Hbase概念原理扫盲

一、Hbase简介

1、什么是Hbase

Hbase的原型是google的BigTable论文，收到了该论文思想的启发，目前作为hadoop的子项目来开发维护，用于支持结构化的数据存储。

Hbase是一个高可靠性（存储在hdfs上，有副本机制），高性能，面向列，非关系型的数据库（类似redis），可伸缩的分布式存储系统（因为是存储在hdfs上），利用hbase技术可在廉价PC server上搭建大规模结构化的数据库存储集群。

Hbase的目标是存储并处理大型的数据，更具体来说仅需使用普通的硬件，就能够处理由成千上万行和列所组成的大型数据。

Hbase是基于hdfs构建的分布式存储框架，但是Hbase在hdfs上实现随机的读写改，解决了hdfs不支持的东西

 

2、Hbase的特点

A、海量存储

B、列式存储

这里的列式存储其实说的是列族存储，Hbase是根据列族来存储数据的，列族下面可以有非常多的列，列族在创建表的时候必须指定

Hbase中的列和mysql的列不是一个东西，Hbase的列就是他的数据

C、极易扩展

Hbase的扩展性主要体现在两个方面，一个是基于上层的梳理能力的扩展（RegionServer，相当于datanode，处理读写请求），一个是基于存储的扩展（hdfs）

通过横向添加RegionServer的机器，进行水平扩展，提升Hbase上层的处理能力，提升Hbase服务更多的Region的能力。

备注：RegionServer的作用是管理Region）（类似mysql中的表的概念），承接客户端的读写请求的访问，这个后面会详细的介绍通过横向添加datanode的机器，进行存储层的扩容，提升Bhbase的存储能力和提升后端存储的读写能力

D、稀疏

稀疏主要是针对于hbase列的灵活性，在列族中，你可以指定任意多的列，在列数据为空的情况下，是不会占用存储空间的，这里和mysql等数据库不一样，mysql如果每个字段没有值，那这个字段的值为null，不为空，且会占用存储空间

 

3、Hbase的架构

Hbase的架构示意图如下

 

 

 

Hbase由HMaster和HRegionServer组成，HMaster的高可用也依赖于zk，类似于hdfs中的Namenode;

HRegionServer相当于hdfs中的datanode，实际处理读写请求的节点;

 

a、Zookeeper

HBase通过zk来做Hmaster的高可用，RegionServer的监控，元数据的入口以及集群配置的维护等工作，具体工作入下

通过zk来保证集群中只有一个master在运行，如果master异常，会通过竞争机制产生新的master提供服务

通过zk来监控RegionServer的状态，当RegionServer有异常的时候，通过回调的形式通知master,RegionServer上下线的信息

通过zk存储元数据的统一入口地址；

 

b、HMaster

为RegionServer分配Region

维护集群的负载均衡，就是分配Region

维护集群的元数据信息

发现失效的Region，并将失效的Region分配到正常的RegionServer上

当RegionServer失效的时候，协调对应的Hlog和hdfs的block进行数据恢复

 

C、HRegionServer

HRegionServer直接对接用户的读写请求，是真正的干活的节点，他的功能概括如下

管理master为其分配的Region

处理来自客户端的读写请求

负责和底层hdfs的交互，存储数据到hdfs中

负责Region变大后的拆分

负责Storefile的合并工作

 

D、HDFS

Hdfs为hbase提供最终的底层数据存储服务

提供元数据和表数据的底层分布式存储服务

数据的多副本，保证高可靠和高可用

 

E、Hlog

一个HRegionServer中只有一个Hlog，Hlog相当于hdfs中的edits文件，保存Hbase的修改记录，当对Hbase写数据的时候，数据不是直接写进磁盘，他会在内存中保留一段时间（时间i将数据量的阈值可以设定）。但把数据保存在内存中可能有更高的概率引起数据丢失，为了解决这个问题，数据会先写在一个叫做Hlog的文件中，Hlog存储在磁盘上，也位于hdfs上，然后在写入内存，所以在系统出现故障或者内存丢失的时候，数据可以通过这个日志文件进行重建

 

F、Region

Region相当于mysql中的表，一个HRegionServer可以有多个Region，一个HRegionServer会有多个Region；如果表的数据太大，会进行拆分，按照数据量平均切分，所有HBase中的一张表会对应一个或者多个Region，当表的内容很小，一张表就对应一个Region，如果表很大的话，则这个Region会切分，切分Region会同时拆分这个Region的所有Store。

 

G、Store

Store相当于列族，通俗的讲就是列的家族，在hbase中，想创建一个列，必须要指定列族，也就是一个列必须属于某个列族。一个表中可以有多个列族，一个store对应一个列族，hbase官方不建议多个列族，一个列族就可以搞上百个列，足够用了。但是如果一个HRegion被切分的话，是切分列族，所以就算一个HRegion只有一个列表，切分后一个Region也会对应多个Store，多个strore会被分配到其他的HRegionServer节点进行存储

 

H、MemStore

MemStore就是列族中的数据放在内存中，写数据来了，会写到内存中，只要内存写入成功，则就返回。

 

I、StoreFile

StoreFile，数据放在内存不安全，而且有大小限制，所以需要把内存中的数据写到磁盘中，以Hfile的格式存储在hdfs上。每次memstore刷一次，形成一个storefile，所以storefile会很多，但是很小，因为内存本身就不大，后面storeFile也会合并，但是这个合并也仅仅是一个列族内部的StoreFile进行合并，不会跨列族合并的

 

J、HFile

这是磁盘上保存的原始数据的实际的物理文件，是实际的存储文件，storefile是以Hfile的形式存储在hdfs中

 

二、Hbase安装

1、首先要安装zk

2、 然后要安装hdfs

3、 最后在安装hbase

4、 解压，修改配置文件

这里重点说下修改配置文件，前面的就不说了，因为我在实际使用过程中使用ambari工具来进行安装

首先修改hbase-env.sh 

配置java的环境变量

 

 

 

export JAVA_HOME=/usr/lib/jvm/java

　　

配置zk，Hbase也是强依赖于zookeeper的，是否要启用自己的zookeeper。如果用则为true，如果用外部的zookeeper，则为false

 

 

 

export HBASE_MANAGES_ZK=false

　　

配置hbase-site.xml 

 

 

 

      hbase.rootdir
      /apps/hbase/data
    

　　

配置hbase是否启用集群

 

 

 

    
      hbase.cluster.distributed
      true
    

　　

设置Hbase的服务的端口号，不是 web的端口号，web的端口号是16010

 

 

 

  
      hbase.master.info.port
      16010
    

　　

 

 

 

    
      hbase.master.port
      16000
    

　　

配置要连接的zk

 

 

 

   
      hbase.zookeeper.quorum
      abdi1,abdi2,abdi3
    

　　

Zk存储数据的父目录，主要是为了区分多个hbase集群

 

 

 

    
      zookeeper.znode.parent
      /hbase-unsecure
    

　　

配置regionservers文件

指定RegionServer的节点

 

 

 

由于hbase是强依赖于hdfs的，需要拷贝hdfs的配置文件到hbase的conf目录

我们一般情况会这样操作，创建一个软链接，链接到hdfs的core-site.xml和hdfs-site.xml中，就是让hbase知道我要连接哪个hadoop集群

 

 

 

但是在ambari安装的hbase的配置文件中没有找到相应的配置，但是在hbase启动的时候有加载hdfs的环境变量

 

 

 

启动hbase，可以看到有Hmaster和HRegionServer的java进程

 

 

ambari的web页面显示效果如下

 

 

 

 

 

 

注意：Hbase的Master和RegionServer安装是一样的，只是看我们是否要启动master

Hbase的web页面，采用16010端口

 

 

 

三、Hbase的简单shell操作

1、进入hbase shell

[root@abdi2 bin]# /usr/hdp/current/hbase-client/bin/hbase shell

　　

2、查看当前有哪些表：list

hbase(main):003:0> list
TABLE                                                                                                                                                                                                                                                                         
0 row(s)
Took 0.2713 seconds                                                                                                                                                                                                                                                           
=> []
hbase(main):004:0> 

　　

3、创建表操作。这里的列族是必须要指定的，就是和mysql的列一样:create "student","info"

hbase(main):004:0> create "student","info"
Created table student
Took 1.3445 seconds                                                                                                                                                                                                                                                           
=> Hbase::Table - student
hbase(main):005:0> 
hbase(main):006:0> list
TABLE                                                                                                                                                                                                                                                                         
student                                                                                                                                                                                                                                                                       
1 row(s)
Took 0.0055 seconds                                                                                                                                                                                                                                                           
=> ["student"]

　　

 

 

 

 

 

 

4、插入数据。Hbase中的数据没有什么类型，比如字符串，hash等，全部是字节:put "student","1001","info:name","laowang"

hbase(main):007:0> put "student","1001","info:name","laowang"
Took 0.1217 seconds                                                                                                                                                                                                                                                           
hbase(main):008:0> put "student","1001","info:age","18"
Took 0.0038 seconds                                                                                                                                                                                                                                                           
hbase(main):009:0> put "student","1001","info:sex","male"
Took 0.0049 seconds                                                                                                                                                                                                                                                           
hbase(main):010:0> put "student","1002","info:name","laoluo"
Took 0.0036 seconds                                                                                                                                                                                                                                                           
hbase(main):011:0> put "student","1002","info:age","20"
Took 0.0035 seconds  

　　

 

 

 

5、扫描查看数据：scan “student”

 

 

6、扫描查看数据，指定起始和截止Rowkey，前闭后开

 

 

7、查看指定Rowkey

 

 

 

8、查看指定行的指定列

 

 

 

9、更新数据

 

 

 

10、查看表结构

重点关注列族和版本即可，这里的版本是个数的意思，就一条数据存储几个版本

 

 

 

11、修改列族的版本信息

 

 

 

多更新几次数据

 

 

 

可以查看到有多个版本，这里的意思查看3个版本的数据，所以有三条，下面的命令是查看2个版本的数据，所以有两条

 

 

 

 

12、删除操作

删除某个Rowkey的指定列，可以看到其他列的数据还在，删除还可以指定时间戳，该时间戳之前的数据都会被删除

 

 

 

 

 

 

删除Rowkey对应的所有数据

 

 

 

 

 

13、统计条数

统计条数，Rowkey有几个，条数就有几条

 

 

 

14、清空表

 

 

15、删除表

 

 

 

 

16、命名空间（namespace）操作

命令空间，相当于数据库中的database

所有的表都是命名空间的成员，如果不指定，则默认在default的命名空间中

 

命名空间可以设置权限，比如定义访问控制列表，例如创建表，读取表，删除，更新操作，权限用的很少

 

Shell命令查看namespace、创建namespace

 

 

 

 

 

Hbase就是存储元数据的命名空间，是系统自己用的，不能给用户使用

在指定命名空间下建表

 

 

 

 

 

 

 

 

 

四、Hbase的数据结构

1、Rowkey

Rowkey是用来检索记录的主键，访问Hbase table中的行，只有三种方式

A、 通过单个Rowkey访问

B、 通过Rowkey的range访问

 

C、 全表扫描

设计Rowkey非常重要也是Hbase里最重要的一门学问，数据会按照Rowkey的字典序排序进行存储，所以设计Rowkey要利用这个特性，把经常一起读取的行存储在一起，学习Hbase，Rowkey设计是学习的重点

 

2、Column Family

列族，Hbase表中的每个列，都会属于某个列族，列族是表的结构的一部分，列族在建表的时候必须要指定。列名都是以列族做为前缀。

 

在创建表的时候需要指定列族，列族可以指定多个

 

3、Cell

 

由Rowkey，column Family：column，version唯一确定的单元，cell中的数据是没有类型的，全部都是字节的形式存储

 

 

4、Time Stamp

时间戳，每个cell都保存着同一份数据的多个版本，版本通过时间戳来索引。时间戳可以由系统生成，也可以自己指定。每个cell中，不同版本的数据按照时间倒序排列，即最新的数据在最前面

 

通过时间戳不同来确定版本的

 

五、Hbase的原理

Hbase的写比读还快

 

1、读流程，hmaster没有关系，hmaster挂掉后，不影响读流程

 

 

a、先获取meta表的位置，也就元数据这张表存储的位置

b、去meta表所在位置获取meta表的信息，meta表存储的内容大致入下

Student 0 ----10000 rs1

Student 100001---20000 rs2

Stff        0---10000  rs3

Stff       10000—200000 rs4

 

c、然后在去对应的regionserver获取对应的数据

d、获取数据，先去内存中获取，如果内存中没有，到blockcache中获取，如果blockcash没有，则去磁盘获取，这里为什么先去内存获取数据？

 

e、返回数据的时候，先把数据写到blockcache中，然后在返回给client

 

 

Meta表的位置

 

 

Zk上查看meta表的存储位置

 

 

查看meta表的内容

 

 

2、写流程，和Hmaster没有关系

 

a、client到zk获取meta表的位置

b、Zk返回meta表的位置

c、Zk去regionserver读取meta表的内容

d、Regionserver将meta表的内容返回

e、去对应的regionserver开始执行写操作，先写Hlog文件，然后写到memstore，成功后，立刻返回，写入流程完成

 

因为先写到内存中，那么什么时候会刷到硬盘中呢

 

 

a、Regionserver的使用的总内存达到堆内存的40%

 

 

b、满足一个小时的条件，会刷memstore到硬盘中

 

 

c、单个region里的所有的Memstore加起来达到128MB，则会刷memstore到硬盘中

 

 

这样就会有很多小文件刷到hdfs中，但是hdfs不适合存储很多的小文件

 

默认是7天做一次合并

 

 

 

 超过7天合并storefile文件

超过3个storefile文件，会进行合并

这个是合并一个列族的的storefile，不同列族的storefile文件不会进行合并的

 

 3、高可用

Hmaster是Active和standby模式

 

 

 

 高可用配置

 

 

 

扫描查看数据