NOSQL之旅-----HBase

原文 http://yuquan-nana.iteye.com/blog/613506

 

最近因为项目原因，研究了Cassandra,Hbase 等几个 NOSQL 数据库，最终决定采用 HBase 。在这里，我就向大家分享一下自己对 HBase 的理解。

在说HBase 之 前，我想再唠叨几句。做互联网应用的哥们儿应该都清楚，互联网应用这东西，你没办法预测你的系统什么时候会被多少人访问，你面临的用户到底有多少，说不定 今天你的用户还少，明天系统用户就变多了，结果您的系统应付不过来了了，不干了，这岂不是咱哥几个的悲哀，说时髦点就叫“杯具啊”。

   其实说白了，这些就是事先没有认清楚互联网应用什么才是最重要的。从系统架构的角度来说，互联网应用更加看重系统性能以及伸缩性，而传统企业级应用都是比较看重数据完整性和数据安全性。那么我们就来说说互联网应用伸缩性这事儿。

对于伸缩性这事儿，哥们儿我也写了几篇博文，想看的兄弟可以参考我以前的博文，对于web server,app server 的伸缩性，我在这里先不说了，因为这部分的伸缩性相对来说比较容易一点，我主要来回顾一些一个慢慢变大的互联网应用如何应对数据库这一层的伸缩。

 首先刚开始，人不多，压力也不大,搞一台数据库服务器就搞定了，此时所有的东东都塞进一个Server 里，包括 web server,app server,db server,但 是随着人越来越多，系统压力越来越多，这个时候可能你把 web server,app server 和 db server 分离了，好歹这样可以应付一阵子，但是随着用户量的不断增加，你会发现，数据库这哥们不行了，速度老慢了，有时候还会宕掉，所以这个时候，你得给数据库这哥们找几个伴，这个时候 Master-Salve 就出现了，这个时候有一个 Master Server 专门负责接收写操作，另外的几个 Salve Server 专门进行读取，这样 Master 这哥们终于不抱怨了，总算读写分离了，压力总算轻点了 , 这个时候其实主要是对读取操作进行了水平扩张，通过增加多个 Salve 来克服查询时 CPU 瓶颈。一般这样下来，你的系统可以应付一定的压力，但是随着用户数量的增多，压力的不断增加，你会发现 Master server 这 哥们的写压力还是变的太大，没办法，这个时候怎么办呢？你就得切分啊，俗话说“只有切分了，才会有伸缩性嘛”，所以啊，这个时候只能分库了，这也是我们常 说的数据库“垂直切分”，比如将一些不关联的数据存放到不同的库中，分开部署，这样终于可以带走一部分的读取和写入压力了， Master 又可以轻松一点了，但是随着数据的不断增多，你的数据库表中的数据又变的非常的大，这样查询效率非常低，这个时候就需要进行“水平分区”了，比如通过将 User 表中的数据按照 10W 来划分，这样每张表不会超过 10W 了。

综上所述，一般一个流行的web 站点都会经历一个从单台 DB ，到主从复制，到垂直分区再到水平分区的痛苦的过程。其实数据库切分这事儿，看起来原理貌似很简单，如果真正做起来，我想凡是 sharding 过数据库的哥们儿都深受其苦啊。对于数据库伸缩的文章，哥们儿可以看看后面的参考资料介绍。

 好了，从上面的那一堆废话中，我们也发现数据库存储水平扩张scale out 是多么痛苦的一件事情，不过幸好技术在进步，业界的其它弟兄也在努力， 09 年这一年出现了非常多的 NOSQL 数据库，更准确的应该说是 No relation 数据库，这些数据库多数都会对非结构化的数据提供透明的水平扩张能力，大大减轻了哥们儿设计时候的压力。下面我就拿 Hbase 这分布式列存储系统来说说。

 

一 Hbase 是个啥东东？

    在说Hase 是个啥家伙之前，首先我们来看看两个概念，面向行存储和面向列存储。面向行存储，我相信大伙儿应该都清楚，我们熟悉的 RDBMS 就是此种类型的，面向行存储的数据库主要适合于事务性要求严格场合，或者说面向行存储的存储系统适合 OLTP ，但是根据 CAP 理论，传统的 RDBMS ，为了实现强一致性，通过严格的 ACID 事务来进行同步，这就造成了系统的可用性和伸缩性方面大大折扣，而目前的很多 NOSQL 产品，包括 Hbase ，它们都是一种最终一致性的系统，它们为了高的可用性牺牲了一部分的一致性。好像，我上面说了面向列存储，那么到底什么是面向列存储呢？ Hbase,Casandra,Bigtable 都属于面向列存储的分布式存储系统。看到这里，如果您不明白 Hbase 是个啥东东，不要紧，我再总结一下下：

 Hbase是一个面向列存储的分布式存储系统，它的优点在于可以实现高性能的并发读写操作，同时 Hbase 还会对数据进行透明的切分，这样就使得存储本身具有了水平伸缩性。

 

二 Hbase 数据模型

HBase,Cassandra的数据模型非常类似，他们的思想都是来源于 Google 的 Bigtable ，因此这三者的数据模型非常类似，唯一不同的就是 Cassandra 具有 Super cloumn family 的概念，而 Hbase 目前我没发现。好了，废话少说，我们来看看 Hbase 的数据模型到底是个啥东东。

在Hbase 里面有以下两个主要的概念， Row key,Column Family ，我们首先来看看 Column family,Column family 中文又名“列族”， Column family 是在系统启动之前预先定义好的，每一个 Column Family 都可以根据“限定符”有多个 column. 下面我们来举个例子就会非常的清晰了。

 假如系统中有一个User 表，如果按照传统的 RDBMS 的话， User 表中的列是固定的，比如 schema  定义了 name,age,sex 等属性， User 的属性是不能动态增加的。但是如果采用列存储系统，比如 Hbase ，那么我们可以定义 User 表，然后定义 info  列族， User 的数据可以分为： info:name = zhangsan,info:age=30,info:sex=male 等，如果后来你又想增加另外的属性，这样很方便只需要 info:newProperty 就可以了。

也许前面的这个例子还不够清晰，我们再举个例子来解释一下，熟悉SNS 的朋友，应该都知道有好友 Feed ，一般设计 Feed ，我们都是按照“某人在某时做了标题为某某的事情”，但是同时一般我们也会预留一下关键字，比如有时候 feed 也许需要 url ， feed 需要 image 属性等，这样来说， feed 本身的属性是不确定的，因此如果采用传统的关系数据库将非常麻烦，况且关系数据库会造成一些为 null 的单元浪费，而列存储就不会出现这个问题，在 Hbase 里，如果每一个 column  单元没有值，那么是占用空间的。下面我们通过两张图来形象的表示这种关系：

           

 

   上图是传统的RDBMS 设计的 Feed 表，我们可以看出 feed 有多少列是固定的，不能增加，并且为 null 的列浪费了空间。但是我们再看看下图，下图为 Hbase ， Cassandra,Bigtable 的数据模型图，从下图可以看出， Feed 表的列可以动态的增加，并且为空的列是不存储的，这就大大节约了空间，关键是 Feed 这东西随着系统的运行，各种各样的 Feed 会出现，我们事先没办法预测有多少种 Feed ，那么我们也就没有办法确定 Feed 表有多少列，因此 Hbase,Cassandra,Bigtable 的基于列存储的数据模型就非常适合此场景。说到这里，采用 Hbase 的这种方式，还有一个非常重要的好处就是 Feed 会自动切分，当 Feed 表中的数据超过某一个阀值以后， Hbase 会自动为我们切分数据，这样的话，查询就具有了伸缩性，而再加上 Hbase 的弱事务性的特性，对 Hbase 的写入操作也将变得非常快。

 

 

 

 

上面说了Column family ，那么我之前说的 Row key 是啥东东，其实你可以理解 row key 为 RDBMS 中的某一个行的主键，但是因为 Hbase 不支持条件查询以及 Order by 等查询，因此 Row key 的设计就要根据你系统的查询需求来设计了额。我还拿刚才那个 Feed 的列子来说，我们一般是查询某个人最新的一些 Feed ，因此我们 Feed 的 Row key 可以有以下三个部分构成 <userId><timestamp><feedId> ，这样以来当我们要查询某个人的最进的 Feed 就可以指定 Start Rowkey 为 <userId><0><0> ， End Rowkey 为 <userId><Long.MAX_VALUE><Long.MAX_VALUE> 来查询了，同时因为 Hbase 中的记录是按照 rowkey 来排序的，这样就使得查询变得非常快。

 

三 Hbase 的优缺点

1 列的可以动态增加，并且列为空就不存储数据 , 节省存储空间 .

2 Hbase自动切分数据，使得数据存储自动具有水平 scalability.

3 Hbase可以提供高并发读写操作的支持

Hbase的缺点：

1 不能支持条件查询，只支持按照 Row key 来查询 .

2 暂时不能支持 Master server 的故障切换 , 当 Master 宕机后 , 整个存储系统就会挂掉 .

 

关于数据库伸缩性的一点资料：

 

http://www.jurriaanpersyn.com/archives/2009/02/12/database-sharding-at-netlog-with-mysql-and-php/

http://adam.blog.heroku.com/past/2009/7/6/sql_databases_dont_scale/

 

 

暂时先分享这么多,以后在项目运用中,遇到问题再分享给大家.