从HBase底层原理解析HBASE列族不能设计太多的原因？

Posted 2021-03-31 大数据学习与分享

在之前的文章中，笔者详细介绍了：

1. HBase基础知识（包括简介、表结构）、系统架构、数据存储
2. WAL log和HBase中LSM树的应用
3. HBase寻址机制
4. minor合并和major合并
5. region管理以及region server上下线
6. HMaster工作机制和HBase容错性
7. HBASE数据迁移和备份
1. distcp命令拷贝hdfs文件的方式
2. copytable的方式实现表的迁移和备份
3. replication的方式实现表的复制
4. Export/Import的方式实现表的迁移和备份
   

并通过文章详细阐述了：

1. 布隆过滤器在HBase中的应用

2. 协处理器（observer和endpoint）

3. row key设计要点

4. HBase热点问题及处理
   

通过上述文章的介绍，我们了解到：
HBase底层存储依赖于HDFS，HBase中table在行的方向上分割为多个region，它是HBase负载均衡的最小单元，可以分布在不同的RegionServer上，但是一个region不能拆分到多个RegionServer上。

但是region不是HBase物理存储的最小单元，它由一个或者多个store组成，每个store保存一个column family即列族。每个store由一个memstore和多个storefile组成，storefile由hfile组成是对hfile的轻量级封装，存储在hdfs上。

所以，每个column family可以看作是HBase中一个集中的存储单元。在生产中，我们设计列族时会将具有相似属性的比如IO特性或者将经常一起查询的列放到一个列族中，可以减少文件的IO、寻址时间，从而提高性能。

刚才说到HBase中每个store由memstore和storefile组成，这里的memstore其实是Sorted Memory Buffer，在WAL机制开启的情况下，不考虑块缓存，数据日志会先写入HLog，然后进入Memstore，最后持久化到HFile中。

在这个过程中，如果某region下下的storeFile大小超过阀值就需要进行切分。每个列族在文件层面上是以单独的文件存储的。但是不同的列族，却可能会共享一个region。这就会导致一个问题：

HBase 表中列族A的数据有100万行，但是列族B可能才1000行。当进行region split时，会列族B也进行切分，从而导致这1000行数据也分布在多个不同region中，最终导致查询数据时，导致寻址时间等增加，影响性能。

此外，默认情况下，只有一个region，当满足一定条件，region会进行分裂。如果一个HBase表中设置过多的列族，则可能引起以下问题：

1. 一个region中存有多个store，当region分裂时导致多个列族数据存在于多个region中，查询某一列族数据会涉及多个region导致查询效率低（这一点在多个列族存储的数据不均匀时尤为明显）

2. 多个列族则对应有多个store，那么Memstore也会很多，因为Memstore存于内存，会导致内存的消耗过大

3. HBase中的压缩和缓存flush是基于region的。当一个列族出现压缩或缓存刷新时，因为关联效应会引起临近的其他列族做同样的操作，在列族过多时会涉及大量的IO开销
   

所以，我们在设计HBase表的列族时，遵循以下几个主要原则，以减少文件的IO、寻址时间：

1. 列族数量，要尽可能的少

2. 列族名字可读性好，但不能过长。原因可类比于HBase row key设计原则
   
   

推荐文章：

---

关注大数据学习与分享，获取更多技术干货