从B+树到LSM树，及LSM树在HBase中的应用

前言

在有代表性的关系型数据库如MySQL、SQL Server、Oracle中，数据存储与索引的基本结构就是我们耳熟能详的B树和B+树。而在一些主流的NoSQL数据库如HBase、Cassandra、LevelDB、RocksDB中，则是使用日志结构合并树（Log-structured Merge Tree，LSM Tree）来组织数据。本文先由B+树来引出对LSM树的介绍，然后说明HBase中是如何运用LSM树的。

回顾B+树

为什么在RDBMS中我们需要B+树（或者广义地说，索引）？一句话：减少寻道时间。在存储系统中广泛使用的HDD是磁性介质+机械旋转的，这就使得其顺序访问较快而随机访问较慢。使用B+树组织数据可以较好地利用HDD的这种特点，其本质是多路平衡查找树。下图是一棵高度为3的4路B+树示例。

与普通B树相比，B+树的非叶子节点只有索引，所有数据都位于叶子节点，并且叶子节点上的数据会形成有序链表。B+树的主要优点如下：

• 结构比较扁平，高度低（一般不超过4层），随机寻道次数少；
• 数据存储密度大，且都位于叶子节点，查询稳定，遍历方便；
• 叶子节点形成有序链表，范围查询转化为顺序读，效率高。相对而言B树必须通过中序遍历才能支持范围查询。

当然，B+树也不是十全十美的，它的主要缺点有两个：

• 如果写入的数据比较离散，那么寻找写入位置时，子节点有很大可能性不会在内存中，最终会产生大量的随机写，性能下降。下图来自TokuDB的PPT，说明了这一点。

• 如果B+树已经运行了很长时间，写入了很多数据，随着叶子节点分裂，其对应的块会不再顺序存储，而变得分散。这时执行范围查询也会变成随机读，效率降低了。

可见，B+树在多读少写（相对而言）的情境下比较有优势，在多写少读的情境下就不是很有威力了。当然，我们可以用SSD来获得成倍提升的读写速率，但成本同样高昂，对海量存储集群而言不太可行。日志结构合并树（LSM Tree）就是作为B+树的替代方案产生的。

认识LSM树

LSM树由Patrick O'Neil等人在论文《The Log-Structured Merge Tree》中提出，它实际上不是一棵树，而是2个或者多个树或类似树的结构（注意这点）的集合。下图示出最简单的有2个结构的LSM树。

论文中的图，不知为何少了一个字母D

在LSM树中，最低一级也是最小的C₀树位于内存里，而更高级的C₁、C₂...树都位于磁盘里。数据会先写入内存中的C₀树，当它的大小达到一定阈值之后，C₀树中的全部或部分数据就会刷入磁盘中的C₁树，如下图所示。

由于内存的读写速率都比外存要快非常多，因此数据写入C₀树的效率很高。并且数据从内存刷入磁盘时是预排序的，也就是说，LSM树将原本的随机写操作转化成了顺序写操作，写性能大幅提升。不过，它的tradeoff就是牺牲了一部分读性能，因为读取时需要将内存中的数据和磁盘中的数据合并。总体上来讲这种tradeoff还是值得的，因为：

• 可以先读取内存中C₀树的缓存数据。内存的效率很高，并且根据局部性原理，最近写入的数据命中率也高。
• 写入数据未刷到磁盘时不会占用磁盘的I/O，不会与读取竞争。读取操作就能取得更长的磁盘时间，变相地弥补了读性能差距。

在实际应用中，为了防止内存因断电等原因丢失数据，写入内存的数据同时会顺序在磁盘上写日志，类似于我们常见的预写日志（WAL），这就是LSM这个词中Log一词的来历。另外，如果有多级树的话，低级的树在达到大小阈值后也会在磁盘中进行合并，如下图所示。

下面以HBase为例来简要讲解LSM树是如何发挥其作用的。

HBase中的LSM树

在之前的《HBase MemStore 101》这篇文章中，我们已经了解了HBase的读写流程与MemStore的作用。MemStore作为列族级别的写入和读取缓存，它就是HBase中LSM树的C₀层。并且它确实也没有采用树形结构来存储，而是采用了跳表——一种替代自平衡BST的结构，详情参见我之前写的《跳跃列表与其在Redis中的实现详解》。MemStore Flush的过程，也就是LSM树中C₀层刷写到C₁层的过程，而LSM中的日志对应到HBase自然就是HLog了。

为了方便理解，再次祭出之前用过的HBase读写流程简图。

HFile就是LSM树中的高层实现。从逻辑上来讲，它是一棵满的3层B+树，从上到下的3层索引分别是Root index block、Intermediate index block和Leaf index block，对应到下面的Data block就是HFile的KeyValue结构了。HFile V2索引结构的图示如下，来自hbasefly的文章。

我们已经知道，HFile过多会影响读写性能，因此高层LSM树的合并即对应HFile的合并（Compaction）操作。合并操作又分别Minor和Major Compaction，由于Major Compaction涉及整个Region，对磁盘压力很大，因此要尽量避免。

HBase为了提升LSM结构下的随机读性能，还引入了布隆过滤器（建表语句中可以指定），对应HFile中的Bloom index block，其结构图如下所示。

通过布隆过滤器，HBase就能以少量的空间代价，换来在读取数据时非常快速地确定是否存在某条数据，效率进一步提升。

The End

明天又要开始搬砖，晚安吧各位~