Cassandra vs. HBase

参考：

• Cassandra vs. HBase: twins or just strangers with similar looks?[Jun 19, 2018]
• HBase vs Cassandra – Which One Is Better (Infographics)[Feb 16, 2018]

一、对比总结

• Cassandra的弱点是数据一致性，而HBase的弱点是数据可用性。
• 都擅长处理时间序列数据，都具有线性可伸缩性。
• 都不适用于经常进行数据删除和更新。

1）HBase

HBase 设计目的是处理数据湖、数据仓库中的冷数据

• 擅长处理文本分析和基本数据分析（通过协处理器）
• Base只提供数据管理，不负责存储，有外部依赖。查询语言需重新学习。
  • 所有数据都存储在HDFS。
  • 使用Zookeeper管理服务器状态，元数据的位置。
  • 适合已经投资了Hadoop基础设施和技能时使用。
• 擅长读（因为其没有数据重复）

2）Cassandra

Cassandra 设计目的是支持“always-on”的在线Web和移动应用程序

• 擅长处理复杂分析、实时分析。
• Cassandra是数据存储和数据管理工具，“自给自足”。有类似SQL的CQL。
• 擅长写（直接hash，不需要经过Zookeeper）
• 能够在不同国家/地区创建数据中心并使其保持同步运行。
• 如果将 Cassandra 与 Spark 结合使用，也可以获得良好的扫描性能。

3）特性对比

二、数据模型

1）HBase

• cell：数据存储基本单位。包含 value 和 timestamp。
• column：cell的集合。在 column family 和 column qualifier 之下。
• column qualifier：column family之下，更好地定位数据。
• column family：column的集合
• row key：保存对列族数据的唯一值
• table：column family的集合

在 table 中，数据按一列行键字典顺序分区。行键的设计至关重要，用以确保高效的数据查找。

2）Cassandra

• column family：按行储存column
• row key：主键
• column：数据存储基本单位。包含name/key, value, timestamp
• super column：特殊列，value可包含多个子列

在 cluster 中，数据按多列主键的hash值分区，并被分配到 token 比其hash值大的结点，再根据复制因子备份到相应结点。

3）数据模型对比

术语相同，含义不同。

• Cassandra 的column类似 HBase 的cell。
• Cassandra 的column family类似 HBase 的table。
• Cassandra 的super column类似 HBase 的column qualifier，但前者最少2个子列，后者只能一个。

//todo
另外，Cassandra 允许一个主键包含多列，而 HBase 只有单列行键，并让开发者设计行键。同时，Cassandra 的主键包括分区键和聚类列，分区键里仍能包含多列。

三、架构

1）单点失败

• Cassandra 是去中心架构，没有单点失败。
• HBase 是中心化架构，存在单点失败。

2）可用性

• Cassandra 始终可用。
  • 通过群集中标识的多个种子节点互相通信，确保高可伸缩性和可用性
• HBase 客户端可以不经主节点与从节点直接联系，在主节点挂掉之后集群还能工作一段时间。
  • 通过备用主节点取代故障的主节点，确保高可伸缩性和可用性

3）一致性

• Cassandra具有一致性问题：为确保可用性，Cassandra 会复制数据
• HBase具有强一致性：只将数据写入一个地方并且始终知道在哪里找到它（数据复制在HDFS中“外部”完成）。

4）节间通信

• Cassandra集成Gossip协议。数据在节点间复制。
• HBase依赖于外部Zookeeper。一个节点作为主节点，所有其他节点通过其获取数据。

5）事务

支持轻量级事务

• Cassandra事务机制：“Compare and Set”和“行级写隔离”。
• HBase事务机制：“Check and Put”和“Read-Check-Delete”。

6）查询语言

HBase shell 和 Cassandra shell都基于JRuby Shell。

• Cassandra有一个类似SQL的特定查询语言CQL。比HBase具有更多功能。
• HBase查询语言是一种需要学习的自定义语言

7）功能

• Cassandra 的架构支持数据管理和存储。
  • 没有协处理器
  • 支持有序分区
  • 不支持基于范围的行扫描
• HBase的架构仅用于数据管理。
  • 有协处理器，用于执行用户代码。
  • 不支持有序分区
  • 支持触发器
  • 支持基于范围的扫描

四、性能

1）写

Cassandra 更擅长写。

Cassandra 基于一致性hash，HBase 依赖Zookeeper

• HBase 写入流程：
  1. 首先，客户端向Zookeeper“询问”具有meta表的服务器（meta表包含有关集群中所有表位置的信息）。
  2. 然后，客户端“询问”meta表服务器，“谁”存储它需要写入的实际表。
  3. 最后，客户端才会将数据写入所需的位置。
• 如果相同写入、读取经常发生，信息会缓存。但是如果将表移动了，则需再次执行完整轮次。
• 在 HBase 内部写入结束后（缓存的数据被刷新到磁盘），HDFS 也需要时间来存储数据。

2）读

HBase 更擅长读。

• HBase 擅长大量快速一致的读取
  • 只在一台服务器上写入，读取时无需比较不同节点的数据版本。
  • HBase需要从HDFS取数据。但对于所有频繁访问的HDFS数据都有缓存，对所有其他数据的近似“地址”还应用了布隆过滤器，可加速数据检索。
  • HBase和HDFS的索引系统是多层的，比Cassandra的索引更有效。
• Cassandra 只擅长主键已知的针对读取，不保证一致。
  • 在要求扫描和一致性时，Cassandra 比 HBase 慢。