HBase数据库原理解析 |
您所在的位置：网站首页 › hbase的实现原理 › HBase数据库原理解析 |
HBase数据库原理解析
|
文章目录1.HBase 数据库介绍1.1产生背景1.2简介1.3表结构逻辑视图1.3.1行键（RowKey）1.3.2列簇（Column Family）1.3.3时间戳（TimeStamp）1.3.4单元格（Cell）1.4HBase 应用场景2.HBase 集群结构3.HBase 和 Hive 的比较3.1相同点3.2不同点4.HBase内部原理4.1系统架构4.2物理存储4.2.1整体物理结构4.2.2StoreFile 和 HFile 结构4.2.3MemStore 和 StoreFile4.2.4HLog(WAL)4.3寻址机制4.4读写过程4.4.1读请求过程4.4.2写请求过程4.5RegionServer 工作机制4.6.Master 工作机制
1.HBase 数据库介绍
1.1产生背景 自 1970 年以来，关系数据库用于数据存储和维护有关问题的解决方案。大数据的出现后， 好多公司实现处理大数据并从中受益，并开始选择像 Hadoop 的解决方案。Hadoop 使用分 布式文件系统，用于存储大数据，并使用 MapReduce 来处理。Hadoop 擅长于存储各种格式 的庞大的数据，任意的格式甚至非结构化的处理。 Hadoop 的限制 Hadoop 只能执行批量处理，并且只以顺序方式访问数据。这意味着必须搜索整个数据集， 即使是最简单的搜索工作。 当处理结果在另一个庞大的数据集，也是按顺序处理一个巨大的数据集。在这一点上，一个 新的解决方案，需要访问数据中的任何点（随机访问）单元。 Hadoop 随机存取数据库 应用程序，如 HBase，Cassandra，CouchDB，Dynamo 和 MongoDB 都是一些存储大量数据和 以随机方式访问数据的数据库。 总结： （1）海量数据量存储成为瓶颈，单台机器无法负载大量数据 （2）单台机器 IO 读写请求成为海量数据存储时候高并发大规模请求的瓶颈 （3）随着数据规模越来越大，大量业务场景开始考虑数据存储横向水平扩展，使得存储服 务可以增加/删除，而目前的关系型数据库更专注于一台机器 1.2简介官网：http://HBase.apache.org/ Apache HBase™ is the Hadoop database, a distributed, scalable, big data store. Use Apache HBase™ when you need random, realtime read/write access to your Big Data. This project’s goal is the hosting of very large tables – billions of rows X millions of columns – atop clusters of commodity hardware. Apache HBase is an open-source, distributed, versioned, non-relational database modeled after Google’s Bigtable: A Distributed Storage System for Structured Data by Chang et al. Just as Bigtable leverages the distributed data storage provided by the Google File System, Apache HBase provides Bigtable-like capabilities on top of Hadoop and HDFS.HBase 是 BigTable 的开源（源码使用 Java 编写）版本。是 Apache Hadoop 的数据库，是建 立在 HDFS 之上，被设计用来提供高可靠性、高性能、列存储、可伸缩、多版本的 NoSQL 的分布式数据存储系统，实现对大型数据的实时、随机的读写访问。 HBase 依赖于 HDFS 做底层的数据存储，BigTable 依赖 Google GFS 做数据存储 HBase 依赖于 MapReduce 做数据计算，BigTable 依赖 Google MapReduce 做数据计算 HBase 依赖于 ZooKeeper 做服务协调，BigTable 依赖 Google Chubby 做服务协调 NoSQL = NO SQL NoSQL = Not Only SQL：会有一些把 NoSQL 数据的原生查询语句封装成 SQL 比如 HBase 就有 Phoenix 工具 关系型数据库 和 非关系型数据库的典型代表： NoSQL：HBase, redis, mongodb RDBMS：mysql,oracle,sql server,db2 以下五点是 HBase 这个 NoSQL 数据库的要点： ① 它介于 NoSQL 和 RDBMS 之间，仅能通过主键(rowkey)和主键的 range 来检索数据 ② HBase 查询数据功能很简单，不支持 join 等复杂操作 ③ 不支持复杂的事务，只支持行级事务(可通过 hive 支持来实现多表 join 等复杂操作)。 ④ HBase 中支持的数据类型：byte[]（底层所有数据的存储都是字节数组） ⑤ 主要用来存储结构化和半结构化的松散数据。 结构化：数据结构字段含义确定，清晰，典型的如数据库中的表结构 半结构化：具有一定结构，但语义不够确定，典型的如 HTML 网页，有些字段是确定的(title)， 有些不确定(table) 非结构化：杂乱无章的数据，很难按照一个概念去进行抽取，无规律性 与 Hadoop 一样，HBase 目标主要依靠横向扩展，通过不断增加廉价的商用服务器，来增加 计算和存储能力。 HBase 中的表特点 大：一个表可以有上十亿行，上百万列 面向列：面向列(族)的存储和权限控制，列(簇)独立检索。 稀疏：对于为空(null)的列，并不占用存储空间，因此，表可以设计的非常稀疏。 无模式：每行都有一个可排序的主键和任意多的列，列可以根据需要动态的增加，同一 张表中不同的行可以有截然不同的列 1.3表结构逻辑视图HBase 以表的形式存储数据。表由行和列组成。列划分为若干个列簇 (Column Family)
与 NoSQL 数据库们一样，rowkey 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rowkey 行键可以是任意字符串(最大长度是 64KB，实际应用中长度一般为 10-100bytes)，最好是 16。在 HBase 内部，rowkey 保存为字节数组。HBase 会对表中的数据按照 rowkey 排序 (字典顺序) 存储时，数据按照 rowkey 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放到一起。(位置相关性) 注意： 字典序对 int 排序的结果是 1,10,100,11,12,13,14,15,16,17,18,19,2,20,21,„,9,91,92,93,94,95,96,97,98,99。 要保持整形的自然序，行键必须用 0 作左填充。 行的一次读写是原子操作(不论一次读写多少列)。这个设计决策能够使用户很容易的理解程 序在对同一个行进行并发更新操作时的行为。 1.3.2列簇（Column Family）HBase 表中的每个列，都归属与某个列簇。列簇是表的 Schema 的一部分(而列不是)，必须 在使用表之前定义好，而且定义好了之后就不能更改。 列名都以列簇作为前缀。例如 courses:history，courses:math 都属于 courses 这个列簇。 访问控制、磁盘和内存的使用统计等都是在列簇层面进行的。 列簇越多，在取一行数据时所要参与 IO、搜寻的文件就越多，所以，如果没有必要，不要 设置太多的列簇（最好就一个列簇） 1.3.3时间戳（TimeStamp）HBase 中通过 rowkey 和 columns 确定的为一个存储单元称为 cell。每个 cell 都保存着同一份 数据的多个版本。版本通过时间戳来索引。时间戳的类型是 64 位整型。时间戳可以由 HBase(在数据写入时自动)赋值，此时时间戳是精确到毫秒的当前系统时间。时间戳也可以由 客户显式赋值。如果应用程序要避免数据版本冲突，就必须自己生成具有唯一性的时间戳。 每个 cell 中，不同版本的数据按照时间倒序排序，即最新的数据排在最前面。 为了避免数据存在过多版本造成的的管理 (包括存贮和索引)负担，HBase 提供了两种数据版 本回收方式： 保存数据的最后 n 个版本 保存最近一段时间内的版本（设置数据的生命周期 TTL） 用户可以针对每个列簇进行设置。 1.3.4单元格（Cell）由{rowkey, column( = + ), version} 唯一确定的单元。 Cell 中的数据是没有类型的，全部是字节码形式存贮。 1.4HBase 应用场景 半结构化或非结构化数据对于数据结构字段不够确定或杂乱无章很难按一个概念去进行抽取的数据适合用 HBase。而 且 HBase 是面向列的，HBase 支持动态增加字段 记录非常稀疏RDBMS 的行有多少列是固定的，为 null 的列浪费了存储空间。而 HBase 为 null 的 Column 是不会被存储的，这样既节省了空间又提高了读性能。 多版本数据对于需要存储变动历史记录的数据，使用 HBase 就再合适不过了。HBase 根据 Row key 和 Column key 定位到的 Value 可以有任意数量的版本值。 超大数据量当数据量越来越大，RDBMS 数据库撑不住了，就出现了读写分离策略，通过一个 Master 专 门负责写操作，多个 Slave 负责读操作，服务器成本倍增。随着压力增加，Master 撑不住了， 这时就要分库了，把关联不大的数据分开部署，一些 join 查询不能用了，需要借助中间层。 随着数据量的进一步增加，一个表的记录越来越大，查询就变得很慢，于是又得搞分表，比 如按 ID 取模分成多个表以减少单个表的记录数。经历过这些事的人都知道过程是多么的折 腾。采用 HBase 就简单了，只需要加机器即可，HBase 会自动水平切分扩展，跟 Hadoop 的 无缝集成保障了其数据可靠性（HDFS）和海量数据分析的高性能（MapReduce）。 2.HBase 集群结构
region：是 HBase 中对表进行切割的单元，由 regionserver 负责管理 hamster：HBase 的主节点，负责整个集群的状态感知，负载分配、负责用户表的元数据(schema)管理（可以配置多个用来实现 HA）,hmaster 负载压力相对于 hdfs 的 namenode 会小很多 regionserver：HBase 中真正负责管理 region 的服务器，也就是负责为客户端进行表数据读写 的服务器每一台 regionserver 会管理很多的 region，同一个 regionserver 上面管理的所有的 region 不属于同一张表 zookeeper：整个 HBase 中的主从节点协调，主节点之间的选举，集群节点之间的上下线感 知„„都是通过 zookeeper 来实现 HDFS：用来存储 HBase 的系统文件，或者表的 region 3.HBase 和 Hive 的比较 3.1相同点HBase 和 Hive 都是架构在 Hadoop 之上，用 HDFS 做底层的数据存储，用 MapReduce 做 数据计算 3.2不同点 Hive 是建立在 Hadoop 之上为了降低 MapReduce 编程复杂度的 ETL 工具。 HBase 是为了弥补 Hadoop 对实时操作的缺陷 Hive 表是纯逻辑表，因为 Hive 的本身并不能做数据存储和计算，而是完全依赖 Hadoop HBase 是物理表，提供了一张超大的内存 Hash 表来存储索引，方便查询 Hive 是数据仓库工具，需要全表扫描，就用 Hive，因为 Hive 是文件存储 HBase 是数据库，需要索引访问，则用 HBase，因为 HBase 是面向列的 NoSQL 数据库 Hive 表中存入数据（文件）时不做校验，属于读模式存储系统 HBase 表插入数据时，会和 RDBMS 一样做 Schema 校验，所以属于写模式存储系统 Hive 不支持单行记录操作，数据处理依靠 MapReduce，操作延时高 HBase 支持单行记录的 CRUD，并且是实时处理，效率比 Hive 高得多 4.HBase内部原理 4.1系统架构
Client 职责 HBase 有两张特殊表：.meta.：记录了用户表的 Region 信息，.META.可以有多个 regoin-root-：记录了.META.表的 Region 信息，-ROOT-只有一个 region Client 访问用户数据前需要首先访问 zookeeper，找到-root-表的 region 所在的位置，然后 访问-root-表，接着访问.meta.表，最后才能找到用户数据的位置去访问，中间需要多次网络 操作，不过 client 端会做 cache 缓存。ZooKeeper 职责 1、ZooKeeper 为 HBase 提供 Failover 机制，选举 master，避免单点 master 单点故障问题 2、存储所有 Region 的寻址入口：-root-表在哪台服务器上。-root-这张表的位置信息 3、实时监控 RegionServer 的状态，将 RegionServer 的上线和下线信息实时通知给 Master 4、存储 HBase 的 schema，包括有哪些 table，每个 table 有哪些 column family Master 职责 为 RegionServer 分配 region 负责 RegionServer 的负载均衡 发现失效的 RegionServer 并重新分配其上的 region HDFS 上的垃圾文件（HBase）回收 处理 schema 更新请求（表的创建，删除，修改，列簇的增加等等）RegionServer 职责 RegionServer 维护 Master 分配给它的 region，处理对这些 region 的 IO 请求 RegionServer 负责 Split 在运行过程中变得过大的 region，负责 Compact 操作可以看到，client 访问 HBase 上数据的过程并不需要 master 参与（寻址访问 zookeeper 和 RegioneServer，数据读写访问 RegioneServer），master 仅仅维护者 table 和 region 的元数据 信息，负载很低。 .meta. 存的是所有的 region 的位置信息，那么 RegioneServer 当中 region 在进行分裂之后 的新产生的 region，是由 master 来决定发到哪个 RegioneServer，这就意味着，只有 master 知道 new region 的位置信息，所以，由 master 来管理.meta.这个表当中的数据的 CRUD 所以结合以上两点表明，在没有 region 分裂的情况，master 宕机一段时间是可以忍受的。 4.2物理存储 4.2.1整体物理结构
StoreFile 以 HFile 格式保存在 HDFS 上，请看下图 HFile 的数据组织格式：
首先 HFile 文件是不定长的，长度固定的只有其中的两块：Trailer 和 FileInfo。 正如图中所示： Trailer 中有指针指向其他数据块的起始点。 FileInfo 中记录了文件的一些 Meta 信息，例如：AVG_KEY_LEN, AVG_VALUE_LEN, LAST_KEY, COMPARATOR, MAX_SEQ_ID_KEY 等。 HFile 分为六个部分： Data Block 段 – 保存表中的数据，这部分可以被压缩 Meta Block 段(可选的) – 保存用户自定义的 kv 对，可以被压缩。 File Info 段 – Hfile 的元信息，不被压缩，用户也可以在这一部分添加自己的元信息。 Data Block Index 段 – Data Block 的索引。每条索引的 key 是被索引的 block 的第一条记录的 key。 Meta Block Index 段 (可选的) – Meta Block 的索引。 Trailer 段 – 这一段是定长的。保存了每一段的偏移量，读取一个 HFile 时，会首先读取 Trailer， Trailer保存了每个段的起始位置(段的Magic Number用来做安全check)，然后，DataBlock Index 会被读取到内存中，这样，当检索某个 key 时，不需要扫描整个 HFile，而只需从内存中找 到key所在的block，通过一次磁盘io将整个block读取到内存中，再找到需要的key。DataBlock Index 采用 LRU 机制淘汰。 HFile 的 Data Block，Meta Block 通常采用压缩方式存储，压缩之后可以大大减少网络 IO 和磁 盘 IO，随之而来的开销当然是需要花费 cpu 进行压缩和解压缩。 目标 Hfile 的压缩支持两种方式：Gzip，LZO。 Data Index 和 Meta Index 块记录了每个 Data 块和 Meta 块的起始点。 Data Block 是 HBase I/O 的基本单元，为了提高效率，HRegionServer 中有基于 LRU 的 Block Cache 机制。每个 Data 块的大小可以在创建一个 Table 的时候通过参数指定，大号的 Block 有利于顺序 Scan，小号 Block 利于随机查询。 每个 Data 块除了开头的 Magic 以外就是一个 个 KeyValue 对拼接而成, Magic 内容就是一些随机数字，目的是防止数据损坏。 HFile 里面的每个 KeyValue 对就是一个简单的 byte 数组。但是这个 byte 数组里面包含了很 多项，并且有固定的结构。我们来看看里面的具体结构：
开始是两个固定长度的数值，分别表示 Key 的长度和 Value 的长度。紧接着是 Key，开始是 固定长度的数值，表示 RowKey 的长度，紧接着是 RowKey，然后是固定长度的数值，表示 Family 的长度，然后是 Family，接着是 Qualifier，然后是两个固定长度的数值，表示 Time Stamp 和 Key Type（Put/Delete）。Value 部分没有这么复杂的结构，就是纯粹的二进制数据了。 4.2.3MemStore 和 StoreFile一个 Hregion 由多个 Store 组成，每个 Store 包含一个列族的所有数据 Store 包括位于内存的一个 memstore 和位于硬盘的多个 storefile 组成 写操作先写入 memstore，当 memstore 中的数据量达到某个阈值，HRegionServer 启动 flushcache 进程写入 storefile，每次写入形成单独一个 Hfile 当总 storefile 大小超过一定阈值后，会把当前的 region 分割成两个，并由 HMaster 分配给相 应的 region 服务器，实现负载均衡 客户端检索数据时，先在 memstore 找，找不到再找 storefile 4.2.4HLog(WAL)WAL 意为 Write ahead log(http://en.wikipedia.org/wiki/Write-ahead_logging)，类似 mysql 中的 binlog，用来做灾难恢复之用，Hlog 记录数据的所有变更，一旦数据修改，就可以从 log 中 进行恢复。 每个 Region Server 维护一个 Hlog,而不是每个 Region 一个。这样不同 region(来自不同 table) 的日志会混在一起，这样做的目的是不断追加单个文件相对于同时写多个文件而言，可以减 少磁盘寻址次数，因此可以提高对 table 的写性能。带来的麻烦是，如果一台 region server 下线，为了恢复其上的 region，需要将 region server 上的 log 进行拆分，然后分发到其它 region server 上进行恢复。 HLog 文件就是一个普通的 Hadoop Sequence File： HLog Sequence File 的 Key 是 HLogKey 对象，HLogKey 中记录了写入数据的归属信息，除 了 table 和 region 名字外，同时还包括 sequence number 和 timestamp，timestamp 是”写入 时间”，sequence number 的起始值为 0，或者是最近一次存入文件系统中 sequence number。 HLog Sequece File 的 Value 是 HBase 的 KeyValue 对象，即对应 HFile 中的 KeyValue 4.3寻址机制现在假设我们要从 user_info 里面寻找一条 RowKey 是 rk0001 的数据。那么我们应该遵循以 下步骤： 从.META.表里面查询哪个 Region 包含这条数据。获取管理这个 Region 的 RegionServer 地址。连接这个 RegionServer，查到这条数据。系统如何找到某个 RowKey (或者某个 RowKey range)所在的 region bigtable 使用三层类似 B+树的结构来保存 region 位置。 第一层是 zookeeper 里面保存的数据，它持有 root region 的位置。 第二层 root region 是.META.表的第一个 region 其中保存了.META.表其它 region 的位置。通过 root region，我们就可以访问.META.表的数据。 第三层是.META.，它是一个特殊的表，保存了 HBase 中所有数据表的 region 位置信息。说明： root region 永远不会被 split，保证了最多需要三次跳转，就能定位到任意 region。 .META.表每行保存一个 region 的位置信息，rowkey 采用表名+表的最后一行编码而成。 为了加快访问，.META.表的全部 region 都保存在内存中。 client 会将查询过的位置信息保存缓存起来，缓存不会主动失效，因此如果 client 上的缓 存全部失效，则需要进行最多 6 次网络来回，才能定位到正确的 region(其中三次用来发现 缓存失效，另外三次用来获取位置信息)。 4.4读写过程 4.4.1读请求过程 客户端通过 zookeeper 以及-root-表和.meta.表找到目标数据所在的 regionserver(就是数据 所在的 region 的主机地址) 联系 regionserver 查询目标数据 regionserver 定位到目标数据所在的 region，发出查询请求 region 先在 memstore 中查找，命中则返回 如 果 在 memstore 中 找 不 到 ， 则 在 storefile 中 扫 描 （ 可 能 会 扫 描 到 很 多 的 storefile----BloomFilter） （BloomFilter，布隆过滤器：迅速判断一个元素是不是在一个庞大的集合内，但是他有一个 弱点：它有一定的误判率） （误判率：原本不存在与该集合的元素，布隆过滤器有可能会判断说它存在，但是，如果 布隆过滤器，判断说某一个元素不存在该集合，那么该元素就一定不在该集合内） 4.4.2写请求过程 client 先根据 rowkey 找到对应的 region 所在的 regionserver client 向 regionserver 提交写请求 regionserver 找到目标 region region 检查数据是否与 schema 一致 如果客户端没有指定版本，则获取当前系统时间作为数据版本 将更新写入 WAL log 将更新写入 Memstore 判断 Memstore 的是否需要 flush 为 Store 文件。HBase 在做数据插入操作时，首先要找到 rowkey 所对应的的 region，怎么找到的？其实这个 简单，因为.META.表存储了每张表每个 region 的起始 rowkey 了。 建议：在做海量数据的插入操作，避免出现递增 rowkey 的 put 操作 如果 put 操作的所有 rowkey 都是递增的，那么试想，当插入一部分数据的时候刚好进行分 裂，那么之后的所有数据都开始往分裂后的第二个 region 插入，就造成了数据热点现象。 细节描述： HBase 使用 MemStore 和 StoreFile 存储对表的更新。 数据在更新时首先写入 HLog(WAL log)和内存(MemStore)中，MemStore 中的数据是排序的， 当 MemStore 累计到一定阈值时，就会创建一个新的 MemStore，并且将老的 MemStore 添 加到 flush 队列，由单独的线程 flush 到磁盘上，成为一个 StoreFile。于此同时，系统会在 zookeeper 中记录一个 redo point，表示这个时刻之前的变更已经持久化了。当系统出现意外 时，可能导致内存(MemStore)中的数据丢失，此时使用 HLog(WAL log)来恢复 checkpoint 之 后的数据。 StoreFile是只读的，一旦创建后就不可以再修改。因此HBase的更新其实是不断追加的操作。 当一个 Store 中的 StoreFile 达到一定的阈值后，就会进行一次合并(minor_compact, major_compact)，将对同一个 key 的修改合并到一起，形成一个大的 StoreFile，当 StoreFile 的大小达到一定阈值后，又会对 StoreFile 进行 split，等分为两个 StoreFile。由于对表的更 新是不断追加的，compact 时，需要访问 Store 中全部的 StoreFile 和 MemStore，将他们按 row key 进行合并，由于 StoreFile 和 MemStore 都是经过排序的，并且 StoreFile 带有内存中 索引，合并的过程还是比较快。 major_compact 和 minor_compact 的区别 minor_compact 仅仅合并小文件（HFile） major_compact 合并一个 region 内的所有文件 Client 写入 -> 存入 MemStore，一直到 MemStore 满 -> Flush 成一个 StoreFile，直至增长到 一定阈值 -> 触发 Compact 合并操作 -> 多个 StoreFile 合并成一个 StoreFile，同时进行版本 合并和数据删除 -> 当 StoreFiles Compact 后，逐步形成越来越大的 StoreFile -> 单个 StoreFile大小超过一定阈值后，触发 Split 操作，把当前 Region Split 成 2 个 Region，Region 会下线， 新 Split 出的 2 个孩子 Region 会被 HMaster 分配到相应的 HRegionServer 上，使得原先 1 个 Region 的压力得以分流到 2 个 Region 上由此过程可知，HBase 只是增加数据，有所得更新 和删除操作，都是在 Compact 阶段做的，所以，用户写操作只需要进入到内存即可立即返 回，从而保证 I/O 高性能。 写入数据的过程补充： 工作机制：每 个 HRegionServer 中都会有一个 HLog 对象，HLog 是一个实现 Write Ahead Log 的类，每次用户操作写入 Memstore 的同时，也会写一份数据到 HLog 文件，HLog 文件定期 会滚动出新，并删除旧的文件(已持久化到 StoreFile 中的数据)。当 HRegionServer 意外终止 后，HMaster 会通过 Zookeeper 感知，HMaster 首先处理遗留的 HLog 文件，将不同 region 的 log 数据拆分，分别放到相应 region 目录下，然后再将失效的 region（带有刚刚拆分的 log） 重新分配，领取到这些 region 的 HRegionServer 在 Load Region 的过程中，会发现有历史 HLog 需要处理，因此会 Replay HLog 中的数据到 MemStore 中，然后 flush 到 StoreFiles，完成数据 恢复。 4.5RegionServer 工作机制 region 分配 任何时刻，一个 region 只能分配给一个 region server。master 记录了当前有哪些可用的 region server。以及当前哪些 region 分配给了哪些 region server，哪些 region 还没有分配。当需要 分配的新的 region，并且有一个 region server 上有可用空间时，master 就给这个 region server 发送一个装载请求，把 region 分配给这个 region server。region server 得到请求后，就开始 对此 region 提供服务。 region server 上线 master 使用 zookeeper 来跟踪 region server 状态。当某个 region server 启动时，会首先在 zookeeper 上的 server 目录下建立代表自己的 znode。由于 master 订阅了 server 目录上的变 更消息，当 server 目录下的文件出现新增或删除操作时，master 可以得到来自 zookeeper 的 实时通知。因此一旦 region server 上线，master 能马上得到消息。region server 下线 当 region server 下线时，它和 zookeeper 的会话断开，zookeeper 而自动释放代表这台 server 的文件上的独占锁。master 就可以确定： region server 和 zookeeper 之间的网络断开了。 region server 挂了。无论哪种情况，region server 都无法继续为它的 region 提供服务了，此时 master 会删除 server 目录下代表这台 region server 的 znode 数据，并将这台 region server 的 region 分配给其它还 活着的同志。 4.6.Master 工作机制master 上线 master 启动进行以下步骤: 从zookeeper上获取唯一一个代表 active master 的锁，用来阻止其它 master 成为 master。扫描 zookeeper 上的 server 父节点，获得当前可用的 region server 列表。和每个 region server 通信，获得当前已分配的 region 和 region server 的对应关系。扫描.META.region 的集合，计算得到当前还未分配的 region，将他们放入待分配 region 列表。master 下线 由于 master 只维护表和 region 的元数据，而不参与表数据 IO 的过程，master 下线仅导 致所有元数据的修改被冻结(无法创建删除表，无法修改表的 schema，无法进行 region 的负 载均衡，无法处理 region 上下线，无法进行 region 的合并，唯一例外的是 region 的 split 可 以正常进行，因为只有 region server 参与)，表的数据读写还可以正常进行。因此 master 下 线短时间内对整个 HBase 集群没有影响。 从上线过程可以看到，master 保存的信息全是可以冗余信息（都可以从系统其它地方 收集到或者计算出来） 因此，一般 HBase 集群中总是有一个 master 在提供服务，还有一个以上的 master 在等 待时机抢占它的位置。 |
【本文地址】