前言

讲解HBase事务的文章很多，这里就不过多赘述了，大家应该都知道是通过MVCC实现的。但是今天这篇文章的背景是一个同事和我讨论一个问题引发的，这个问题使我重新梳理下这块内容并作为记录和大家分享。

下面先来看看这个问题：

HBase的查询流程是：先查询MemStore，查不到则查询BlockCache，还没有则查询HFile，再将查询到的数据放入BlockCache。

请问是不是存在这么一种情况，假如有一条数据id=1，name='张三'，当被查询时，数据被放入blockCache中，后来数据更新了，id=1，name='李四'，数据存入memstore中，达到刷写机制，写入hfile中了。用户查询这条数据，发现blockCache中有这条数据，但是数据是旧的，name='张三'。于是取到了旧的数据

其实这是个很常见的场景，我当时第一反应是肯定不会查到脏数据，但是到底怎么实现的，我还真的一时有点拿不准了，作为自己最熟悉的组件，这个问题还是需要弄清楚的。

其实上面的问题仔细分析下，可以分解为下面几个问题：

BlockCache中存的是什么？

肯定有数据标识标记数据的版本使得取数据不会出现问题，那这个标识是什么？

HBase是如何保持数据一致性的？

下面就从这几个问题展开并解答上面的那个问题。

正文

BlockCache中存的是什么

这个问题不是今天这个问题的核心内容，但是当做准备知识顺便说一下还是可以的。

BlockCache说明

BlockCache称为读缓存,主要是加速HBase读取数据的速度的。与之对应的是HBase的写缓存，即MemStore，用以加速HBase的写操作。

HBase会将一次文件查找的Block块缓存到Cache中，以便后续同一请求或者邻近数据查找请求，可以直接从内存中获取，避免昂贵的IO操作。

BlockCache缓存的数据

看完BlockCache的作用后，下面来看看BlockCache里面到底存了什么？

其实答案很简单，都叫BlockCache了，里面肯定存的是Block了。这里要区分两个概念，由于HBase底层使用HDFS存储，而HDFS也有Block的概念，所以要区分这两个Block概念。

HDFS的Block是HDFS维度的概念，这个Block的大小默认是128M；

HBase的Block是HBase维度的概念，这个Block的大小默认是64K；

从大小比较就能看出来两者的区别，如果使用HDFS的Block粒度来做缓存，那么缓存不了几个Block，BlockCache就满了，显然不合适。而HBase的Block默认的64K大小是一个基于HBase的两种查询操作scan和get效率的一个折中。如果get操作居多，可以适当调小Block的大小；反之如果scan操作居多，则可以适当调大Block的大小。如果两者数量差不多，那妥妥的默认即可。

那么HBase都有哪些Block呢？主要分为下面四种：

Data Block：用于存储实际数据，通常情况下每个Data Block可以存放多条KeyValue数据对，这些数据都是查询之后包含结果的Block在BlockCache中的缓存，用以加速查询。

Index Block：用于存储硬盘上数据的索引文件，通过存储索引数据加快数据查找

Bloom Block：用于存储Hfile中rowkey的布隆过滤器，用于过滤掉部分一定不存在KeyValue的数据查询，减少不必要的IO操作。

Meta Block：存储整个HFile的元数据，包含HFile的基本信息，布隆过滤器的元数据，HFile的数据以及索引的原信息等。

BlockCache分类

这个简单说说，当前HBase主流的BlockCache使用方式就是将BucketCache和LruBlockCache搭配使用，称为CombinedBlockCache即CBC。至于BucketCache和LruBlockCache具体说明大家不清楚的可以去查一下，网上很多，这里我简单说说这两者的特点：

LruBlockCache中主要存储Index Block和Bloom Block，采用LRU算法进行缓存淘汰。而Meta Block以及被设置为IN_MEMORY => 'true'的内存表不参与LRU淘汰过程而常驻内存。

BucketCache中主要存储Data Block

一次随机读需要首先在LruBlockCache中查到对应的Index Block，然后再到BucketCache查找对应数据块

Bucket Cache缓存中有3种模式：heap模式和offheap模式file模式，常规的heap模式不过多介绍，offheap模式因为内存属于操作系统，所以基本不会产生各种GC，尤其是产生毛刺的Full GC。而file模式借助于SSD以及Alluxio等存储也可以实现高速查询。

HBase是如何避免脏读的

首先先纠正下上面问题的读取数据流程。上面数据读取数据流程其实是错误的，那么正确的流程是什么样子的呢？其实HBase的查询操作分为Get和Scan操作两种（虽然Get操作也是被当做Scan来处理）流程如下：

首先确实需要查询Memstore，但是并不是查询到数据就返回，而是在查询Memstore的同时也会去文件中查询，最后会将结果进行合并筛选。

至于查hfile，则是先根据rowkey段进行筛选，选出符合条件的HFile（如果是get操作，布隆过滤器应该会起作用，能直接筛选出更精确的文件）。然后判断hfile对应的block是否在blockcache中，如果存在就直接读取blockcache的数据，不存在就加载对应block到blockcache中并查询对应的数据。

所以针对上面的场景，如果数据所在的region没有发生compact的话，应该会返回两个结果，一个在BlockCache中；另一个在文件中，被加载到BlockCache中后被查询出来。

然后关键的地方来了，其实在查询的时候scan是带有读序号的，而数据存储中也是带有写序号的，最后会按rowkey将收集来的所有结果分组，然后根据读序号和写序号的关系来选取唯一符合条件的值。筛选条件就是Max(写序号<=读序号的所有值)

上面就是HBase避免脏读的处理手段。乍看起来信息量有点大，大家可能有点懵，什么是读序号，什么是写序号，这两者之间是什么关系以及如何同步的？这就是涉及到了HBase事务实现机制MVCC的一些细节，下文详细详解。

HBase是如何保持数据一致性的

上文讲了HBase是如何避免脏读的，下面就来看看上面的那一些专有名词以及HBase是如何保持查询一致以及数据一致的。

首先MVCC相关的基础知识我这里就不赘述了，大家可以去网上查查，资料很多，我这里主要讲讲MVCC这个组件在HBase中是如何工作，以及读序号和写序号是如何关联以及更新的，进而就可以回答上述的那个问题。先看下图：

首先MVCC有三个主要组成部分：

writePoint：写序号，AtomicLong类型

readPoint：读序号，AtomicLong类型

LinkedList

writeQueue：存储写操作状态的list，之所以选用LinkedList，是因为这个list需要频繁在两头插入和删除WriteEntry。

MVCC每个region都有一个实例。这三个属性通过规则联动，HBase读写该region的数据都会从这里获取读写序号，然后进行相关的操作。

下面来看看这三个属性的联动规则：

1.当一个client写入数据时，首先lock住MVCC控制中心的写入队列writeQueue，并向其插入一个新的entry，并将之前的writePoint+1赋予entry的writeNumber（writePoint+1也是同步操作），表示发起了一个新的写入事务。completed值此时为False，表名目前事务还未完成，数据还在写入过程中。图中的write client1和write client3就处于这个阶段。

2.第二步client将数据写入memstore和WAL，此时认为数据已经持久化，可以结束该事务。此处需要注意，这里只是事务结束，但是并没有返回客户端写入成功，还需要有下面MVCC相关的操作。

3.client调用MVCC控制中心的complete(WriteEntry writeEntry)方法，该方法对writeQueue采用synchronized关键字，将该num对应的entry的completed设置为True，表示该entry对应的事务完成。但是单单将completed设置为True是不够的，我们的最终目的是要让scan能够看到最新写入完成的数据，也就是说还需要更新readPoint。

/**   * Mark the {@link WriteEntry} as complete and advance the read point as much as possible.   * Call this even if the write has FAILED (AFTER backing out the write transaction   * changes completely) so we can clean up the outstanding transaction.   *   * How much is the read point advanced?   *   * Let S be the set of all write numbers that are completed. Set the read point to the highest   * numbered write of S.   *   * @param writeEntry   *   * @return true if e is visible to MVCC readers (that is, readpoint >= e.writeNumber)   */  public boolean complete(WriteEntry writeEntry) {    synchronized (writeQueue) {      writeEntry.markCompleted();      long nextReadValue = NONE;      boolean ranOnce = false;      while (!writeQueue.isEmpty()) {        ranOnce = true;        WriteEntry queueFirst = writeQueue.getFirst();        if (nextReadValue > 0) {          if (nextReadValue + 1 != queueFirst.getWriteNumber()) {            throw new RuntimeException("Invariant in complete violated, nextReadValue="                + nextReadValue + ", writeNumber=" + queueFirst.getWriteNumber());          }        }        if (queueFirst.isCompleted()) {          nextReadValue = queueFirst.getWriteNumber();          writeQueue.removeFirst();        } else {          break;        }      }      if (!ranOnce) {        throw new RuntimeException("There is no first!");      }      if (nextReadValue > 0) {        synchronized (readWaiters) {          readPoint.set(nextReadValue);          readWaiters.notifyAll();        }      }      return readPoint.get() >= writeEntry.getWriteNumber();    }  }

4.更新readPoint：同样在complete(WriteEntry writeEntry)方法中完成，每一个client将其对应的entry的completed设置为True后，都会去按照队列顺序，从readPoint开始遍历，假如遍历到的entry的completed为True，则将readPoint更新至此位置，直到遇到completed为False的位置时停止。也就是说每个client写入之后，都会尽力去将readPoint更新到目前最大连续的已经完成的事务的点（因为是有可能后开始的事务先于之前的事务完成）。

看到这里，可能大家会想了，那假如事务A先于事务C，事务A还未完成，但事务C已经完成，事务C也只能将readPoint更新到事务A之前的位置，如果此时事务C返回写入成功，那按道理来说scan是应该能够查到事务C的数据，但是由于readPoint没有更新到C，就会造成一个现象就是：事务C明明提示执行成功，但是查询的时候却看不到。

所以上面说的第4步其实还并没有完，client在执行complete(WriteEntry writeEntry)后，如果方法返回的值为false，还会执行一个waitForRead(WriteEntry e)方法，参数的entry就是该事务对应的entry，下面是源码逻辑：

/**   * Complete a {@link WriteEntry} that was created by {@link #begin()} then wait until the   * read point catches up to our write.   *   * At the end of this call, the global read point is at least as large as the write point   * of the passed in WriteEntry.  Thus, the write is visible to MVCC readers.   */  public void completeAndWait(WriteEntry e) {    if (!complete(e)) {      waitForRead(e);    }  }

该方法会一直等待readPoint大于等于该entry的writeNumber时才会返回，这样保证了事务有序完成。此时客户端才会最终返回写入成功，即下次查询就会查询到最新的数据。下面是源码逻辑：

/**   * Wait for the global readPoint to advance up to the passed in write entry number.   */  void waitForRead(WriteEntry e) {    boolean interrupted = false;    int count = 0;    synchronized (readWaiters) {      while (readPoint.get() < e.getWriteNumber()) {        if (count % 100 == 0 && count > 0) {          long totalWaitTillNow = READPOINT_ADVANCE_WAIT_TIME * count;          LOG.warn("STUCK for : " + totalWaitTillNow + " millis. " + this);        }        count++;        try {          readWaiters.wait(READPOINT_ADVANCE_WAIT_TIME);        } catch (InterruptedException ie) {          // We were interrupted... finish the loop -- i.e. cleanup --and then          // on our way out, reset the interrupt flag.          interrupted = true;        }      }    }    if (interrupted) {      Thread.currentThread().interrupt();    }  }

再回到上面那个图，当前write client 2在等待write client 3写入成功后readPoint追上来，所以write client 2处于写入成功等待readPoint追上来的阶段。此时的readPoint是6，查询的时候只能查询到writePoint <= 6的数据，然后返回其中writePoint最大的数据。而writePoint = 8的数据虽然写入成功，但是客户端并没有收到写入成功的状态，数据不可见也符合一般认知。

以上就是HBase写入时MVCC的工作流程，scan就比较好理解了，每一个scan请求都会申请一个readPoint，保证了该readPoint之后的事务不会被检索到。

另外，上述的HBase查询机制是基于HBase默认的事务级别即read committed级别。同时HBase也同样支持read uncommitted级别，也就是我们在查询的时候将scan的mvcc值设置为一个超大的值，大于目前所有申请的MVCC值，那么查询时同样会返回正在写入的数据。

/** * Specify Isolation levels in Scan operations. * <p> * There are two isolation levels. A READ_COMMITTED isolation level * indicates that only data that is committed be returned in a scan. * An isolation level of READ_UNCOMMITTED indicates that a scan * should return data that is being modified by transactions that might * not have been committed yet. */@InterfaceAudience.Publicpublic enum IsolationLevel {  READ_COMMITTED(1),  READ_UNCOMMITTED(2);  IsolationLevel(int value) {}  public byte [] toBytes() {    return new byte [] { toByte() };  }  public byte toByte() {    return (byte)this.ordinal();  }  public static IsolationLevel fromBytes(byte [] bytes) {    return IsolationLevel.fromByte(bytes[0]);  }  public static IsolationLevel fromByte(byte vbyte) {    return IsolationLevel.values()[vbyte];  }}

总结

最后回到最上面的问题，查询的client会查询到张三和李四两条数据，但是由于李四是小于等于readPoint所有数据中writePoint最大的数据，所以最终返回客户端的数据是李四，结果符合预期，没有问题，上面的问题就是这样的。

回顾全文可以看出，HBase一条查询API后面执行的业务逻辑还是相当复杂的。如果作为初级人员，调用API即可，剩下的事情HBase就帮你做了。但是如果要进阶到HBase的高级阶段的话，这些原理性的东西还是需要了解和掌握的，只有掌握了这些原理，才会在HBase的问题定位以及性能优化上有好的发挥。

最后，如果想一起大数据的小伙伴，欢迎点赞转发加关注，下次学习不迷路，我们在大数据的路上共同前进！

原文:https://juejin.cn/post/7098232975623946247