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。
以下是精彩内容整理：
为什么需要SQL？
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
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
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。
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
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
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。
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
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
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
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
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。
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。
