MySQL + HBase是我们日常应用中常用的两个数据库，分别解决应用的在线事务问题和大数据场景的海量存储问题。
从架构对比看差异
相比MySQL，HBase的架构特点:
完全分布式（数据分片、故障自恢复)
底层使用HDFS(存储计算分离)。
由架构看到的能力差异:
MySQL:运维简单(组件少)、延时低(访问路径短)
HBase:扩展性好、内置容错恢复与数据冗余
图片图片
从引擎结构看差异
图片图片
相比MySQL，HBase的内部引擎特点:
HBase原生没有sQL引擎(无法使用sQL访问，使用APlI)，云HBase增强版(Lindorm)及开源Phoenix均提供sQL能力
HBase使用LSM(Log-Structure Merge)树，,Innodb使用B+树。
图片
图片
由引擎结构(B+Tree vs LSM Tree)看到的能力差异:
MySQL:读写均衡、存在空间碎片
HBase:侧重于写、存储紧凑无浪费、Io放大、数据导入能力强
关于LSM树和B+树的理解
目的是为了减少磁盘IO，
索引：某种数据结构，方便查找数据
hash索引不利于范围查询，使用树结构
B+树
从磁盘读数据是以页为单位，根据这个特点使用平衡多路查找树
B+树的非叶子节点存放索引，叶子节点存放数据
非叶子节点能够存放更多的索引，树的高度更低
叶子节点通过指针相连，有利于区间查询
叶子节点和根节点的距离基本相同，查找的效率稳定
数据插入导致叶子节点分裂，最终导致逻辑连续的数据存放到不同物理磁盘块位置，导致区间查询效率下降
LSM Tree
LSM（Log-Structured Merge），LevelDB，RocksDB，HBase，Cassandra等都是基于LSM结构
HDD，SSD顺序读写的速度都高于随机读写，写入日志就是顺序写
WAL，memtable，sstable
有利于写，不利于读，先从memtable查找，再到磁盘所有的sstable文件查找
Compaction的目的是减少sstable文件数量，缓解读放大的问题，加速查找可以对sstable文件使用布隆过滤器
Compaction策略
STCS（SIze-Tiered Compaction Strategy）空间放大和读放大问题
LCS（Leveled Compaction Strategy）写放大问题
Compaction会引入写放大问题，在Value较大时采用KV分离存储缓解写放大
写操作多于读操作时，LSM树有更好的性能，因为随着insert操作，为了维护B+树结构，节点分裂。读磁盘的随机读写概率会变大，性能会逐渐减弱。LSM树相比于B+树，多次单页随机写变成一次多页随机写,复用了磁盘寻道时间，极大提高写性能。不过付出代价就是放弃部分读性能。
数据访问
相同之处:数据以表的模型进行逻辑组织，应用对数据进行增删改查
不同之处:MySQL的SQL功能更丰富:事务能力更强，HBase既可以用APIl进行更灵活、性能更好的访问，也可以借助Phoenix使用标准sQL访问;只支持单行事务。
HBase的特色功能--TTL
图片
HBase的特色功能—多版本
图片
HBase的特色功能—多列簇
图片
HBase的特色功能—MOB
图片
从生态看差异
MySQL:满足APP的在线数据库存储，一般有我足矣
图片
大数据圈:应用于大数据场景的存储、计算及管理组件
图片
MySQL:一般可独立满足在线应用的数据存储需求，或者与少量组件配合(如缓存、分库中间件)
HBase:一般需要和较多大数据组件一起配合完成应用场景，场景架构的设计、实施存在较大的挑战
总结
图片
哪些场景的存储适合HBase ?
图片
图片
图片
图片
图片
图片
图片图片
图片
图片
图片
HBase不是MySQL的替换，HBase是业务规模及场景扩张后，对MySQL的自然延伸
图片
（感谢阅读，希望对你所有帮助)
最近面试BAT，整理一份面试资料《Java面试BATJ通关手册》，覆盖了Java核心技术、JVM、Java并发、SSM、微服务、数据库、数据结构等等。
文章有帮助的话，在看，转发吧。
谢谢支持哟 (*^__^*)