扣丁学堂大数据开发解析HBase和Hive的查询处理速度对比

今天扣丁学堂大数据培训老师给大家介绍一下关于HBase和Hive的查询处理速度对比，首先Hive的底层首先是MR,是属于批处理处理时间相对较长，不属于实时读写，在其架构上HBase和Hive有很大的区别，下面我们一起来看一下吧。

　　Hive架构：

　　(1)用户接口主要有三个：CLI，Client和WUI。其中最常用的是CLI，Cli启动的时候，会同时启动一个Hive副本。Client是Hive的客户端，用户连接至HiveServer。在启动Client模式的时候，需要指出HiveServer所在节点，并且在该节点启动HiveServer。WUI是通过浏览器访问Hive。

　　(2)Hive将元数据存储在数据库中，如mysql、derby。Hive中的元数据包括表的名字，表的列和分区及其属性，表的属性(是否为外部表等)，表的数据所在目录等。

　　(3)解释器、编译器、优化器完成HQL查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在HDFS中，并在随后有MapReduce调用执行。

　　(4)Hive的数据存储在HDFS中，大部分的查询、计算由MapReduce完成(包含*的查询，比如select*fromtbl不会生成MapRedcue任务)。

　　HBase架构：

　　Client

　　包含访问HBase的接口并维护cache来加快对HBase的访问

　　Zookeeper

　　保证任何时候，集群中只有一个master

　　存贮所有Region的寻址入口。

　　实时监控Regionserver的上线和下线信息。并实时通知Master

　　存储HBase的schema和table元数据

　　Master

　　为Regionserver分配region

　　负责Regionserver的负载均衡

　　发现失效的Regionserver并重新分配其上的region

　　管理用户对table的增删改操作

　　RegionServer

　　Regionserver维护region，处理对这些region的IO请求

　　Regionserver负责切分在运行过程中变得过大的region

　　Memstore与storefile

　　一个region由多个store组成，一个store对应一个CF(列族)

　　store包括位于内存中的memstore和位于磁盘的storefile写操作先写入memstore，当memstore中的数据达到某个阈值，hregionserver会启动flashcache进程写入storefile，每次写入形成单独的一个storefile

　　当storefile文件的数量增长到一定阈值后，系统会进行合并(minor、majorcompaction)，在合并过程中会进行版本合并和删除工作(majar)，形成更大的storefile

　　当一个region所有storefile的大小和数量超过一定阈值后，会把当前的region分割为两个，并由hmaster分配到相应的regionserver服务器，实现负载均衡

　　客户端检索数据，先在memstore找，找不到再找storefile

　　–HBase能提供实时计算服务主要原因是由其架构和底层的数据结构决定的，即由LSM-Tree(Log-StructuredMerge-Tree)+HTable(region分区)+Cache决定——客户端可以直接定位到要查数据所在的HRegionserver服务器，然后直接在服务器的一个region上查找要匹配的数据，并且这些数据部分是经过cache缓存的。

　　–前面说过HBase会将数据保存到内存中，在内存中的数据是有序的，如果内存空间满了，会刷写到HFile中，而在HFile中保存的内容也是有序的。当数据写入HFile后，内存中的数据会被丢弃。

　　–多次刷写后会产生很多小文件，后台线程会合并小文件组成大文件，这样磁盘查找会限制在少数几个数据存储文件中。HBase的写入速度快是因为它其实并不是真的立即写入文件中，而是先写入内存，随后异步刷入HFile。所以在客户端看来，写入速度很快。另外，写入时候将随机写入转换成顺序写，数据写入速度也很稳定。

　　–而读取速度快是因为它使用了LSM树型结构，而不是B或B+树。磁盘的顺序读取速度很快，但是相比而言，寻找磁道的速度就要慢很多。HBase的存储结构导致它需要磁盘寻道时间在可预测范围内，并且读取与所要查询的rowkey连续的任意数量的记录都不会引发额外的寻道开销。比如有5个存储文件，那么最多需要5次磁盘寻道就可以。而关系型数据库，即使有索引，也无法确定磁盘寻道次数。而且，HBase读取首先会在缓存(BlockCache)中查找，它采用了LRU(最近最少使用算法)，如果缓存中没找到，会从内存中的MemStore中查找，只有这两个地方都找不到时，才会加载HFile中的内容，而上文也提到了读取HFile速度也会很快，因为节省了寻道开销。

　　–如果快速查询(从磁盘读数据)，hbase是根据rowkey查询的，只要能快速的定位rowkey,就能实现快速的查询，主要是以下因素：

　　hbase是可划分成多个region,并且到达一定界限会将region横向切分

　　键是排好序的

　　按列存储的

　　–列如：能快速找到行所在的region(分区)，假设表有10亿条记录，占空间1TB,分列成了500个region,1个region占2个G.最多读取2G的记录，就能找到对应记录;

　　–其次，是按列存储的，其实是列族，假设分为3个列族，每个列族就是666M，如果要查询的东西在其中1个列族上，1个列族包含1个或者多个HStoreFile，假设一个HStoreFile是128M，该列族包含5个HStoreFile在磁盘上.剩下的在内存中。

　　然后，排好序了的，你要的记录有可能在最前面，也有可能在最后面，假设在中间，我们只需遍历2.5个HStoreFile共300M。

　　最后，每个HStoreFile(HFile的封装)，是以键值对(key-value)方式存储，只要遍历一个个数据块中的key的位置，并判断符合条件可以了。一般key是有限的长度，假设跟value是1:20(忽略HFile其他快，只需要15M就可获取的对应的记录，按照磁盘的访问100M/S，只需0.15秒。加上块缓存机制(LRU原则)，会取得更高的效率。

　　实时查询，可以认为是从内存中查询，一般响应时间在1秒左右。HBase的机制是将数据先写入到内存中(缓存Buffer中)，当数据量达到一定的量(如128M)，产生溢写磁盘操作，在内存中，是不进行数据的更新或合并操作的，只增加数据，这使得用户的写操作只要进入内存中就可以立即返回，保证了HBaseI/O的高性能。

作者：扣丁学堂
链接：https://www.jianshu.com/p/fe1f32c30320