深入理解HBase Indexer

川长思鸟来 2022-08-22 05:53 233阅读 0赞

## 1. 简介 ##

HBase Indexer全名为Lily Hbase Indexer，是NGDATA公司为了将lily子系统里面相关HBase数据存储到Solr而开发的一个软件。NGDATA公司将源代码开源并托管在Github上，通过以下Github地址访问Hbase-Indexer项目主页及代码：  
[https://github.com/NGDATA/hbase-indexer][https_github.com_NGDATA_hbase-indexer]

## 2. 原理 ##

HBase Indexer的主要作用是将HBase表里面的某些列（或者所有列）数据近乎实时地索引到SolrCloud里面。为什么说近乎实时？因为HBase Indexer是依赖于HBase的replication功能来实现将数据索引到Solr里面的。HBase Indexer通过监听HBase WAL日志（WAL日志里面记录了所有对数据的增删改操作），将增删改操作事件转换成对应的Solr增删改操作。由于这个过程是异步进行的，并且重放HBase WAL日志本身就存在一定的延迟，所以才说HBase Indexer是近乎实时地将数据索引到Solr里面。（我们可以类比MySQL master slave架构，slave与master之间也会存在一定的延迟。）

HBase Indexer集群可以看成是HBase高可用方案里面的Slave Cluster。下图展示了HBase Indexer在HBase集群和Solr集群中的地位：

![hbase-indexer-structure][]

HBase Indexer的地位类似于HBase高可用方案里面的Slave集群，事实上HBase Indexer上每一个indexer（底层核心是SepConsumer类）都是一个伪装的、弱化了的RegionServer，负责接收SepEvent，并处理自己感兴趣的那部分数据，然后将数据存储到Solr集群上。

**为什么选择Replication而不选择Coprocessor来实现HBase Indexer？**

1）HBase Replication的处理是由RegionServer开启独立的线程去处理的，处理方式是并行且异步的，依靠这种机制来实现HBase Indexer并不会给HBase带来入侵式的代码，而且不会影响写入性能。而通过Coprocessor来实现的话会给RegionServer带来入侵式代码，假如我们实现的逻辑出现问题，很可能会影响到HBase集群的性能（Coprocessor的实现至少会影响HBase集群的写性能），严重的情况还会导致整个HBase集群挂掉。

2）虽然选择Replication机制只能实现近实时的索引同步，但是这种实现方式具备很高的灵活性和可扩展性，最重要的是它对HBase集群的使用是几乎没有侵占性的，不会影响HBase集群的写性能（当然开启Replication会对HBase集群性能造成一定影响）

## 3. HBase Indexer核心 ——SEP ##

### 3.1 SEP介绍 ###

SEP，即Side-Effect Processor，是实现HBase Indexer功能的核心子模块，项目源码在hbase-sep模块里面。SEP的主要功能是：监听HBase集群上发生的一切数据变化，然后对这些变化做出处理。这里说的数据变化是记录在WAL日志里面的，所以SEP要做的就是监听WAL日志变化，并对日志变化做出响应：将这些变化封装成一个SepEvent集合，交给EventListener去处理。而HBase-Indexer所做的就是实现EventListener接口（实现类为IndexingEventListener）里面的processEvents方法，在这个方法里面处理数据并将数据索引到solr里面。

![cloudera-hbase-indexer-structure][]

注意，SEP并不关心WAL日志是怎么被读取的，因为这部分处理是由HBase Replication System提供的。SEP就相当于设计模式里面的监听者，而HBase Replication System则负责将事件通知给对应的监听者SEP。

如果我们将HBase-Indexer部署到多台机器上面，那么当需要进行replication的表数据变动的时候，HBase Replication System每次都会随机选择一台HBase Indexer作为接收方来发送通知（SepEvent），前提是在hbase-site.xml（HBase集群配置）里面配置了replication.source.ratio = 1。HBase Replication确保重放WAL日志是顺序的，以此来保证存储到Solr集群的数据跟HBase最新的数据是一致的。但是，对于SEP，其内部会采用多线程来处理（消费）这些WAL日志，以提高效率。（我们可以把这种模式想象成生产者消费者模式，其中SEP对应于消费者，而消费者为了提高处理效率采用了多线程方式来处理事件）

### 3.2 SepConsumer ###

实现SEP功能的主类是SepConsumer。SepConsumer负责与HBase集群上的RegionServer通讯并接收WAL日志事件，使用内部线程池对日志事件进行处理，真正的处理需要由用户自定义。用户要实现WAL日志事件的处理只需要实现EventListener接口，在processEvents方法里面进行处理。HBase-Indexer所做的就是实现EventListener接口（实现类为IndexingEventListener）里面的processEvents方法，在这个方法里面处理数据并将数据索引到solr里面。

#### 3.2.1 SepConsumer线程模型 ####

![sepconsumer-thread-model][]

一个SepConsumer主要包括与HBase集群通讯的RpcServer和处理SepEvents的ThreadPoolExecutors，其中RpcServer会消耗大概20个线程左右，而处理SepEvents的线程池大小是可控制的，由`hbaseindexer.indexer.threads`参数决定，默认为10个，这里的10个是指10个线程池，但是每个线程池只使用1个工作线程，并且工作队列使用`ArrayBlockingQueue`，容量为100，RejectedPolicy选择WaitPolicy。因此，当线程池里面的工作队列满了，后面的作业将继续等待。**总的来说，一个SepConsumer将使用将近30个线程，可以看出SepConsumer对于线程资源的要求是挺高的。**

#### 3.2.2 EventListener ####

SepConsumer将SepEvent委托给EventListener的实现类进行处理，EventListener接口仅仅定义了一个processEvents方法。而Hbase Indexer正是通过实现EventListener接口（实现类为IndexingEventListener）的processEvents方法来处理数据映射并同步到Solr。

## 4. 主要流程分析 ##

### 4.1 HBase Indexer入口分析 ###

HBase Indexer的入口在hbase-indexer-server模块的Main类里面，入口实现的动作有：

1） 使用后台线程方式启动hbase-indexer  
2） 创建配置信息，主要包括hbase以及hbase-indexer的配置信息  
3） 如果配置了Ganglia进行性能监控，那么启动该监控  
4） 处理IndexerMaster的选举和启动，接下来由IndexerSupervisor启动所有注册了的Indexer，然后保存所有成功启动的Indexer的注册信息，最后使用Jetty启动http服务（主要是为了将indexer注册信息发布成REST服务）。

注意，所有成功启动的Indexer将伪装成一台Slave RegionServer，去监听HBase RegionServer集群所产生的数据变化（WAL日志）。

### 4.2 IndexerMaster启动流程 ###

一个HBase Indexer集群只能有一台HBase Indexer竞选为master（IndexerMaster）。IndexerMaster的主要功能有：管理并维护集群上indexer的增加、更新、删除，协调MapReduce作业的运行。（主要是通过MapReduce来进行HBase数据的全量索引）

IndexerMaster的启动流程主要就是竞选master的过程，竞选成功的那台HBase Indexer将启动EventWork线程负责监听集群上indexer事件，包括增加、更新、删除以及MapReduce作业的提交。而竞选不到的master就不负责这些事情，但是会等待下一次竞选的到来。（防止已有的master挂掉，再次参与选举）

### 4.3 增删改Indexer处理流程 ###

前面提到增、删、改Indexer最终是由竞选为master的IndexerMaster负责处理的，具体逻辑在内部类EventWorker的实现里面。IndexerMaster上的EventWorker会使用一个阻塞队列接收IndexerModelEvent（代表Indexer增删改事件），根据这些事件的类型（INDEXER\_ADDED INDEXER\_UPDATED INDEXER\_DELETED）作出相应处理。

那么IndexerModelEvent是怎么来的呢？实际上，我们发出的增删改Indexer操作首先会在zookeeper上创建相应的路径和节点。而IndexModelImpl的IndexModelChangeWatcher会监听这些节点的变化，从而唤醒IndexerCacheRefresher线程触发刷新事件，IndexerCacheRefresher会把节点变化封装成IndexerModelEvent并交给IndexerModelListener进行处理。而IndexerModelListener最终将事件委托给IndexerMaster的EventWorker去处理。

处理流程如下图所示：

![flow\_of\_indexer\_process][flow_of_indexer_process]

### 4.4 WAL事件处理流程 ###

前面提到，Indexer实际上是一个伪装的Slave RegionServer，负责监听来自HBase RegionServer产生的数据变化。Indexer的底层核心实现是SepConsumer类，HBase RegionServer对于产生的数据变化，会随机选择一台HBase Indexer进行WAL日志的发送。那么将会通知这台HBase Indexer上的所有Indexer，最终调用SepConsumer类的replicateLogEntries方法。（注意高版本的HBase这个方法名有变化）因此WAL事件处理就集中在SepConsumer类的replicateLogEntries方法里面。这个方法完成的动作主要是：将接收到的WAL日志封装成SepEvent，传递给SepEventExecutor进行处理，当累计到一定的数据量，进行一次batch操作。（SepEventExecutor.scheduleSepEvent方法的调用）最终对SepEvent事件的处理将委托给EventListener.processEvents方法进行处理。

注意，EventListener是构造SepConsumer必须传递的对象，HBase Indexer也正是实现了EventListener接口来自定义对SepEvent的处理：将数据经过映射处理后索引到Solr里面。实现了EventListener的类是IndexingEventListener。

处理流程如下图所示：

![flow\_of\_wal\_process][flow_of_wal_process]

## 5.HBase Indexer评估 ##

经过对HBase Indexer重要模块源码的初步了解以及实际的案例测试，可以发现HBase Indexer的使用代价比较高，主要体现在：

1）HBase RegionServer选择一个HBase Indexer节点进行WAL日志重放的时候，该HBase Indexer上所有的Indexer（SepConsumer）都会同时监听到这些日志，然后再从这些日志过滤出符合自己所要索引的那部分数据进行处理。所以，如果我们创建的indexer非常多的话，很多情况下大部分indexer都没有捕获到自己感兴趣的日志，那么会产生比较大的性能损耗。

2）每一个Indexer（SepConsumer）将会占用至少30个线程，包括与HBase RegionServer通讯的RPC线程，Indexer处理日志的线程等。因此如果我们创建的indexer比较多并且很多indexer同时在线的情况下，对资源的占用可想而知是多么大。其中最主要的资源是CPU和内存。

3）我们在测试案例中发现如果有大数据量的数据导入HBase或者大量的数据从HBase中被删除，那么会引起HBase Indexer集群一直处于繁忙状态，那么这个时候Solr的数据同步可能存在较大的延迟。综合1）和2）我们不难发现这一点。

综合以上情况考虑，在设备允许的情况下，HBase Indexer应该部署在单独的集群上面，与HBase、Solr等集群隔离开，避免资源竞争明显的现象。

## 6. 参考 ##

*  [the-hbase-side-effect-processor-and-hbase-replication-monitoring/][the-hbase-side-effect-processor-and-hbase-replication-monitoring]
 *  [nrt-near-real-time-indexing-cloudera-search-lily-hbase-indexer-morphline-apache-solr-lucene-tika-zooKeeper][]

[https_github.com_NGDATA_hbase-indexer]: https://github.com/NGDATA/hbase-indexer
[hbase-indexer-structure]: http://7xtamf.com1.z0.glb.clouddn.com/image/blog/unstanding-hbase-indexer/hbase-indexer-structure.png
[cloudera-hbase-indexer-structure]: http://7xtamf.com1.z0.glb.clouddn.com/image/blog/unstanding-hbase-indexer/cloudera-hbase-indexer-structure.png
[sepconsumer-thread-model]: http://7xtamf.com1.z0.glb.clouddn.com/image/blog/unstanding-hbase-indexer/sepconsumer-thread-model.png
[flow_of_indexer_process]: http://7xtamf.com1.z0.glb.clouddn.com/image/blog/unstanding-hbase-indexer/flow_of_indexer_process.png
[flow_of_wal_process]: http://7xtamf.com1.z0.glb.clouddn.com/image/blog/unstanding-hbase-indexer/flow_of_wal_process.png
[the-hbase-side-effect-processor-and-hbase-replication-monitoring]: http://www.ngdata.com/the-hbase-side-effect-processor-and-hbase-replication-monitoring/
[nrt-near-real-time-indexing-cloudera-search-lily-hbase-indexer-morphline-apache-solr-lucene-tika-zooKeeper]: http://www.srccodes.com/p/article/53/nrt-near-real-time-indexing-cloudera-search-lily-hbase-indexer-morphline-apache-solr-lucene-tika-zooKeeper