当前位置： 移动技术网 > IT编程>开发语言>Java > 避免HBase PageFilter踩坑，这几点你必须要清楚

避免HBase PageFilter踩坑，这几点你必须要清楚

2019年08月15日  | 移动技术网IT编程  | 我要评论

帮派密道旗子,赤脚青春 can,有机颜料

有这样一个场景，在hbase中需要分页查询，同时根据某一列的值进行过滤。

不同于rdbms天然支持分页查询，hbase要进行分页必须由自己实现。据我了解的，目前有两种方案， 一是《hbase权威指南》中提到的用pagefilter加循环动态设置startrow实现，详细见这里。但这种方法效率比较低，且有冗余查询。因此京东研发了一种用额外的一张表来保存行序号的方案。 该种方案效率较高，但实现麻烦些，需要维护一张额外的表。

不管是方案也好，人也好，没有最好的，只有最适合的。
在我司的使用场景中，对于性能的要求并不高，所以采取了第一种方案。本来使用的美滋滋，但有一天需要在分页查询的同时根据某一列的值进行过滤。根据列值过滤，自然是用singlecolumnvaluefilter（下文简称scvfilter）。代码大致如下,只列出了本文主题相关的逻辑，

scan scan = initscan(xxx);
filterlist filterlist=new filterlist();
scan.setfilter(filterlist);
filterlist.addfilter(new pagefilter(1));
filterlist.addfilter(new singlecolumnvaluefilter(family,isdeleted, comparefilter.compareop.equal, bytes.tobytes(false)));

 

数据如下

row1                 column=f:content, timestamp=1513953705613, value=content1
 row1                 column=f:isdel, timestamp=1513953705613, value=1
 row1                 column=f:name, timestamp=1513953725029, value=name1
 row2                 column=f:content, timestamp=1513953705613, value=content2
 row2                 column=f:isdel, timestamp=1513953744613, value=0
 row2                 column=f:name, timestamp=1513953730348, value=name2
 row3                 column=f:content, timestamp=1513953705613, value=content3
 row3                 column=f:isdel, timestamp=1513953751332, value=0
 row3                 column=f:name, timestamp=1513953734698, value=name3

 

在上面的代码中。向scan添加了两个filter：首先添加了pagefilter，限制这次查询数量为1，然后添加了一个scvfilter，限制了只返回isdeleted=false的行。

上面的代码，看上去无懈可击，但在运行时却没有查询到数据！

刚好最近在看hbase的代码，就在本地debug了下hbase服务端filter相关的查询流程。

filter流程

首先看下hbase filter的流程，见图：

 

然后再看pagefilter的实现逻辑。

public class pagefilter extends filterbase {
  private long pagesize = long.max_value;
  private int rowsaccepted = 0;

  /**
   * constructor that takes a maximum page size.
   *
   * @param pagesize maximum result size.
   */
  public pagefilter(final long pagesize) {
    preconditions.checkargument(pagesize >= 0, "must be positive %s", pagesize);
    this.pagesize = pagesize;
  }

  public long getpagesize() {
    return pagesize;
  }

  @override
  public returncode filterkeyvalue(cell ignored) throws ioexception {
    return returncode.include;
  }
 
  public boolean filterallremaining() {
    return this.rowsaccepted >= this.pagesize;
  }

  public boolean filterrow() {
    this.rowsaccepted++;
    return this.rowsaccepted > this.pagesize;
  }
  
}

 

其实很简单，内部有一个计数器，每次调用filterrow的时候，计数器都会+1，如果计数器值大于pagesize，filterrow就会返回true，那之后的行就会被过滤掉。

再看scvfilter的实现逻辑。

public class singlecolumnvaluefilter extends filterbase {
  private static final log log = logfactory.getlog(singlecolumnvaluefilter.class);

  protected byte [] columnfamily;
  protected byte [] columnqualifier;
  protected compareop compareop;
  protected bytearraycomparable comparator;
  protected boolean foundcolumn = false;
  protected boolean matchedcolumn = false;
  protected boolean filterifmissing = false;
  protected boolean latestversiononly = true;

 

  /**
   * constructor for binary compare of the value of a single column.  if the
   * column is found and the condition passes, all columns of the row will be
   * emitted.  if the condition fails, the row will not be emitted.
   * <p>
   * use the filterifcolumnmissing flag to set whether the rest of the columns
   * in a row will be emitted if the specified column to check is not found in
   * the row.
   *
   * @param family name of column family
   * @param qualifier name of column qualifier
   * @param compareop operator
   * @param comparator comparator to use.
   */
  public singlecolumnvaluefilter(final byte [] family, final byte [] qualifier,
      final compareop compareop, final bytearraycomparable comparator) {
    this.columnfamily = family;
    this.columnqualifier = qualifier;
    this.compareop = compareop;
    this.comparator = comparator;
  }

 
   
  @override
  public returncode filterkeyvalue(cell c) {
    if (this.matchedcolumn) {
      // we already found and matched the single column, all keys now pass
      return returncode.include;
    } else if (this.latestversiononly && this.foundcolumn) {
      // we found but did not match the single column, skip to next row
      return returncode.next_row;
    }
    if (!cellutil.matchingcolumn(c, this.columnfamily, this.columnqualifier)) {
      return returncode.include;
    }
    foundcolumn = true;
    if (filtercolumnvalue(c.getvaluearray(), c.getvalueoffset(), c.getvaluelength())) {
      return this.latestversiononly? returncode.next_row: returncode.include;
    }
    this.matchedcolumn = true;
    return returncode.include;
  }

 
  
  private boolean filtercolumnvalue(final byte [] data, final int offset,
      final int length) {
    int compareresult = this.comparator.compareto(data, offset, length);
    switch (this.compareop) {
    case less:
      return compareresult <= 0;
    case less_or_equal:
      return compareresult < 0;
    case equal:
      return compareresult != 0;
    case not_equal:
      return compareresult == 0;
    case greater_or_equal:
      return compareresult > 0;
    case greater:
      return compareresult >= 0;
    default:
      throw new runtimeexception("unknown compare op " + compareop.name());
    }
  }

  public boolean filterrow() {
    // if column was found, return false if it was matched, true if it was not
    // if column not found, return true if we filter if missing, false if not
    return this.foundcolumn? !this.matchedcolumn: this.filterifmissing;
  }
   
 
}

 

在hbase中，对于每一行的每一列都会调用到filterkeyvalue，scvfilter的该方法处理逻辑如下：

1. 如果已经匹配过对应的列并且对应列的值符合要求，则直接返回inclue,表示这一行的这一列要被加入到结果集
2. 否则如latestversiononly为true(latestversiononly代表是否只查询最新的数据，一般为true)，并且已经匹配过对应的列(但是对应的列的值不满足要求)，则返回exclude,代表丢弃该行
3. 如果当前列不是要匹配的列。则返回include,否则将matchedcolumn置为true，代表以及找到了目标列
4. 如果当前列的值不满足要求，在latestversiononly为true时，返回next_row，代表忽略当前行还剩下的列，直接跳到下一行
5. 如果当前列的值满足要求，将matchedcolumn置为true，代表已经找到了对应的列，并且对应的列值满足要求。这样，该行下一列再进入这个方法时，到第1步就会直接返回，提高匹配效率

再看filterrow方法，该方法调用时机在filterkeyvalue之后，对每一行只会调用一次。
scvfilter中该方法逻辑很简单：

1. 如果找到了对应的列，如其值满足要求，则返回false，代表将该行加入到结果集，如其值不满足要求，则返回true，代表过滤该行
2. 如果没找到对应的列，返回filterifmissing的值。

猜想：

是不是因为将pagefilter添加到scvfilter的前面，当判断第一行的时候，调用pagefilter的filterrow，导致pagefilter的计数器+1，但是进行到scvfilter的filterrow的时候，该行又被过滤掉了，在检验下一行时，因为pagefilter计数器已经达到了我们设定的pagesize,所以接下来的行都会被过滤掉，返回结果没有数据。

验证：

在filterlist中，先加入scvfilter，再加入pagefilter

scan scan = initscan(xxx);
filterlist filterlist=new filterlist();
scan.setfilter(filterlist);
filterlist.addfilter(new singlecolumnvaluefilter(family,isdeleted, comparefilter.compareop.equal,     bytes.tobytes(false)));
filterlist.addfilter(new pagefilter(1));

 

结果是我们期望的第2行的值。

结论

当要将pagefilter和其他filter使用时，最好将pagefilter加入到filterlist的末尾，否则可能会出现结果个数小于你期望的数量。
（其实正常情况pagefilter返回的结果数量可能大于设定的值，因为服务器集群的pagefilter是隔离的。）

彩蛋

其实，在排查问题的过程中，并没有这样顺利，因为问题出在线上，所以我在本地查问题时自己造了一些测试数据，令人惊讶的是，就算我先加入scvfilter，再加入pagefilter，返回的结果也是符合预期的。
测试数据如下：

row1                 column=f:isdel, timestamp=1513953705613, value=1
 row1                 column=f:name, timestamp=1513953725029, value=name1
 row2                 column=f:isdel, timestamp=1513953744613, value=0
 row2                 column=f:name, timestamp=1513953730348, value=name2
 row3                 column=f:isdel, timestamp=1513953751332, value=0
 row3                 column=f:name, timestamp=1513953734698, value=name3

 

当时在本地一直不能复现问题。很是苦恼，最后竟然发现使用scvfilter查询的结果还和数据的列的顺序有关。

在服务端，hbase会对客户端传递过来的filter封装成filterwrapper。

class regionscannerimpl implements regionscanner {

    regionscannerimpl(scan scan, list<keyvaluescanner> additionalscanners, hregion region)
        throws ioexception {
      this.region = region;
      this.maxresultsize = scan.getmaxresultsize();
      if (scan.hasfilter()) {
        this.filter = new filterwrapper(scan.getfilter());
      } else {
        this.filter = null;
      }
    }
   ....
}

 

在查询数据时，在hregion的nextinternal方法中，会调用filterwrapper的filterrowcellswithret方法

filterwrapper相关代码如下：

/**
 * this is a filter wrapper class which is used in the server side. some filter
 * related hooks can be defined in this wrapper. the only way to create a
 * filterwrapper instance is passing a client side filter instance through
 * {@link org.apache.hadoop.hbase.client.scan#getfilter()}.
 * 
 */
 
final public class filterwrapper extends filter {
  filter filter = null;

  public filterwrapper( filter filter ) {
    if (null == filter) {
      // ensure the filter instance is not null
      throw new nullpointerexception("cannot create filterwrapper with null filter");
    }
    this.filter = filter;
  }

 
  public enum filterrowretcode {
    not_called,
    include,     // corresponds to filter.filterrow() returning false
    exclude      // corresponds to filter.filterrow() returning true
  }
  
  public filterrowretcode filterrowcellswithret(list<cell> kvs) throws ioexception {
    this.filter.filterrowcells(kvs);
    if (!kvs.isempty()) {
      if (this.filter.filterrow()) {
        kvs.clear();
        return filterrowretcode.exclude;
      }
      return filterrowretcode.include;
    }
    return filterrowretcode.not_called;
  }

 
}

 

这里的kvs就是一行数据经过filterkeyvalue后没被过滤的列。

可以看到当kvs不为empty时，filterrowcellswithret方法中会调用指定filter的filterrow方法，上面已经说过了，pagefilter的计数器就是在其filterrow方法中增加的。

而当kvs为empty时，pagefilter的计数器就不会增加了。再看我们的测试数据，因为行的第一列就是scvfilter的目标列isdeleted。回顾上面scvfilter的讲解我们知道，当一行的目标列的值不满足要求时，该行剩下的列都会直接被过滤掉！

对于测试数据第一行，走到filterrowcellswithret时kvs是empty的。导致pagefilter的计数器没有+1。还会继续遍历剩下的行。从而使得返回的结果看上去是正常的。

而出问题的数据，因为在列isdeleted之前还有列content，所以当一行的isdeleted不满足要求时，kvs也不会为empty。因为列content的值已经加入到kvs中了（这些数据要调用到scvfilter的filterrow的时间会被过滤掉）。

感想

从实现上来看hbase的filter的实现还是比较粗糙的。效率也比较感人，不考虑网络传输和客户端内存的消耗，基本上和你在客户端过滤差不多。

 

本人免费整理了java高级资料，涵盖了java、redis、mongodb、mysql、zookeeper、spring cloud、dubbo高并发分布式等教程，一共30g，需要自己领取。
传送门：https://mp.weixin.qq.com/s/jzddfh-7ynudmkjt0irl8q

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网