Ali-HBase的SQL实践与改进-阿里云开发者社区

开发者社区> 数据库> 正文

Ali-HBase的SQL实践与改进

简介: HBase原生api虽然赋予了用户极致的控制力,但也带来了较高的开发成本和学习成本,而SQL则很好的解决了这个使用问题。本文从为什么需要SQL开始谈起,进而讲解了SQL on Hbase,接着着重分享了Ali-Hbase SQL的优化与改进,最后对未来进行了展望。

福利:国际顶级盛会HBaseCon Asia 2018将于8月在北京举行,目前正免费开放申请中,更多详情参考https://yq.aliyun.com/promotion/631

如果你对大数据存储、分布式数据库、HBase等感兴趣,欢迎加入我们,一起做最好的大数据在线存储,职位参考及联系方式:https://maimai.cn/job?webjid=1heZGIyM4&srcu=1aOrffoj1&src=app&fr=my_jobsrecruit_job


摘要:
2017云栖大会Hbase专场,阿里巴巴的天穆带来Ali-HBase的SQL实践与改进的演讲。本文主要从为什么需要SQL开始谈起,进而讲解了SQL on Hbase,接着着重分享了Ali-Hbase SQL的优化与改进,最后对未来进行了展望。

PPT下载请点击

以下是精彩内容整理:

为什么需要SQL?

1


时间序列数据的存取:按照时间顺序追加新记录,按照时间范围查询数据,查询结果按时间倒排。我们数据是按照时间产生的,最新写的数据一定写在表头,在分布式情况下所有操作都落在表头,则表头所在的服务器必然会成为写热点。

Hash散列

2


解决写热点问题就是打散、随机分布,使得任何一行数据都能分布在表的一个随机位置。这带来一个新的问题,数据不再有序,无法按时间进行范围查询。

分桶

3


可见,解决写热点和按时间范围查询是一对矛盾的需求。为了同时满足这两个需求,我们需要做一些折中,也就是分桶,通过对原始主键取模,则任何一行数据都可以落在一个随机的“桶”里面,而数据在桶内是有序的,可以按照时间范围来查询。这样,就兼顾了写请求的打散和数据的范围查询需求。其代价是范围查询时必须并发查所有桶,并对结果进行合并。

4


例如,先查第一个分桶,再查第二个和第三个分桶,得到了70、60、50的结果。因为多机并发查询,分桶方案其实在一定程度上提升了读的性能。

基于HBase Native api的实现

5


刚刚说的场景是经过高度抽象的,实际的场景不可能这么简单,即使在简单的场景下就需要做这么多事情。我们HBase API要想用好Hbase就需要很多额外的事情,需要写非常多的代码。学习成本也是很高的,如果想很精准地使用是很需要技巧的,很多东西都要靠经验,用户在利用HBase API的时候要付出很高的学习成本和开发成本。大部分的HBase用户都会遇到这些类似的问题,而且每个用户都需要了解怎么去解决这些问题,使用了HBase API以后可以对自己的业务做到完全地把控。

SQL on HBase

6


为什么HBase API这么难用,说到底就是太底层了,仅提供了“原语级别的操作”。我们希望能够降低用户的接入门槛,能够低成本低接入Hbase,怎么做这件事情?阿里HBase大部分场景都是相对简单的,并且有共性的,所以我们希望能够引入中间层,来解决这个共性问题。中间层就是SQL,我们希望SQL能够替代API成为HBase的默认户接口。

7


基于Phoenix的SQL ON HBase解决方案,Phoenix就是针对HBase来设计的,而且Phoenix在HBase之间也可以结合得非常好,这也是我们选择Phoenix的一个主要原因。下面看几个具体的场景示例:

支付宝智能搜索dump平台

8


支付宝智能搜索Dump平台,左边的数据源是各种各样的业务数据库,可能是MYSQL,可能是HBase的,对业务数据库的变更操作会同步到HBase集群里面很多张维表里面,对维表生成宽表。对于HBase来讲,这个场景除了实时写之外还有很大的全量导入。读是通过很多的全局二级索引,经常变更的索引表。因为搜索的业务,用户的需求经常发生变更,这样对应我们的索引表发生变更,虽然有一些成本,但是相比MYSQL来讲,这个变更的成本是可以接受的。因为业务增长比较快,所以线性扩容也是关键点。

商品报表

9


商品报表是另外一套吞吐型的业务,它也有实时的全量写,而且也需要二级索引来生成多维报表。这个报表的场景跟DUMP场景不一样,这个单表比较大,在我们业务里面最大的表在压缩之后有80个TB。

物联网设备信息存储

10


物联网场景也非常典型,读写相对比较简单,但是数据量特别大,对写吞吐要求很高。在这种情况下,存储的成本以及写的吞吐能力、扩容能力,这些是HBase比较擅长。在成本这块,采用冷热分离存储以及压缩算法降低成本。

HBase SQL的场景基本上都是HBase自己的场景,海量的数据、线性扩展等等,但SQL赋予了HBase丰富的查询语义,从而拓展了HBase的业务边界。

Ali-Hbase SQL

11


为了支持这些场景,我们在HBase做了很多的优化和改进,在HBase本身我们针对阿里的场景做了很多性能和功能上的变革。在稳定性方面,我们做了很多工作,能够让HBase久经双十一沙场。Ali-HBaseSQL与Phoenix在功能补齐、功能增强、数据导入导出方面有所改善。Phoenix在索引选择方面有缺陷,我们重做了一套基于RBO的查询优化器,同时增强了可以访问多张索引表的能力。另外,也配套开发了数据导入导出插件,使得数据可以在各个系统之间自如流动。

性能优化

目标是将简单请求的性能优化到极致,与对应的HBase Native API性能差距小于5%。单行读写的场景下,SQL和HBase API的差距很明显。
客户端的元数据缓存,元数据:列名、数据类型、表属性、索引信息等等。元数据更新策略:并不是每次都刷新元数据,我们做了周期性的刷新,通过版本号的方式来识别是不是最新的,如果不是最新的就更新一版,这是优化UPSERT的缓存更新策略。

12


SELECT优化,我们会根据用户请求的类型来选择使用scan或者get,这个选择对性能影响非常大,因为我们的目标是优化简单的请求,在极高的tps情况下,RT上优化一点点在用户那边的体现都是非常明显的。由于我们并不是分析型的场景,并不需要数据的预取,所以,spooling这部分可以直接移除。做了这些事情以后,SQL的读性能已经跟HBase 原生api比较接近了。

此外,HBase + SQL也在阿里云上提供,并支持从其他的RDBMS迁移至云HBase。

未来的工作

未来的计划是支持列名映射以及ImmutableDataEncoding,我们现在正在调研这两个特性。列名映射在大宽表的情况下能够节省1/3—1/2的存储空间。immutableData编码能进一步节省近50%的存储空间,但其限制是数据不能修改。

另外,重客户端也是需要改变的,目前,我们要优化功能或者修复bug都需要让用户去升级SQL客户端,这是非常恶心的事情;所以,支持query server mode和瘦客户端,可以有效解决产品不断迭代的问题,用户不需要升级也可以享受到我们的改进;

支持分布式Sequence,最终我们也要把SQL的能力做到分布式;

可选的索引一致性,异步全局二级索引,有些场景下用户不需要强一致性,比如说日志,最终在1分钟之内一致就OK了,所以我们做一个异步的全局更新,更新成本也进一步降低了。

版权声明:本文中所有内容均属于阿里云开发者社区所有,任何媒体、网站或个人未经阿里云开发者社区协议授权不得转载、链接、转贴或以其他方式复制发布/发表。申请授权请邮件developerteam@list.alibaba-inc.com,已获得阿里云开发者社区协议授权的媒体、网站,在转载使用时必须注明"稿件来源:阿里云开发者社区,原文作者姓名",违者本社区将依法追究责任。 如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件至:developer2020@service.aliyun.com 进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
数据库
使用钉钉扫一扫加入圈子
+ 订阅

分享数据库前沿,解构实战干货,推动数据库技术变革

其他文章