大数据开发 HBase合并学习

一、概述

HBase表的基本单位是Region，日常调用HBase API操作一个表时，交互的数据也会以Region的形式进行呈现。前面介绍过HBase Region拆分策略原理，一个表可以有若干个Region，本文主要介绍Region合并的一些问题和解决方法。

什么是HBase Compaction? 简单来说就是HBase将Region中的Store中的一些HFile进行合并。

二、合并原因及原理

原因：这个需要从Region的Split来说。当一个Region被不断的写数据，达到Region的Split的阀值时(由属性hbase.hregion.max.filesize来决定，默认是10GB)，该Region就会被Split成两个新的Region。随着业务数据量的不断增加，Region不断的执行Split，那么Region的个数也会越来越多。

一个业务表的Region越多，在进行读写操作时，或是对该表执行Compaction操作时，此时集群的压力是很大的。这里笔者做过一个线上统计，在一个业务表的Region个数达到9000+时，每次对该表进行Compaction操作时，集群的负载便会加重。而间接的也会影响应用程序的读写，一个表的Region过大，势必整个集群的Region个数也会增加，负载均衡后，每个RegionServer承担的Region个数也会增加。

因此，这种情况是很有必要的进行Region合并的。比如，当前Region进行Split的阀值设置为30GB，那么我们可以对小于等于10GB的Region进行一次合并，减少每个业务表的Region，从而降低整个集群的Region，减缓每个RegionServer上的Region压力。

其合并原理分为三步：排序文件、合并文件、代替原文件服务。

HBase首先从待合并的文件中读出HFile中的key-value,再按照由小到大的顺序写入一个新文件(storeFile)中。这个新文件将代替所有之前的文件，对外提供服务。

在分析合并Region之前，我们先来了解一下Region的体系结构 ：

HRegion：一个Region可以包含多个Store;

Store：每个Store包含一个Memstore和若干个StoreFile;

StoreFile：表数据真实存储的地方，HFile是表数据在HDFS上的文件格式。

当HBase合并时，会清空以下三种数据

1.标记为删除的数据。

当我们删除数据时，HBase并没有把这些数据立即删除，而是将这些数据打了一个个标记，称为“墓碑”标记。在HBase合并时，会将这些带有墓碑标记的数据删除。

2.TTL过期数据

TTL(time to live)指数据包在网络中的时间。如果列族中设置了TTL过期时间，则在合并的过程中，发现过期的数据将被删除。

3.版本合并

若版本号超过了列族中预先设定的版本号，则将zui早的一条数据删除。

如：列族设置版本号是5，当此列族第六次保存数据时，会将zui早一次数据删除。

三、HBase合并分类

1.Minor Compaction(小合并)

小合并是指将相邻的StoreFile合并为更大的StoreFile。

2.Major Compaction(大合并)

大合并是将多个StoreFile合并为一个StoreFile。

四、合并的触发时机

(1)MEMStore Flush

内存中的数据flush刷写到硬盘上以后，会对当前Store中的文件进行判断，当数量达到阈值，则会触发Compaction。Compaction是以Store为单位进行合并的。当Flush刷写完成后，整个Region的所有Store都会执行Flush。

(2)后台线程周期性的检查

Compaction Checker线程定期检查是否触发Compaction，Checker会检查文件数量是否大于阈值，再判断是否满足major Compaction的条件的时间范围内，如果满足，则触发一次大合并Major Compaction。

(3)手动触发

1.由于很多业务担心MajorCompaction影响读写性能，所以选择在低峰期手动触发合并。

2.当用户修改表结构后，希望立刻生效，则手动触发合并。

3.运维人员发现硬盘空间不够，则会手动触发合并，因为删除了过期数据，腾出空间。