HBase读链路分析

正文之前

在讲HBase的读路径时，我们先来看几个简单的类图。

InternalScanner是一个Interface主要提供了两个方法，next(List<Cell> result)方法——获取下一行的数据。而next(List<Cell> result, ScannerContext scannerContext)提供功能相同，只不过允许传入一个ScannerContext用以记录当前scan任务的上下文，判断是否可以提前结束、是否要去读下一列、是否要去读下一行等。并且发生在InternalScanner中的数据比较等操作，都是基于byte[]（而不用先转化为RowResults），更加接近于数据在物理上的存储形式，可以获得更高的性能。

KeyValueScanner也是一个接口，换成CellScanner可能更容易理解。对，它主要提供在一个“可读取的对象上”，获取cell的能力。这里使用“可读取的对象”这个词，主要是因为它可以是一个物理概念上的HFile，但也可以是逻辑意义上有迭代读取能力的scanner。

最后一个关键的类就是KeyValueHeap，该类实现了KeyValueScanner与InternalScanner接口，具备了获取cell及获取行的能力。KeyValueHeap中还有一个关键的属性，为heap，它是一个PriorityQueue<KeyValueScanner>对象，comparator = CellComparatorImp（即按照key的格式：rowkey:family:qualifier:timestamp）。即KeyValueHeap允许传入多个KeyValueScanner，通过PriorityQueue的形式将这些scanner管理起来，向上提供获取cell及获取行数据的能力！

有了InternalScanner，KeyValueScanner和KeyValueHeap其实已经可以做很多事情了。

我们知道，HBase的查询抽象地来看的话，是表现为下面这个流程的：

即从不同的HFile中进行数据读取，在内存中进行一个MergeSort，拼接成一行数据向上返回。

你们看KeyValueScanner、InternalScanner是不是就像其负责中HFile的读取Scanner，而KeyValueHeap负责的其实就是图中的MergeSort的任务。KeyValueHeap控制着下层KeyValueScanner、InternalScanner的数据读取，KeyValueScanner、InternalScanner是真正读取数据的Scanner。

好，大体的流程思路已经讲清楚了。其实HBase的读取流程远比这复杂，涉及的对象也更多，但有了上面的基础相信可以理解得很容易，接下来我们来仔细看看HBase的读取流程。

正文

我们从RegionScanner出发，仔细看看HBase的读取流程。

上图中的RegionScanner主要靠成员变量storeHeap，joinedHeap（KeyValueHeap）进行数据读取迭代。而StoreScanner也不是一个单纯的Scanner，而是扮演了跟RegionScanner类似的角色，它也拥有自己的heap，以此来进行数据的读取。跟【正文之前】说的一样，KeyValueHeap控制着下层KeyValueScanner、InternalScanner的数据读取，KeyValueScanner、InternalScanner是真正读取数据的Scanner。只不过RegionScanner中多嵌了一层StoreScanner（KeyValueHeap），变成了这样的调用链路：KeyValueHeap(RegionScanner)->KeyValueHeap(StoreScanner)

->KeyValueScanner,InternalScanner(StoreFileScanner及SegmentScanner)。

为什么HBase要这样封装？

其实是为了抽象不同的功能。

简单来说，

1）StoreScanner是为了联合StoreFileScanner与SegmentScanner向上提供整行的数据迭代读取功能。

2）而RegionScanner，一方面是对获取的数据做了过滤功能，另一方面是为了将全部数据分为两段获取形式（storeHeap和joinedHeap），用以优化性能。因为从storeHeap中获取的数据如果会被过滤，那么就没有必要再获取joinedHeap中的数据了。

详细内容我们见下文。

HBase的读取任务开始之前需要构建初始的Scanner体系，涉及RegionScanner与StoreScanner的对象初始化，我们详细来看：

1）RegionScanner对象的初始化：

1.建立RegionScanner对象，准备开始Scan任务涉及的所有Scanner的生成。

2.根据scan任务涉及的所有column family，在本region上分别会为其中的每个column family生成一个StoreScanner。如果开启了on-demand column family loading，那么会根据传入FilterList的isFamilyEssential方法进行判断，如果isFamilyEssential，那么会将该StoreScanner放入storeHeap中，否则放入joinedHeap中。

3.storeHeap和joinedHeap中存放StoreScanner的形式为PriorityQueue，优先级为CellComparatorImp。

2）StoreScanner对象的初始化

接下来我们介绍RegionScanner对象的初始化中，我们一笔带过的StoreScanner的生成过程：

1.根据scan.isReversed()控制StoreScanner中的Scanner的优先级顺序。

2.根据传入的scan信息，生成matcher内置对象，该对象在查询过程中会对StoreScanner读取的数据进行一个筛选。

3.根据scan信息startRow，stopRow在storeEngine中查询出涉及的HStoreFile，对这些HStoreFile分别建立StoreFileScanner，组成scannerList，并且以StoreFileComparators.SEQ_ID为优先级（maxSequenceId升序，FileSize降序，BulkTime升序，PathName升序）。

4.对scannerList根据timestamp range, row key range, bloomFilter做一个过滤。

5.scannerList中剩余的scanner根据startRow，stopRow将指针seek到正确的位置。

6.将scanners以PriorityQueue的形式组织，优先级同样为CellComparatorImp。

PS：StoreFileComparators.SEQ_ID —— Comparator.comparingLong(HStoreFile::getMaxSequenceId)  .thenComparing(Comparator.comparingLong(new GetFileSize()).reversed())  .thenComparingLong(new GetBulkTime()).thenComparing(new GetPathName())

组建好需要Scanner体系之后，后续就是读取流程了。

读取流程如下图所示：

RegionScanner主要负责以下功能：

其包含storeHeap与joinedHeap都为KeyValueHeap的对象实例，heap底层是包含了多个StoreScanner组成的PriorityQueue，comparator = CellComparatorImp。向上提供符合条件的整行数据的迭代查询。

1.循环从storeHeap上获取cell数据，以此判断是否还存在待获取数据。如果没有，return false。如果有：

2.那么先从storeHeap上获取family essential相关的数据，使用filter进行过滤。如果被过滤，continue loop。如果没有：

3.那么从joinedHeap上获取剩余数据，返回。

StoreScanner主要负责以下功能：

StoreScanner虽然是实现了KeyValueScanner和InternalScanner的类，但主要靠其成员变量heap（KeyValueHeap）来完成必要的操作。heap由多个StoreFileScanner实例按照PriorityQueue组成，comparator = CellComparatorImp。

1.循环从heap中获取cell。

2.通过matcher匹配cell获得返回的MatchCode，不同MatchCode会触发不同的操作，见下表。

3.不停循环，直到数据组成整行，向上返回。

StoreScanner中KeyValueHeap的next功能：

storeScanner中的heap.next()究竟做了什么？简单来说，做了以下两件事情：1）从current（当前的StoreFileScanner，不在heap中）获取cell返回。2）更新当前current，把current放回heap重新排序，再获取当前最优先的StoreFileScanner作为current。

具体做法如下：

1.从当前的StoreFileScanner current中获取下一个cell（kvReturn）。再获取kvReturn往后的第一个cell（kvNext）

2.判断kvNext是否为空。为空代表当前current读取完毕，需要从heap中获取下一个scanner记为current。不为空则

3.从当前heap中获取第一个scanner，与current 进行对比。判断它们谁通过peek()获得的cell key最小，如果scanner更小，那么把current放回heap。重新heap.poll()获得最新current。

4.返回kvReturn cell。

至此整个HBase的读路径分析结束，留待补充的点：

1.Matcher的实现逻辑分析。

2.BloomFilter的过滤分析。

3.StoreFileScanner以下直到HDFS之间的链路分析，中间涉及一个BlockCache。