你好,游客 登录
背景:
阅读新闻

从MySQL到HBase:数据存储方案转型演进

[日期:2018-06-19] 来源:DBAplus社群  作者: [字体: ]

  本文大致会从以下几个方面入手,谈谈笔者对数据存储方案选型的看法:

  从MySQL到HBase集群化方案的演化

  MySQL与HBase的性能取舍

  ——同方案的优化思路

  总结

  一、集群化方案

  1、MySQL应用的演化

  MySQL与HBase说到较核心的点,是一种数据存储方案。方案本身没有对错、没有好坏,只有合适与否。相信多数公司都与MySQL有着——解之缘,部分——的课程甚至直接以SQL语言作为数据库讲解。我想借自身经历,先来谈谈MySQL应用的演化。

  只有MySQL

  笔者之前曾在一家O2O创业公司工作,公司所有数据都存储在同一个MySQL里,而且没有任何主备方案。相信这是很多初创公司会用到的一个典型解决办法,当时这台MySQL为用户、订单、物流服务,同时也为线下分析服务。

  单实例的问题:

  一旦MySQL挂了,服务全部停止;

  一旦MySQL的磁盘坏了,公司的所有服务都没有了 (一般会定时备份数据文件)。

  主从方案

  随着业务增加,单个DB是无法承载这么多请求的。于是就有了主从复制、读写分离的解决方案。

  master只负责写请,slave同步master用来服务读请求:

  为了扩展读能力可以增加多个slave;

  允许slave同步有一定的延迟;

  一致性要求严格的,可以指定读主库。

  主从功能的问题:

  需要增加管理Proxy层,分配写请求、读请求;

  节点故障:其它节点应该快速接管故障节点的功能。

  垂直拆分

  业务继续增长,master甚至无法承载所有的写请求,数据库需要按业务拆分。

  垂直拆分的问题:

  线下分析,需要在业务代码里join各个表。因为拆成多个库,已经无法join了。

  不容易做数据库的事务性,用户余额减少与下单成功的情况下无法使用MySQL的事务功能。

  水平拆分

  业务继续增长,订单表有大量的并发写入,而且已经有了几千万行数据。

  单个库无法承载大量的并发写入;

  上千万行的大表,数据写入可能需要调整一棵巨大的B+树;

  上千万行,B+树过深,读写需要更多的磁盘IO;

  很多老数据访问较少,B+树上层缓存的部分信息无用;

  ……

  参考:大众点评订单系统分库分表实践

  https://zhuanlan.zhihu.com/p/24036067

  水平分库/分表带来的问题:

  维护map方案;

  辅助索引只能局部有效;

  由于分库,无法使用join等函数;由于分表count、order、group等聚合函数也无法做了;

  扩容:需要再次水平拆分的:修改map,迁移数据……

  2、MySQL的问题

  MySQL的主要瓶颈,单机单进程。CPU有限、内存/磁盘功能、连接数有限、网卡吞吐有限……

  集群的限制点:

  关系型数据库,纵向的外键相互join;

  范式参考链接:https://zhuanlan.zhihu.com/p/20028672

  数据库事务性,基于单机的锁机制,无法扩展到集群中使用;

  全局有序列性基于B+树,数据有序聚合存储,集群化后无法——;

  数据本地存储,扩容需要迁移数据。

  集群的方案:

  放弃部分功能,辅助索引检索、join、全局事务性、聚合函数等;

  水平拆分:存储KV化,用机械的map思路实现集群;

  扩容方案:手动导数据,开发数据迁移脚本;

  事务性:两阶段事务、paxos、单库事务……

  备份容灾:从节点同步主节点,但有一定的数据延迟;

  服务稳定性:主节点挂了,Proxy会将从节点升级为主节点;从节点挂了会被其它从节点替换。

  3、HBase集群化解决方案

  水平拆分:

  region:拆分后的子表;

  Region Server:管理这些数据的server,相当于一个MySQL实例;

  .META.表存储拆分信息map<row, server>。

  单个region过大,RegionServer会将region均分为两个(自动、手工)。然后更新.META.表。

  扩容方案:

  RegionServer向HMaster汇报状态。HMaster为RegionServer负载均衡,调整其负责的region 。

  增/删RegionServer后,会为重新调整region的分配方式。

  服务稳定性:

  RegionServer只是计算单元,挂掉后Hmaster可以随便再找一个节点代替坏节点服务。

  事务性:

  HBase只——行级事务,单行数据肯定存在同一台机器(单机事务很好做)。

  备份容灾:

  数据使用HDFS存储,多复本,任何一个复本挂掉都不影响功能;

  RegionServer只是计算单元,挂掉后不影响服务。

  二、性能取舍

  1、数据请求流程

  HBase:

  Client会通过Zookeeper定位到 .META. 表;

  根据 .META. 查找需要服务的RegionServer,连接RegionServer进行读写;

  Client会缓存 .META. 表信息,下次可以直接连到RegionServer 。

  MySQL:

  Client通过Proxy,查找需要连接的MySQL实例,连接并进行读写。

  Rquest的路由流程,MySQL与HBase基本一致,那么RegionServer与MySQL的性能差异如何呢?

  2、Hbase写得快

  新增

  为什么MySQL建议自增主键?(MySQL随机插入的代价)

  主键索引是有序的B+树结构,新增条目的ID肯定是较大的,新增给B+结构带来的调整较小;

  主键索引是聚簇的:新增条目,ID是较大的。其data追加在上一次插入的后面,磁盘更容易顺序写。

  辅助索引,插入基本是随机的:

  插入条目,可能会引起B+树结构很大的调整。

  HBase可以随机插入:

  HBase的所有插入只是写入内存memstore,只保证内存数据的有序即可(很快、很容易);

  为防止数据丢失写入memstore前,先写入wal(可以关闭,速度更快);

  HBase没有辅助索引需要维护;

  memstore写满了,申请一块新的内存,旧的memstore被后台线程刷盘,存入HFile。

  修改

  MySQL数据变化引起存储变动:

  数据块大小变化:磁盘空间不足,可能需要调整磁盘存储结构,引起大量的磁盘随机读写;

  辅助索引发生变化:可能需要重新调整辅助索引B+树。

  HBase直接将变化写入到memstore,没有其它开销。

  删除

  MySQL数据删除:

  直接操作B+树的节点,肯定需要刷新磁盘;

  如果引起树结构变化,甚至可能需要多次刷新磁盘。

  HBase只是在memstore记录删除标记,没有其它开销。

  3、结论

  HBase写入内存+后台刷盘(较多是WAL,磁盘顺序写);MySQL需要维护B+树,大量的磁盘随机读写。

  MySQL要求尽量追加写(自增 ID),速度较慢;HBase可以随机插入,速度很快。

  MySQL读得快

  MySQL数据是本地存储的,HBase是基于HDFS,有可能数据不在本地。

  B+ 树天然的全局有序

  根据主键查询,可以快速定位到数据所在磁盘块,只需要极少的磁盘IO即可拿到数据:通过缓存高层节点,主健查询只需要一次磁盘IO就可拿到数据;MySQL单表行数一般建议不会超过2千万,千万行以下的大表,B+树只需2~3层即可;

  辅助索引,提供快速定位能力:辅助索引B+树,可以快速定位到较终所需的主键ID,根据主键ID可以快速拿到所需信息。

  HBase只有局部信息,没有辅助索引

  查询会优先查找memstore,如果没有会查找Hfile(存储结构类似B+树)。如果——个Hfile中没有所需的信息,则需要去——、第三个Hfile中查询;如果查询的数据恰好在memstore,——个Hfile,HBase会优于MySQL;平均下来,HBase读性能一般。减少Hfile数据以提速,小的HFile合并成大的HFile文件。这种存储结构叫LSM树(Log-structured merge-tree);

  如果需要检索特定的列,可能需要遍历所有Hfile,成本巨高。

  MySQL成也B+,败也B+;HBase成也LSM,败也LSM。

  4、附录

  B+ 树

  查询“值为25”的节点,只需要2次定位即可。

  LSM树

  查询“值为25”的节点,只需要4次定位即可。

  三、优化思路

  1、HBase优化点 (主要是读)

  异步化

  后台线程将memstore写入Hfile;

  后台线程完成Hfile合并;

  wal异步写入(数据有丢失的风险)。

  数据就近

  blockcache,缓存常用数据块:读请求先到memstore中查数据,查不到就到blockcache中查,再查不到就会到磁盘上读,把较近读的信息放入blockcache,基于LRU淘汰,可以减少磁盘读写,提高性能;

  本地化,如果Region Server恰好是HDFS的data node,Hfile会将其中一个副本放在本地;

  就近原则,如果数据没在本地,Region Server会取较近的data node中数据。

  快速检索

  基于bloomfilter过滤:

  正常检索,RegionServer会遍历所有Hfile查询所需数据。其中,需要遍历Hfile的索引块才能判断Hfile中是否有所需数据;

  BloomFiler存储HFile的摘要,可以通过极少磁盘IO,快速判断当前HFile是否有所需数据:

  行缓存:快速判断Hflie是否有所需要的行,粒度较粗,存储占用少,磁盘IO少,数据较快;

  列缓存:快速判断Hfile是否有所需的列,粒度较细,但存储占用较多。

  基于timestamp过滤:

  HFile基于日志追加、合并,维护了版本信息;

  当查询1小时内提交的信息时,可以跳过只包含1小时前数据的文件。

  HFile存储结构:

  HFile存储格式

  参考链接:

  https://link.zhihu.com/?target=https%3A//blog.csdn.net/yangbutao/article/details/8394149

  Trailer存储整个Hfile的定位信息;

  DataIndex存储Data块的索引信息:Data存储为一组磁盘块,存储数据信息;DataIndex功能类似于B+树的非叶子节点;Data每个磁盘块中的数据按key有序,加载到内存后可以用二分查找定位;Key按行 + 列族 + 列 + 时间戳生成,按字典序排序(较佳查询方式:较左匹配);

  MetaIndex存储Meta的索引信息,Meta存储一系列元信息;MetaIndex功能类似于B+树的非叶子节点;Meta存储bloomfiler等辅助信息。

  2、MySQL优化点(主要是写)

  查询缓存

  将SQL执行结果放入缓存。

  缓存B+高层节点

  一千万行的大表,一般只需要一棵3层的B+树,其中索引节点 (非叶子节点) 的大小约20MB。——可以考虑将大部叶子节点缓存,基于主键查询只需要一次IO。

  减少随机写——缓冲:延迟写/批量写

  上节提到,B+树通过自增主键大量减少随机插入。由于辅助索引的存在,插入、修改、删除操作,辅助索引可能引起大量的随机IO。

  插入缓冲:只是将被插入数据写入insert buffer;定期将其merge到B+树;

  修改缓冲:类似于insert buffer的思路。

  减少随机读——MRR

  SELECT*FROMtWHEREkey_part1>=1000ANDkey_part1<2000ANDkey_part2=10000;

  #普通操作分解:

  key_part1=1000,key_part2=1000,id=1

  select*fromtwhereid=1

  key_part1=1001,key_part2=1000,id=10

  select*fromtwhereid=10

  ...

  #MRR操作分解:

  SELECT*FROMtWHEREkey_part1>=1000ANDkey_part1<2000ANDkey_part2=10000;

  key_part1=1000,key_part2=1000,id=1

  buffer.append(1)

  key_part1=1000,key_part2=1000,id=10

  buffer.append(10)

  ...

  sort(buffer)

  select*fromtwhereidin(buffer)

  索引下推

  MySQL的server处理完索引后,会将索引其它部分传给引擎层;

  引擎层根据过滤条件过滤掉无用的行,减少数据量,进而优化server的性能。

  3、集群化数据库的辅助索引

  InnoDB的辅助索引

  B+树全局有序,叶子节点存储的是主键。基于辅助索引定位主键,再用主键定位数据。MySQL水平切分后,没办法跨库维持建立全局有序索引:

  单实例维护索引,丧失了全局有序性;

  再做一个基于新索引分库方案,丧失了辅助索引维护的事务性。

  HBase相同问题

  仿照InnoDB实现辅助索引,辅助索引可以做成单独的key,其value是被索引行的key;

  可以做到全局信息的维护,但没法保证事务性。

  4、HBase异步合并带来的好处

  TTL:基于后台合并,TTL很容易做;

  数据多版本支持:基于“追加”,HBase天然的可以支持多版本;

  版本数量:基于后台合并,可以将太旧版本干掉。

  四、总结

  不知道BigTable的前辈们是出于什么思路,本人冒昧揣测一下,多少应该是受到SQL数据库的影响。个人感觉,这些或许就是一脉相承的演进,至少用这种思路学习不显突兀。HBase不是凭空而来,也——不是解决所有问题的——灵丹。

  较直接的存储思路肯定是“文件”,当“文件”不能满足需求,就有了数据的组织方式,进而演进到关系数据库如MySQL。

  MySQL以其“单机”很好地解决了ACID问题,但是,性能再好的“单机”势必演变成“单点”瓶颈,进而,分布式思路成为必然。

  较简单的是扩展读,“无限”挂slave;进而拆分写节点,多点写入:垂直拆库、水平拆库。一旦选择分布式,就涉及如何主从一致、如何发现节点、如何运维、ACID的如何保证等问题。

  进而就是一系列分布式方案,而HBase就是其中一种解决思路——只读主库保证一致,水平拆分、zk等机制保证自动运维、单行级ACID。至于性能方面,由于存储思路不同,MySQL与HBase分别取舍了不同的读写性能。继而,就衍生出了如何针对性进行优化。

  以这种思路,HBase不是凭空出现。以个人浅显的目光所及,没有——的架构,也没有——厉害的设计。固然SQL类数据库有其独领风骚的场景,NoSQL数据库自然也有纵横驰骋的疆域,无论是哪种架构,都有自己鞭长莫及的角落。

 

  所以,应该说任何一种方案都没有——,只有合适。而所有的合适都是演变而来,万变不离其宗:更好的解决问题。

收藏 推荐 打印 | 录入:Cstor | 阅读:
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款
热门评论