HBase简介

HBase是一个构建在HDFS之上，用于海量数据存储分布式列存储系统。
参见下图，由于在HBase中：

  • 表的每行都是按照RowKey的字典序排序存储
  • 表的数据是按照RowKey区间进行分割存储成多个region

所以HBase主要适用下面这两种常见场景：

  • 适用于基于rowkey的单行数据快速随机读写
  • 适合基于rowkey前缀的范围扫描

hbase-arch

hbase-region-splits

为什么需要HBase二级索引

HBase里面只有rowkey作为一级索引， 如果要对库里的非rowkey字段进行数据检索和查询， 往往要通过MapReduce/Spark等分布式计算框架进行， 硬件资源消耗和时间延迟都会比较高。
为了HBase的数据查询更高效、适应更多的场景， 诸如使用非rowkey字段检索也能做到秒级响应， 或者支持各个字段进行模糊查询和多字段组合查询等， 因此需要在HBase上面构建二级索引， 以满足现实中更复杂多样的业务需求。

HBase二级索引方案

接下来介绍下主流的几种HBase二级索引方案：

基于Coprocessor方案

官方特性

其实从0.94版本开始，HBase官方文档已经提出了hbase上面实现二级索引的一种路径：

  1. 基于Coprocessor（0.92版本开始引入，达到支持类似传统RDBMS的触发器的行为）
  2. 开发自定义数据处理逻辑， 采用数据“双写”（dual-write）策略，在有数据写入同时同步到二级索引表

开源方案

虽然官方一直也没提供内置的支持二级索引的工具， 不过业界也有些比较知名的基于Coprocessor的开源方案：

  • 华为的hindex ： 基于0.94版本，当年刚出来的时候比较火，但是版本较旧，看GitHub项目地址最近这几年就没更新过。
  • Apache Phoenix： 功能围绕着SQL on hbase，支持和兼容多个hbase版本， 二级索引只是其中一块功能。 二级索引的创建和管理直接有SQL语法支持，使用起来很简便， 该项目目前社区活跃度和版本更新迭代情况都比较好。

Apache Phoenix在目前开源的方案中，是一个比较优的选择。主打SQL on HBase ， 基于SQL能完成HBase的CRUD操作，支持JDBC协议。 Apache Phoenix在Hadoop生态里面位置：
phoenix-arch

Phoenix二级索引特点：

  • Covered Indexes(覆盖索引) ：把关注的数据字段也附在索引表上，只需要通过索引表就能返回所要查询的数据（列）， 所以索引的列必须包含所需查询的列(SELECT的列和WHERE的列)。
  • Functional indexes(函数索引)： 索引不局限于列，支持任意的表达式来创建索引。
  • Global indexes(全局索引)：适用于读多写少场景。通过维护全局索引表，所有的更新和写操作都会引起索引的更新，写入性能受到影响。 在读数据时，Phoenix SQL会基于索引字段，执行快速查询。
  • Local indexes(本地索引)：适用于写多读少场景。 在数据写入时，索引数据和表数据都会存储在本地。在数据读取时， 由于无法预先确定region的位置，所以在读取数据时需要检查每个region（以找到索引数据），会带来一定性能（网络）开销

其他的在网上也很多自己基于Coprocessor实现二级索引的文章，大体都是遵循类似的思路： 构建一份“索引”的映射关系，存储在另一张hbase表或者其他DB里面。

方案优缺点：

  • 优点： 基于Coprocessor的方案，从开发设计的角度看， 把很多对二级索引管理的细节都封装在的Coprocessor具体实现类里面， 这些细节对外面读写的人是无感知的，简化了数据访问者的使用。
  • 缺点： 但是Coprocessor的方案入侵性比较强， 增加了在Regionserver内部需要运行和维护二级索引关系表的代码逻辑等，对Regionserver的性能会有一定影响。

非Coprocessor方案


选择不基于Coprocessor开发，自行在外部构建和维护索引关系也是另外一种方式。
常见的是采用底层基于Apache Lucene的Elasticsearch(下面简称ES)或Apache Solr ，来构建强大的索引能力、搜索能力， 例如支持模糊查询、全文检索、组合查询、排序等。

Lily HBase Indexer

Lily HBase Indexer(也简称 HBase Indexer)是国外的NGDATA公司开源的基于solr的索引构建工具， 特色是其基于HBase的备份机制，开发了一个叫SEP工具， 通过监控HBase 的WAL日志（Put/Delete操作），来触发对solr集群索引的异步更新， 基本对HBase无侵入性（但必须开启WAL ）， 流程图如下所示:

lily-hbase-indexer

CDH Search是Hadoop发行商Cloudera公司开发的基于solr的HBase检索方案，部分集成了Lily HBase Indexer的功能。
下面是CDH search的核心组件交互图， 体现了在单次client端查询过程中， 核心的zookeeper和solr等的交互流程：
cdh-search

CDH 支持构建索引方式:

  • 批量索引：
    • 使用 Spark ：CDH自带 spark 批量index工具
    • 使用MapReduce ：集成Lily Indexer、自带MR index等工具
  • 近实时索引（增量场景）：
    • 使用 Flume 近实时（NRT）索引
    • 集成Lily NRT Indexer
  • 基于Solr REST API自定义索引场景

CDH Solr 索引查询流程示意图：
cdh-index-query

Datastory 二级索引方案介绍

其实对于在外部自定义构建二级索引的方式， 有自己的大数据团队的公司一般都会针对自己的业务场景进行优化， 自行构建ES/Solr的搜索集群。 例如数说故事企业内部的百亿级数据全量库，就是基于ES构建海量索引和检索能力的案例。 主要的要考虑点包括：

  • 对企业的索引集群面向的业务场景和模式定制，对通用数据模型进行抽象和平台化组件复用
  • 需要针对多业务、多项目场景进行ES集群资源的合理划分和运维管理
  • 查询需要针对多索引集群、跨集群查询进行优化
  • 共用集群场景需要做好防护、监控、限流

下面显示了数说基于ES做二级索引的两种构建流程， 包含：

  • 增量索引： 日常持续接入的数据源， 进行增量的索引更新
  • 全量索引： 配套基于Spark/MR的批量索引创建/更新程序， 用于初次或重建已有HBase库表的索引

ds-all-db

数据查询流程：

ds-alldb-query

Datastory在做全量库的过程中，还是有更多遇到的问题要解决，诸如数据一致性、大量小索引、多版本ES集群共存等， 会在后续进行更细致的介绍和分享。


参考资料：