我們先拋出一個問題：
LSM樹是HBase裏使用的非常有創意的一種數據結構。在有代表性的關係型數據庫如MySQL、SQL Server、Oracle中，數據存儲與索引的基本結構就是我們耳熟能詳的B樹和B+樹。而在一些主流的NoSQL數據庫如HBase、Cassandra、LevelDB、RocksDB中，則是使用日誌結構合併樹（Log-structured Merge Tree，LSM Tree）來組織數據。
首先，我們從B+樹講起
爲什麼在RDBMS中我們需要B+樹（或者廣義地說，索引）？一句話：減少尋道時間。在存儲系統中廣泛使用的HDD是磁性介質+機械旋轉的，這就使得其順序訪問較快而隨機訪問較慢。使用B+樹組織數據可以較好地利用HDD的這種特點，其本質是多路平衡查找樹。一個典型的B+樹如下圖所示：
-
B+樹的磁盤讀寫代價更低：B+樹的內部節點並沒有指向關鍵字具體信息的指針，因此其內部節點相對B樹更小，如果把所有同一內部節點的關鍵字存放在同一盤塊中，那麼盤塊所能容納的關鍵字數量也越多，一次性讀入內存的需要查找的關鍵字也就越多，相對IO讀寫次數就降低了。
-
B+樹的查詢效率更加穩定：由於非終結點並不是最終指向文件內容的結點，而只是葉子結點中關鍵字的索引。所以任何關鍵字的查找必須走一條從根結點到葉子結點的路。所有關鍵字查詢的路徑長度相同，導致每一個數據的查詢效率相當。
-
由於B+樹的數據都存儲在葉子結點中，分支結點均爲索引，方便掃庫，只需要掃一遍葉子結點即可，但是B樹因爲其分支結點同樣存儲着數據，我們要找到具體的數據，需要進行一次中序遍歷按序來掃，所以B+樹更加適合在區間查詢的情況，所以通常B+樹用於數據庫索引。
如果你對B+樹不夠熟悉，可以參考這裏：https://blog.csdn.net/b_x_p/article/details/86434387
那麼，B+樹有什麼缺點呢？
B+樹最大的性能問題是會產生大量的隨機IO，隨着新數據的插入，葉子節點會慢慢分裂，邏輯上連續的葉子節點在物理上往往不連續，甚至分離的很遠，但做範圍查詢時，會產生大量讀隨機IO。
LSM Tree
爲了克服B+樹的弱點，HBase引入了LSM樹的概念，即Log-Structured Merge-Trees。
LSM Tree（Log-structured merge-tree）起源於1996年的一篇論文：The log-structured merge-tree (LSM-tree)。當時的背景是：爲一張數據增長很快的歷史數據表設計一種存儲結構，使得它能夠解決：在內存不足，磁盤隨機IO太慢下的嚴重寫入性能問題。
LSM Tree（Log-structured merge-tree）廣泛應用在HBase，TiDB等諸多數據庫和存儲引擎上：
我們來看看大佬設計這個數據結構：
Ck tree是一個有序的樹狀結構，數據的寫入流轉從C0 tree 內存開始，不斷被合併到磁盤上的更大容量的Ck tree上。由於內存的讀寫速率都比外存要快非常多，因此數據寫入的效率很高。並且數據從內存刷入磁盤時是預排序的，也就是說，LSM樹將原本的隨機寫操作轉化成了順序寫操作，寫性能大幅提升。不過它犧牲了一部分讀性能，因爲讀取時需要將內存中的數據和磁盤中的數據合併。
回到Hbase來，我們在之前的文章中《Hbase性能優化手冊》中提到過Hbase的讀寫流程：
MemStore是HBase中C0的實現，向HBase中寫數據的時候，首先會寫到內存中的MemStore,當達到一定閥值之後，flush(順序寫)到磁盤，形成新的StoreFile（HFile），最後多個StoreFile（HFile）又會進行Compact。
memstore內部維護了一個數據結構：ConcurrentSkipListMap，數據存儲是按照RowKey排好序的跳躍列表。跳躍列表的算法有同平衡樹一樣的漸進的預期時間邊界，並且更簡單、更快速和使用更少的空間。
HBase爲了提升LSM結構下的隨機讀性能，還引入了布隆過濾器（建表語句中可以指定），對應HFile中的Bloom index block，其結構圖如下所示。
通過布隆過濾器，HBase就能以少量的空間代價，換來在讀取數據時非常快速地確定是否存在某條數據，效率進一步提升。
歡迎關注，《大數據成神之路》系列文章
歡迎關注，《大數據成神之路》系列文章
歡迎關注，《大數據成神之路》系列文章