爬虫场景,可以使用TiDB替代HBase吗?

2024-06-08 19:32

本文主要是介绍爬虫场景,可以使用TiDB替代HBase吗?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

爬虫场景是典型的写多读少,咱们先看看HBase和TiDB的架构,再做进一步判断。

一、 HBase主要分为Master Server,region Server的主服务,以及需要HDFS,ZooKeeper的支撑服务。
(1)Master Server用于协调Region Server,而Region Server对外提供自身大量Region单元和wals的读写访问,以及对Region的维护。一个region单元又对memstore,storefile的内存和磁盘中数据实现读写和数据结构维护。
(2)Region Server作为Hadoop HDFS的客户端,将写入自身的WAL HLog文件和HStore的 HFile文件保存在HDFS仓库中,并随时应用于查找。

HBase的主要优势就在两层:

第一层优势:Region可以不断被拆分,由master将其分配到不同Region Server上,形成均匀的数据分布,Region本质就是对HBase table的一个列簇进行分裂,可以类比成传统数据库的分表,那么再大的列族也会按照行键进行Region分裂,并分布在不同的服务节点上,这样就可以通过集群提升整体数据的读写性能。

第二层优势更为关键,Region实际上是个LSM-Tree的超大数据结构,也就是从客户端写进一个Region Server数据,会不经历任何特殊转换过程,也不经历任何分布式联合过程,数据直接进入Region的LSM-Tree,这点就与tidb大为不同,TiDB从客户端到最终写入要经历复杂的SQL语义转换和多节点协作。

HBase批次的写入都会现在LSM-Tree的Memestore中缓冲,大概128m就进行一次Flush,那么每次读取的过程又可以先从Memestore中查找,没有的情况再从Blockcache中查找,仍然没有才会在hfile中做类b树的查找和扫描。

这就极为突出写入过程中的巨大性能优势,而且对最近写入数据和经常访问数据,提供了更快的查找策略。这些特点都非常适合爬虫,爬虫首先就是并行,更迅速地抓取和写入,然后再配合spark做实时清洗,形成统计表或图处理。列族又能根据不同网站特征,增加无数种不同特征的字段类型,并形成超大稀疏表。

二、我们再反观TiDB,尽管集群中的tikv部分选择了Rockesdb,也是LSM-Tree结构,但这只是TiDB很小的一部分,TiDB的关键目的不是完成海量数据的写入,实时流处理和联机分析,它的关键目的在于分布式的环境下实现在线事务处理,为了达到这个目的它有前置集群TiDB来解决SQL的解析,优化和分布式事务,它有调度集群pd,实现对不同tikv节点的协调调度,它有tikv集群通过raft算法实现分布式数据访问的一致性操作,因此TiDB的主战场是联机事务场景,而它的次级战场才是因为其具有分布式kv特征的联机分析场景。

理解其架构特点,我想你就一定会明白,爬虫的业务场景更符合HBase的架构特长,大量采集数据的高性能写入和实时清洗以及借助HDFS的海量存储,并实现离线分析OLAP;

而对于TiDB强在对上层实时业务的SQL读写访问支撑,数据更新在分布式场景下的强一致性和事务处理能力,因此还是应该把它的重心放在分布式的OLTP应用上,同时可以兼备轻型OLAP的混合分析能力。

守护石 「技术创作」
关注领域:大数据技术、分布式架构 | 技术管理

这篇关于爬虫场景,可以使用TiDB替代HBase吗?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1043102

相关文章

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

C 语言中enum枚举的定义和使用小结

《C语言中enum枚举的定义和使用小结》在C语言里,enum(枚举)是一种用户自定义的数据类型,它能够让你创建一组具名的整数常量,下面我会从定义、使用、特性等方面详细介绍enum,感兴趣的朋友一起看... 目录1、引言2、基本定义3、定义枚举变量4、自定义枚举常量的值5、枚举与switch语句结合使用6、枚

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取

使用Python实现图像LBP特征提取的操作方法

《使用Python实现图像LBP特征提取的操作方法》LBP特征叫做局部二值模式,常用于纹理特征提取,并在纹理分类中具有较强的区分能力,本文给大家介绍了如何使用Python实现图像LBP特征提取的操作方... 目录一、LBP特征介绍二、LBP特征描述三、一些改进版本的LBP1.圆形LBP算子2.旋转不变的LB

Maven的使用和配置国内源的保姆级教程

《Maven的使用和配置国内源的保姆级教程》Maven是⼀个项目管理工具,基于POM(ProjectObjectModel,项目对象模型)的概念,Maven可以通过一小段描述信息来管理项目的构建,报告... 目录1. 什么是Maven?2.创建⼀个Maven项目3.Maven 核心功能4.使用Maven H

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

Spring Boot 集成 Quartz并使用Cron 表达式实现定时任务

《SpringBoot集成Quartz并使用Cron表达式实现定时任务》本篇文章介绍了如何在SpringBoot中集成Quartz进行定时任务调度,并通过Cron表达式控制任务... 目录前言1. 添加 Quartz 依赖2. 创建 Quartz 任务3. 配置 Quartz 任务调度4. 启动 Sprin

Linux下如何使用C++获取硬件信息

《Linux下如何使用C++获取硬件信息》这篇文章主要为大家详细介绍了如何使用C++实现获取CPU,主板,磁盘,BIOS信息等硬件信息,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录方法获取CPU信息:读取"/proc/cpuinfo"文件获取磁盘信息:读取"/proc/diskstats"文

Java使用SLF4J记录不同级别日志的示例详解

《Java使用SLF4J记录不同级别日志的示例详解》SLF4J是一个简单的日志门面,它允许在运行时选择不同的日志实现,这篇文章主要为大家详细介绍了如何使用SLF4J记录不同级别日志,感兴趣的可以了解下... 目录一、SLF4J简介二、添加依赖三、配置Logback四、记录不同级别的日志五、总结一、SLF4J