一、集群化方案
1、MySQL应用的演化
MySQL与HBase说到最核心的点，是一种数据存储方案。方案本身没有对错、没有好坏，只有合适与否。相信多数公司都与MySQL有着不解之缘，部分学校的课程甚至直接以SQL语言作为数据库讲解。我想借自身经历，先来谈谈MySQL应用的演化。
只有MySQL
笔者之前曾在一家O2O创业公司工作，公司所有数据都存储在同一个MySQL里，而且没有任何主备方案。相信这是很多初创公司会用到的一个典型解决办法，当时这台MySQL为用户、订单、物流服务，同时也为线下分析服务。
单实例的问题：
一旦MySQL挂了，服务全部停止；
一旦MySQL的磁盘坏了，公司的所有服务都没有了 （一般会定时备份数据文件）。 主从方案
随着业务增加，单个DB是无法承载这么多请求的。于是就有了主从复制、读写分离的解决方案。
master只负责写请求，slave同步master用来服务读请求：
为了扩展读能力可以增加多个slave；
允许slave同步有一定的延迟；一致性要求严格的，可以指定读主库。 主从功能的问题：
需要增加管理Proxy层，分配写请求、读请求；
节点故障：其它节点应该快速接管故障节点的功能。 垂直拆分
业务继续增长，master甚至无法承载所有的写请求，数据库需要按业务拆分。
垂直拆分的问题：
线下分析，需要在业务代码里join各个表。因为拆成多个库，已经无法join了。
不容易做数据库的事务性，用户余额减少与下单成功的情况下无法使用MySQL的事务功能。 水平拆分
业务继续增长，订单表有大量的并发写入，而且已经有了几千万行数据。
单个库无法承载大量的并发写入；
上千万行的大表，数据写入可能需要调整一棵巨大的B+树；上千万行，B+树过深，读写需要更多的磁盘IO；很多老数据访问较少，B+树上层缓存的部分信息无用；…… 参考：大众点评订单系统分库分表实践
https://zhuanlan.zhihu.com/p/24036067
水平分库/分表带来的问题：
维护map方案；
辅助索引只能局部有效；由于分库，无法使用join等函数；由于分表count、order、group等聚合函数也无法做了； 扩容：需要再次水平拆分的：修改map，迁移数据……
2、MySQL的问题
MySQL的主要瓶颈，单机单进程。CPU有限、内存/磁盘功能、连接数有限、网卡吞吐有限……
集群的限制点：
关系型数据库，纵向的外键相互join；
范式参考链接：https://zhuanlan.zhihu.com/p/20028672
数据库事务性，基于单机的锁机制，无法扩展到集群中使用；
全局有序列性基于B+树，数据有序聚合存储，集群化后无法保证；数据本地存储，扩容需要迁移数据。 集群的方案：
放弃部分功能，辅助索引检索、join、全局事务性、聚合函数等；
水平拆分：存储KV化，用机械的map思路实现集群；扩容方案：手动导数据，开发数据迁移脚本；事务性：两阶段事务、paxos、单库事务……备份容灾：从节点同步主节点，但有一定的数据延迟； 服务稳定性：主节点挂了，Proxy会将从节点升级为主节点；从节点挂了会被其它从节点替换。
3、HBase集群化解决方案
水平拆分：
region：拆分后的子表；
Region Server：管理这些数据的server，相当于一个MySQL实例；.META.表存储拆分信息map<row, server>。 
单个region过大，RegionServer会将region均分为两个（自动、手工）。然后更新.META.表。
扩容方案：
RegionServer向HMaster汇报状态。HMaster为RegionServer负载均衡，调整其负责的region 。
增/删RegionServer后，会为重新调整region的分配方式。
服务稳定性：
RegionServer只是计算单元，挂掉后Hmaster可以随便再找一个节点代替坏节点服务。
事务性：
HBase只保证行级事务，单行数据肯定存在同一台机器（单机事务很好做）。
备份容灾：
数据使用HDFS存储，多复本，任何一个复本挂掉都不影响功能；
RegionServer只是计算单元，挂掉后不影响服务。
二、性能取舍
1、数据请求流程
HBase：
Client会通过Zookeeper定位到 .META. 表；
根据 .META. 查找需要服务的RegionServer，连接RegionServer进行读写；Client会缓存 .META. 表信息，下次可以直接连到RegionServer 。 MySQL：
Client通过Proxy，查找需要连接的MySQL实例，连接并进行读写。
Rquest的路由流程，MySQL与HBase基本一致，那么RegionServer与MySQL的性能差异如何呢？
2、Hbase写得快
新增
为什么MySQL建议自增主键？（MySQL随机插入的代价）
主键索引是有序的B+树结构，新增条目的ID肯定是最大的，新增给B+结构带来的调整最小；
主键索引是聚簇的：新增条目，ID是最大的。其data追加在上一次插入的后面，磁盘更容易顺序写。 辅助索引，插入基本是随机的：
插入条目，可能会引起B+树结构很大的调整。
HBase可以随机插入：
HBase的所有插入只是写入内存memstore，只保证内存数据的有序即可（很快、很容易）；
为防止数据丢失写入memstore前，先写入wal（可以关闭，速度更快）；HBase没有辅助索引需要维护；memstore写满了，申请一块新的内存，旧的memstore被后台线程刷盘，存入HFile。 修改
MySQL数据变化引起存储变动：
数据块大小变化：磁盘空间不足，可能需要调整磁盘存储结构，引起大量的磁盘随机读写；
辅助索引发生变化：可能需要重新调整辅助索引B+树。 HBase直接将变化写入到memstore，没有其它开销。
删除
MySQL数据删除：
直接操作B+树的节点，肯定需要刷新磁盘；
如果引起树结构变化，甚至可能需要多次刷新磁盘。 HBase只是在memstore记录删除标记，没有其它开销。
3、结论
HBase写入内存+后台刷盘（最多是WAL，磁盘顺序写）；MySQL需要维护B+树，大量的磁盘随机读写。
MySQL要求尽量追加写（自增 ID），速度较慢；HBase可以随机插入，速度很快。
MySQL读得快
MySQL数据是本地存储的，HBase是基于HDFS，有可能数据不在本地。
B+ 树天然的全局有序
根据主键查询，可以快速定位到数据所在磁盘块，只需要极少的磁盘IO即可拿到数据：通过缓存高层节点，主健查询只需要一次磁盘IO就可拿到数据；MySQL单表行数一般建议不会超过2千万，千万行以下的大表，B+树只需2~3层即可；
辅助
HBase只有局部信息，没有辅助索引
查询会优先查找memstore，如果没有会查找Hfile（存储结构类似B+树）。如果第一个Hfile中没有所需的信息，则需要去第二、第三个Hfile中查询；如果查询的数据恰好在memstore，第一个Hfile，HBase会优于MySQL；平均下来，HBase读性能一般。减少Hfile数据以提速，小的HFile合并成大的HFile文件。这种存储结构叫LSM树（Log-structured merge-tree）；
如果需要检索特定的列，可能需要遍历所有Hfile，成本巨高。 MySQL成也B+，败也B+；HBase成也LSM，败也LSM。
4、附录
B+ 树
查询“值为25”的节点，只需要2次定位即可。
LSM树
查询“值为25”的节点，只需要4次定位即可。
三、优化思路
1、HBase优化点 (主要是读)
异步化
后台线程将memstore写入Hfile；
后台线程完成Hfile合并；wal异步写入（数据有丢失的风险）。 数据就近
blockcache，缓存常用数据块：读请求先到memstore中查数据，查不到就到blockcache中查，再查不到就会到磁盘上读，把最近读