写在前面：我是「且听风吟」，目前是某上市游戏公司的大数据开发工程师，热爱大数据开源技术，喜欢分享自己的所学所悟，现阶段正在从头梳理大数据体系的知识，以后将会把时间重点放在Spark和Flink上面。

如果你也对大数据感兴趣，希望在这个行业一展拳脚。欢迎关注我，我们一起学习。博客地址：https://ropledata.blog.csdn.net

博客的名字来源于：且听风吟，静待花开。也符合我对技术的看法，想要真正掌握一门技术就需要厚积薄发的毅力，同时保持乐观的心态。

你只管努力，剩下的交给时间！

文章目录

• 一、前言
• 二、数据写流程
• 三、数据读流程
• 四、数据flush流程
• 五、数据合并流程
• 六、总结

一、前言

Hbase作为咱们大数据生态里必不可少的一环，它的重要性不言而喻。官方对它的解释是Hbase是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，在极易扩展的前提下，它还适合存储PB级别的海量数据，并且能在几十到百毫秒内返回数据。

Hbase的logo是海豚的形象，寓意在大数据的海洋里穿梭遨游。事实上数据的处理流程一直都是Hbase的核心知识点，下面就让我们一起乘风破浪，解决Hbase的数据读写流程、数据flush流程和数据合并流程。

二、数据写流程

首先介绍数据的写入流程，大致流程如上图所示，下面进行分步骤分析：

1. 首先会从zookerper里找到meta表的region的位置并读取meta表中的数据。
2. 由于meta表里存储了用户表的region信息，所以会根据namespace、表名和rowkey在meta表中的数据里找到写入数据对应的region信息。
3. 根据上一步拿到的region信息找到它对应的regionserver，然后就可以写入数据了。
4. 其实写数据会把数据分别写到Hlog和memstore各一份。（写入Hlog是为了便于数据的持久化和恢复，写入memstore是为了查询）
5. 然后Regionserver会向Client反馈写数据成功。

注意：在向memstore写入数据的过程中，会涉及到数据flush和数据合并过程，这一块咱们放到后面单独解释。

三、数据读流程

Hbase的数据读取流程大致就像上图这样，下面我们将它细化分步骤解读：

1. 首先Client先访问zookeeper集群，从zookeeper的meta表（存储元数据）读取region的位置和meta表中的数据。（meta表中存储了用户表的region信息）
2. 我们知道meta表里存储了用户表的region信息，我们需要拿到这些信息，因此第二步Hbase会根据namespace、表名和rowkey在meta表中找到相对应的region信息。
3. 根据上一步拿到的region信息找到它对应的regionserver，并查找这个region来读取数据。
4. 读取数据的时候会先从MemStore找数据，如果没有，再到BlockCache里面读；BlockCache还没有，再到StoreFile上读。

我们知道Hbase中的数据是有序的，并且还有底层索引支持，所以整体的查询速度非常快。

注意：如果是从StoreFile里面读取的数据，读取完不会直接返回给客户端，而是先写入BlockCache，再返回给客户端。

四、数据flush流程

flush是Hbase的一个重要操作，其实很多情况下都会触发Flush操作，咱们把这些情况列举如下：

1. 最常见的是Region 中所有 MemStore 占用的内存超过相关阈值；

2. 整个 RegionServer 的 MemStore 占用内存总和大于相关阈值；

3. WAL数量大于相关阈值；

4. 定期自动刷写或手动触发刷写；

5. 数据更新超过一定阈值。

以第一种情况为例，当某个 Region 中所有 MemStore 占用的内存（包括 OnHeap + OffHeap）大小超过刷写阈值的时候会触发一次刷写，这个阈值由 hbase.hregion.memstore.flush.size 参数控制，默认是128M，老版本是64M。

其实我们每次调用 put、delete 等操作时Hbase底层都会检查这个条件。数据的flush操作比较复杂，我们把数据flush简单概括为三步，了解这些就足够了：

1. 第一步将数据刷到硬盘，将内存中的数据删除，同时删除HLog中的历史数据；
2. 第二步将数据存储到HDFS中；
3. 最后一步在HLog中做标记点。

五、数据合并流程

经过上面的flush操作之后，memstore里的数据会存储为Hfile（其实就是StoreFile），随着次数的增多和数据的增大，HDFS上面会出现非常多的Hfile文件，通过上面的分析，我们已经知道读数据操作会对Hfile文件进行归并查询，因此大量的Hfile文件会严重影响读数据的性能，而且这样对DataNode的影响也比较大。

那Hbase怎么解决这个问题呢？

Hbase会对Hfile文件进行compact操作，也就是这里要介绍的合并操作。合并操作会产生大量的IO，因此合并是利用IO操作换取后续读写的性能，可以说是前人栽树，后人乘凉的模式。

数据的合并又分为小合并和大合并：

1. 小合并（minor compaction）：小合并时会选择周围相邻的一些小的Hfile文件，来形成一个大一点的Hfile文件。（注意：小合并不会进行过期数据的清除。）
2. 大合并（major compaction）：大合并会把所有的Hfile文件合并成一个大的Hfile文件。（注意：大合并会删除过期数据，超出版本号的旧版本数据和delete标记的数据）

实际场景下，大合并更多的是手动进行的，因此我们通常把参数hbase.hregion.majorcompaction的值设为0，表示禁用major compaction。（默认值为7天，允许上下浮动hbase.hregion.majorcompaction * hbase.hregion.majorcompaction.jitter的值，后者默认是0.5。即[7 - 70.5, 7 + 70.5]）

什么情况下会触发数据合并操作呢？

在flush操作之后，会对当前Store的文件数量进行判断，如果大于hbase.hstore.compaction.min（旧版本是hbase.hstore.compactionThreshold）的值（默认是3），就会触发数据合并操作。实际场景下这个参数默认值太小了，一般需要调大。一次minor cmpaction最多合并hbase.hstore.compaction.max个文件（默认值10）。

那数据合并的具体情况是怎样的呢？

1. 第一步：Hmaster触发合并操作后，Region将数据块加载到本地，便于进行合并；
2. 第二步：当合并的数据超过256M，进行拆分，将拆分后的Region分配给不同的HregionServer管理；
3. 最后：当HregionServer宕机后，将HregionServer上的hlog拆分（注意：HLog会同步到HDFS。），然后分配给不同的HregionServer加载，并会修改.META文件。

六、总结

本文对Hbase的数据处理流程根据重点进行了详细或概括性的分析，掌握了这部分内容之后，我们就可以反过来更深入的理解Hbase的架构设计以及数据结构设计了，而且本身这部分内容对于Hbase也是非常重要的，不知道各位掌握了没有呢？

如果您对我的文章感兴趣，欢迎关注点赞，如果您有疑惑或发现文中有不对的地方，还请不吝赐教，非常感谢！！