5.3 LSM树数据结构

1、简介
传统关系型数据库，一般都选择使用B+树作为索引结构，而在大数据场景下，HBase、Kudu这些存储引擎选择的是LSM树。LSM树，即日志结构合并树(Log-Structured Merge-Tree)。

• LSM树主要目标是快速建立索引
• B+树是建立索引的通用技术，但如果并发写入压力较大时，B+树需要大量的磁盘随机IO，而严重影响索引创建的速度，在一些写入操作非常频繁的应用场景中，就不太适合了
• LSM树通过磁盘的顺序写，来实现最好的写性能

2、LSM树设计思想

• LSM 的主要思想是划分不同等级的结构，换句话来理解，就是LSM中不止一个数据结构，而是存在多种结构
• 一个结构在内存、其他结构在磁盘（HBase存储结构中，有内存——MemStore、也有磁盘——StoreFile）
• 内存的结构可以是B树、红黑树、跳表等结构（HBase中是跳表），磁盘中的树就是一颗B+树
• C0层保存了最近写入的数据，数据都是有序的，而且可以随机更新、随机查询
• C1到CK层的数据都是存在磁盘中，每一层中key都是有序存储的

3、LSM的数据写入操作

1. 首先将数据写入到WAL（Write Ahead log），写日志是顺序写，效率相对较高（PUT、DELETE都是顺序写）
2. 数据项写入到内存中的C0结构中
3. 只有内存中的C0结构超过一定阈值的时候，将内存中的C0、和C1进行合并。这个过程就是Compaction（合并）
4. 合并后的新的C1顺序写磁盘，替换之前的C1
5. 但C1层达到一定的大小，会继续和下层合并，合并后旧的文件都可以删除，只保留最新的
6. 整个写入的过程只用到了内存结构，Compaction由后台异步完成，不阻塞写入

4、LSM的数据查询操作

1. 先在内存中查C0层
2. 如果C0层中不存在数据，则查询C1层
3. 不断逐层查询，最早的数据在CK层
4. C0层因为是在内存中的结构中查询，所以效率较高。因为数据都是分布在不同的层结构中，所以一次查询，可能需要多次跨层次结构查询，所以读取的速度会慢一些。
5. 根据以上，LSM树结构的程序适合于写密集、少量查询的场景

布隆过滤器

1、简介

客户端：这个key存在吗？
服务器：不存在/不知道

本质上，布隆过滤器是一种数据结构，是一种比较巧妙的概率型数据结构。它的特点是高效地插入和查询。但我们要检查一个key是否在某个结构中存在时，通过使用布隆过滤器，我们可以快速了解到「这个key一定不存在或者可能存在」。相比于以前学习过的List、Set、Map这些数据结构，它更加高效、占用的空间也越少，但是它返回的结果是概率性的，是不确切的。

2、应用场景
缓存穿透
为了提高访问效率，我们会将一些数据放在Redis缓存中。当进行数据查询时，可以先从缓存中获取数据，无需读取数据库。这样可以有效地提升性能。

• 在数据查询时，首先要判断缓存中是否有数据，如果有数据，就直接从缓存中获取数据。
• 但如果没有数据，就需要从数据库中获取数据，然后放入缓存。如果大量访问都无法命中缓存，会造成数据库要扛较大压力，从而导致数据库崩溃。而使用布隆过滤器，当访问不存在的缓存时，可以迅速返回避免缓存或者DB crash。

判断某个数据是否在海量数据中存在
HBase中存储着非常海量数据，要判断某个ROWKEYS、或者某个列是否存在，使用布隆过滤器，可以快速获取某个数据是否存在。但有一定的误判率。但如果某个key不存在，一定是准确的。

3、HashMap的问题
要判断某个元素是否存在其实用HashMap效率是非常高的。HashMap通过把值映射为HashMap的Key，这种方式可以实现O(1)常数级时间复杂度。
但是，如果存储的数据量非常大的时候（例如：上亿的数据），HashMap将会耗费非常大的内存大小。而且也根本无法一次性将海量的数据读进内存。

4、理解布隆过滤器

• 布隆过滤器是一个bit数组或者称为一个bit二进制向量
• 这个数组中的元素存的要么是0、要么是1
• k个hash函数都是彼此独立的，并将每个hash函数计算后的结果对数组的长度m取模，并将对一个的bit设置为1（蓝色单元格）
• 我们将每个key都按照这种方式设置单元格，就是「布隆过滤器」

5、根据布隆过滤器查询元素

1. 假设输入一个key，我们使用之前的k个hash函数求哈希，得到k个值
2. 判断这k个值是否都为蓝色，如果有一个不是蓝色，那么这个key一定不存在
3. 如果都有蓝色，那么key是可能存在（布隆过滤器会存在误判）
4. 因为如果输入对象很多，而集合比较小的情况，会导致集合中大多位置都会被描蓝，那么检查某个key时候为蓝色时，刚好某个位置正好被设置为蓝色了，此时，会错误认为该key在集合中

StoreFiles（HFile）结构

StoreFile是HBase存储数据的文件格式。
1、HFile的逻辑结构
HFile逻辑结构图

逻辑结构说明
4大部分

• Scanned block section
  • 扫描StoreFile时，所有的Data Block（数据块）都将会被读取
  • Leaf Index（LSM + C1树索引）、Bloom block（布隆过滤器）都会被读取
• Non-scanned block section
  • 扫描StoreFile时，不会被读取
  • 包含MetaBlock和Intermediate Level Data Index Blocks
• Opening-time data section
  • 在RegionServer启动时，需要将数据加载到内存中，包括数据块索引、元数据索引、布隆过滤器、文件信息。
• Trailer
  • 记录了HFile的基本信息
  • 各个部分的偏移值和寻址信息

2、StoreFile物理结构
StoreFile是以Hfile的形式存储在HDFS上的。Hfile的格式为下图：

• HFile文件是不定长的，长度固定的只有其中的两块：Trailer和FileInfo。正如图中所示的，Trailer中有指针指向其他数 据块的起始点。
• File Info中记录了文件的一些Meta信息，例如：AVG_KEY_LEN, AVG_VALUE_LEN, LAST_KEY, COMPARATOR, MAX_SEQ_ID_KEY等
• Data Index和Meta Index块记录了每个Data块和Meta块的起始点。
• Data Block是HBase I/O的基本单元，为了提高效率，HRegionServer中有基于LRU的Block Cache机制。每个Data块的大小可以在创建一个Table的时候通过参数指定，大号的Block有利于顺序Scan，小号Block利于随机查询。 每个Data块除了开头的Magic以外就是一个个KeyValue对拼接而成, Magic内容就是一些随机数字，目的是防止数据损坏。
• HFile里面的每个KeyValue对就是一个简单的byte数组。但是这个byte数组里面包含了很多项，并且有固定的结构。我们来看看里面的具体结构：
  
  1.开始是两个固定长度的数值，分别表示Key的长度和Value的长度
  2.紧接着是Key，开始是固定长度的数值，表示RowKey的长度
  3.紧接着是 RowKey，然后是固定长度的数值，表示Family的长度
  4.然后是Family，接着是Qualifier
  然后是两个固定长度的数值，表示Time Stamp和Key Type（Put/Delete）——每一种操作都会生成一个Key-Value。Value部分没有这么复杂的结构，就是纯粹的二进制数据了。
  
• Data Block段：保存表中的数据，这部分可以被压缩
• Meta Block段 (可选的)：保存用户自定义的kv对，可以被压缩。
• File Info段：Hfile的元信息，不被压缩，用户也可以在这一部分添加自己的元信息
• Data Block Index段：Data Block的索引。每条索引的key是被索引的block的第一条记录的key。
• Meta Block Index段 (可选的)：Meta Block的索引。
• Trailer
  这一段是定长的。保存了每一段的偏移量，读取一个HFile时，会首先 读取Trailer，Trailer保存了每个段的起始位置(段的Magic Number用来做安全check)，然后，DataBlock Index会被读取到内存中，这样，当检索某个key时，不需要扫描整个HFile，而只需从内存中找到key所在的block，通过一次磁盘io将整个 block读取到内存中，再找到需要的key。DataBlock Index采用LRU机制淘汰