而长期的数据存储使用HBase来进行。这样便可以实现对近期操作灵活展现，对长期数据也有精确备份。

场景二：京麦消息日志的存储

京麦消息日志的存储是属于京麦筋斗云系统(用于打造京麦消息生态系统闭环)不可或缺的一部分，其中包含消息的全链路追踪以及消息的统计分析。京麦消息每天都会有几千万的消息量，如何对消息进行追踪和统计便成为了一个至关重要的问题。

消息追踪要求实时性、多维度精确查询，因此选择将最近一周的消息日志存储在ES。统计分析要求有足够多的数据，因此在将数据存储在ES中的同时也存储在HBase中一份。最终再定期将HBase中的数据导入到京东的数据集市中，这样便可以很方便的对京麦消息进行统计分析。

HBase的数据结构

▲HBase数据的概念视图

要使用HBase首先要了解HBase的数据结构：

HBase会存储系列的行记录，行记录有三个基本类型的定义：Row Key、Time Stamp、Column Family。

1. Row Key

与NoSQL数据库一样，Row Key是用来检索记录的主键。访问HBase table中的行，只有三种方式：

• 通过单个Row Key访问
• 通过Row Key的range全表扫描
• Row Key可以是任意字符串(最大长度是64KB，实际应用中长度一般为 10 ~ 100bytes)，在HBase内部，Row Key保存为字节数组

在存储时，数据按照Row Key的字典序(byte order)排序存储。设计Key时，要充分 排序 存储这个特性，将经常一起读取的行存储到一起(位置相关性)。

2. Column Family

HBase表中每个列都必须属于某个列族，列族必须作为表模式定义的一部分预先给出(有点像关系型数据库中的列名，定义完一般情况下就不会再去修改)。

列名以列族作为前缀，每个列族都可以有多个列成员。新的列族成员(也就是列)可以随后按需，动态加入。

Hbase把同一列族里面的数据存储在同一目录下，由几个文件保存。

3. Time Stamp

在HBase每个cell存储单元对同一份数据有多个版本，根据唯一的时间戳来区分每个版本之间的差异，不同版本的数据按照时间倒序排序，最新的数据版本排在最前面。

三、简述HBase的架构原理

1. HBase的模块

(1) Master

HBase Master用于协调多个Region Server，侦测各个Region Server之间的状态，并平衡Region Server之间的负载。HBase Master还有一个职责就是负责分配Region给Region Server。HBase允许多个Master 节点共存，但是这需要Zookeeper的帮助。不过当多个Master节点共存时，只有一个Master是提供服务的，其他的Master节点处于待命的状态。当正在工作的Master节点宕机时，其他的Master则会接管 HBase 的集群。

(2)Region Server

对于一个Region Server而言，其包括了多个Region。Region Server的作用只是管理表格，以及实现读写操作。Client 直接连接Region Server，并通信获取HBase中的数据。对于Region而言，则是真实存放HBase数据的地方，也就说Region是HBase可用性和分布式的基本单位。如果当一个表格很大，并由多个CF组成时，那么表的数据将存放在多个Region之间，并且在每个Region中会关联多个存储的单元(Store)。

(3)Zookeeper

对于HBase而言，Zookeeper的作用是至关重要的。首先Zookeeper是作为HBase Master的HA解决方案。也就是说，是Zookeeper保证了至少有一个HBase Master处于运行状态。并且Zookeeper负责Region和Region Server的注册。其实Zookeeper发展到目前为止，已经成为了分布式大数据框架中容错性的标准框架。不光是HBase，几乎所有的分布式大数据相关的开源框架，都依赖于Zookeeper实现HA。

2. HBase的原理

首先需要知道HBase的集群是通过Zookeeper来进行机器之前的协调，也就是说HBase Master与Region Server之间的关系是依赖Zookeeper来维护。当一个Client需要访问HBase集群时，Client需要先和Zookeeper来通信，然后才会找到对应的Region Server。每一个 Region Server管理着很多个Region。对于HBase来说，Region是HBase并行化的基本单元。因此，数据也都存储在Region中。

这里需要特别注意，每一个Region都只存储一个Column Family的数据，并且是该CF中的一段(按Row 的区间分成多个Region)。Region所能存储的数据大小是有上限的，当达到该上限时(Threshold)，Region会进行分裂，数据也会分裂到多个Region中，这样便可以提高数据的并行化，以及提高数据的容量。

每个Region包含着多个Store对象。每个Store包含一个MemStore，和一个或多个HFile。MemStore便是数据在内存中的实体，并且一般都是有序的。当数据向Region写入的时候，会先写入MemStore。当MemStore中的数据需要向底层文件系统倾倒(Dump)时(例如MemStore中的数据体积到达MemStore配置的最大值)，Store便会创建StoreFile，而StoreFile就是对HFile一层封装。所以MemStore中的数据会最终写入到HFile中，也就是磁盘IO。由于HBase底层依靠HDFS，因此HFile都存储在HDFS之中。这便是整个HBase工作的原理简述。

四、使用HBase时应注意的问题

基于HBase的系统设计与开发中，需要考虑的因素不同于关系型数据库，HBase模式本身很简单，但赋予你更多调整的空间，有一些模式写性能很好，但读取数据时表现不好，或者正好相反，类似传统数据库基于范式的OR建模，在实际项目中考虑HBase设计模式是，需要从以下几方面内容着手：

• 这个表应该有多少个列簇
• 列簇使用什么数据
• 每个列簇应有多少个列
• 列名应该是什么，尽管列名不必在建表时定义，但是读写数据时是需要的
• 单元应该存放什么数据
• 每个单元存储什么时间版本
• 行健结构是什么，应该包括什么信息

五、总结

现如今各种数据存储方案层出不穷，本文结合两个实战场景就基于HBase的大数据存储做了简单的分析，并对HBase的原理做了简单的阐述。如何使用好HBase，甚至于如何选择一个最优的数据存储方案，还需要根据场景需要具体分析和设计。

作者简介

目前就职于京东商城京麦平台组，从事京东商家开放平台的相关开发工作。热爱技术，熟悉各种常用开源框架，有丰富的大型分布式系统、高并发系统的开发经验。热衷于对大数据的研究，对Hadoop、HBase以及ES有深入研究和理解。

【本文是51CTO专栏作者张开涛的原创文章，作者微信公众号：开涛的博客，id:kaitao-1234567】

戳这里，看该作者更多好文