HBase进化 | 从NoSQL到NewSQL，凤凰涅槃成就Phoenix

Posted 2021-04-18 HBase技术社区

一.背景概述

近些年来，数据爆炸或者大数据成为IT行业发展的高频词汇，传统单机数据库处理数据能力的瓶颈成为摆在IT工程师面前十分常见且亟待解决的问题。单机硬件存储容量和计算力的增长远远赶不上数据的增长。在单机软件中，数据库是数据相关处理技术的集大成者，集合了数据存储、数据实时读写、在线事务和数据分析等技术，并通过主备、多活等方案保证了可靠性。但是，在实际业务场景中，我们往往并没有同时用到所有数据库提供的能力，这也为我们解决业务中实际遇到的大数据难题提供了解决思路。

当前的大数据系统大多是通过分布式原理，重点解决某个方面或者某些方面的困境和难题，比如HDFS解决了大数据存储的问题，MapReduce解决了大数据量复杂分析和计算的难题，HBase解决了实时读写的问题。下面笔者将介绍HBase从解决实时读写问题出发，逐步进化，从NoSQL发展到NewSQL的过程和最新进展。

图1 NoSQL到NewSQL

单纯从解决大数据实时读写问题角度，最初的HBase系统可以去掉很多传统数据库无关的功能，比如事务，SQL表达与分析等，重点关注于分布式系统的扩展性，容错性，分布式缓存的设计，读写性能的优化以及毛刺的减少等方面。这也就是NoSQL最初的含义，解决大数据的实时存取的核心问题是第一位的，提供简单的Get，Put，Scan接口就可以解决用户的燃眉之急。通过第一阶段的努力，HBase成为了优秀的大数据实时存取引擎，传统数据库的容量问题解决了，HDFS实时性不够的问题也解决了。

走过了从无到有的第一阶段，我们需要让HBase更强大，更好用，门槛更低，让HBase帮助更多的用户解决他们遇到的实际问题。众所周知，SQL是数据处理领域的语言标准，简单，好用，表达力强，用户使用广泛。HBase很有必要回过头来支持SQL，包括语言表达的支持和相关的数据处理方式和能力的支持。当然，HBase SQL的实现和发展跟传统单机数据库有很多不同，便于区别，我们称之为NewSQL。这也是社区Phoenix项目的初衷，如果说HBase是功能强大的存储引擎，那么支持NewSQL之后，就变成了新一代的大飞机。

接下来，第二章将介绍Phoenix项目是如何让HBase从NoSQL成长为NewSQL的；第三章介绍Phoenix在阿里云的实践，增强和典型案例；第四章总结全文以及展望Phoenix未来的发展。

二.方案与实现

图2 Phoenix架构

系统整体架构如图2所示，其中黄色部分是HBase的组件，蓝色部分是Phoenix，我们可以看出Phoenix跟HBase是紧密结合的。Phoenix首先要能通过SQL暴露HBase的能力，然后再通过一系列功能和特性增强HBase能力，并且还要做到足够易用。下面我分别从基于HBase的SQL，SQL执行与优化以使用接口三个方面介绍Phoenix已经做到的事情。

2.1 基于HBase的SQL

让HBase支持SQL，我们首先能想到的是，把SQL语言翻译成HBase API，并且HBase本身的功能特性必须得能通过SQL暴露出来。Phoenix SQL语法即SQL-92标准语法+方言。Phoenix支持标准语法的绝大部分特性，包括：标准类型；聚合，连接，in，排序以及子查询等查询语法；create，drop，delete等数据操作语法，这些操作在底层都会转变为HBase API。

此外，HBase的某些特性也能通过SQL方言的形式表达，比如：

• HBase的列簇，可以把相关的列放到一起，以减少IO，优化读性能，在创建Phoenix表的时候直接写成”cf.col”即可，Phoenix会自动创建cf列簇，如果不指定，则放在默认列簇中；

• Phoenix将insert和update合并成upsert关键字，来对应HBase的Put概念；

• HBase为了避免在表初始时只有一个Region带来数据热点，支持预分区，Phoenix支持在建表的时候通过split on关键字来表达。

• HBase支持动态列的特性在Phoenix中也得以保留，存入数据的时候直接声明新的字段即可使用。

由于充分结合，Phoenix天然继承了HBase所拥有的高并发，大容量，实时存取等特性。

图3 SQL vs HBase API

从图3中可以看出，有了SQL，用户无需编写繁琐的java代码，大大简化了代码逻辑，传统数据库用户可以快速上手，原有基于传统数据库的代码逻辑，只需要少量修改即可运行起来。

2.2 SQL查询优化

图4 Phoenix SQL执行流程

在很多场景下仅拥有实时存取的特性是不够的，大数据在线原地分析也是自然而然的需求，Phoenix基于HBase拥有的高效缓存和LSM索引，可以做到对PB级数据做操作型分析的毫秒级或秒级返回。Phoenix SQL的整体执行流程如图4所示，用户输入的查询语句首先经过SQLParser解析为执行计划，然后经过QueryOptimizer的优化，选取最优的执行计划，执行计划最终会转变为HBase的Scan，RegionServer端的协处理器会作用于该Scan，做本地过滤和聚合，然后把结果返回到客户端做汇总聚合形成最终结果，并通过ResultSet的形式返回给用户。其中主要使用到的策略有：无需数据传输的算子原地计算；实时同步的二级索引；热点数据自动打散；以及基于代价和规则的执行计划优化等。后面笔者介绍前三个最具有Phoenix特色的策略。

在没有Phoenix之前，用户如果需要分析HBase数据，只能从HBase拖出去或者绕过HBase直接读取HDFS上面的HFile的方式进行，前者浪费了大量的网络IO，后者用不到HBase本身做的大量缓存和索引优化。Phoenix使用HBase的协处理器机制，直接在RegionServer上执行算子逻辑，然后将算子的结果返回即可，也就是大数据中的“Move Operator to Data”理念。比如，用户执行“select count(*) from mytable where mytime > timestamp’2018-11-11 00:00:00’”，在实际执行中，会先找到符合过滤条件的region，然后在RegionServer本地计算count，最后再对各个Region上的结果进行汇总。

索引是传统数据库中常见的技术，HBase表中可以指定主键，对主键使用LSM算法构建索引。Phoenix中，用户在创建表的时候，可以指定索引列，可以是单列，也可以是组合列。很多时候仅有主键索引是不够的，特别是对于列特别多的宽表，为此，Phoenix提供二级索引功能，用户能够对表中非主键的列添加索引，并可以加入其它相关列到索引表中，如果某个查询涉及到的列全部在索引表中，直接查询索引表即可，无需访问原数据表。索引表跟原表做到实时同步更新，以保证数据一致性。

索引示例如图5所示，创建索引的时候通过“on”关键字指定索引表的主键，实际HBase表中会使用BA来作为联合主键；“include”关键字指定加入到索引表的其他列。当执行“select c from data_table where b > xx ”时，Phoenix直接查询索引表即可，否者需要返回原表查找。

图5 Phoenix二级索引

当数据的访问比较集中，比如物联网场景中需要对最新的的监控数据做查询分析，而这部分数据往往会集中分布在某个RegionServer上，那么就会形成热点，性能也会大大折扣。此时需要能够把数据打散到不同的RegionServer上来解决，加盐就是这样一个技术。加盐的过程本质上是对原有的主键加上一个字节的前缀，如下面公式所示：

new_row_key = (++index % BUCKETS_NUMBER) + original_key

其中，BUCKETS_NUMBER为桶的个数。主键的分布决定了数据的分布，把主键打散也就意味着数据打散。具体使用时，一般建议桶的数目等于RegionServer的数目。

2.3 使用接口

Phoenix提供JDBC的方式访问，并支持重客户端和轻客户端两种方式，重客户端的JDBC串前缀是“jdbc:phoenix:”，轻客户端的JDBC串前缀为“jdbc:phoenix:thin:”。重客户端中，Phoenix初执行在HBase协处理器之外的逻辑均运行在客户端，这样可以带来最优的性能，但也带来了客户端的复杂性。轻客户端则将上诉逻辑运行在单独不熟的QueryServer中，客户端仅有很薄的JDBC协议转换。轻客户端除支持Java语言外，也支持Python、Go、C#等多种语言。

三.实践案例

阿里云HBase产品中集成Phoenix功能已经有一年多的时间了，阿里云HBase团队对Phoenix在稳定性和性能方面做了一系列的改进优化，并积极反馈回社区，团队的瑾谦同学也成长为了Phoenix社区的Commiter。Phoenix的用户既有来自于新型大数据业务，如物联网、互联网金融以及新零售等；也有来自传统行业，比如游戏、养殖业和运输业等。Phoenix数据既有来在线实时业务，也有从单机数据库同步进来。下面，笔者以物联网场景为例，说明Phoenix如何在实际业务中解决用户难题。

在物联网场景下，大量传感器会把实时监测到的数据上传到云平台，经过一定的预处理后实时写入到Phoenix中，管控平台从Phoenix中直接在线查询和分析数据，如生成报表，监控异常等。该场景会用到Phoenix的一下特性：

• 对实时写入的并发和TPS要求很高，甚至可以达到百万级。

• 数据量比较大，一般在TB到PB级别，且需要根据业务增长动态扩容。

• 有动态列的需求，比如根据业务调整，动态添加监控指标。

• 在线查询，甚至是毫秒级查询要求。

• 维度比较多，需要用到二级索引，以加速在线查询。

• 频繁查询最近一段时间的数据，会造成热点，可以使用加盐的特性。

图6 Phoenix在物联网的应用

四.总结与展望

开源的HDFS、MapReduce和HBase来源于Google的三篇论文，但最终驱动的还是大数据场景下的实际需求。Phoenix的出现也是需求驱动的必然结果，它继承了HBase的各种特性，如高并发，水平扩展，实时读写等，并在其基础上实现了一套SQL引擎，增加了如语法解析、二级索引、查询优化以及JDBC等功能和特性，完成了NoSQL到NewSQL的转变。

阿里云HBase团队和社区对Phoenix后续还会根据实际需求做进一步的进化，包括稳定性的进一步加强；执行计划和运行时的进一步优化；轻客户端在易用性支持上的持续完善；实时交易场景中事务的支持以及跟Spark的深度集成等等。笔者非常希望对HBase和Phoenix感兴趣的读者朋友可以参与到社区里面，共同推动技术的发展，满足更多的场景需求。