Alex 的 Hadoop 菜鸟教程: 第7课 Hbase 使用教程
原帖地址： http://blog.csdn.net/nsrainbow/article/details/38758375
声明：
- 本文基于Centos 6.x + CDH 5.x
- 本例中 Hbase 是安装成集群模式的
建立student 表
使用 hbase shell命令进入hbase的命令行
[root@localhost conf]# hbase shell
2014-08-22 16:10:47,662 INFO [main] Configuration.deprecation: hadoop.native.lib is deprecated. Instead, use io.native.lib.available
HBase Shell; enter 'help' for list of supported commands.
Type "exit" to leave the HBase Shell
Version 0.96.1.1-cdh5.0.1, rUnknown, Tue May 6 13:27:24 PDT 2014 然后用 create建立一个表，我们建立的表有如下属性
表名： student
列簇：sid, name, age
可以看到有三条记录，但是都是一个row里面的，这个row才是相当于mysql的一行
效果如下
多个参数可以同时使用，比如我要查询startrow = row2 并且只返回一条
注意写列名的时候要记得带上列簇！比如 info:name
可以跟上更复杂的参数
这个VERSION官方说是每个字段可以有2个版本，就是一个行的一个列元素可以存成两个值，拥有不同的version
可以看到有两个列簇，一个是f2，一个是info
然后再看下表信息
可以看到f2的 TTL 被设置为20 seconds。
会看到刚添加进去的时候row2还有 f2:grade的数据，但是过了一会儿去看就没了
这个命令还有一个很奇怪的功能，就是在统计的时候可以每隔X行显示一下数据的rowkey，可能是方便统计的时候看下统计到哪里了，比如我分别用间隔2行跟间隔1行做了实验
主要的命令就介绍到这里，更详细的命令参考 http://wiki.apache.org/hadoop/Hbase/Shell
什么是列簇？
Hbase是面向列存储的数据库。Hbase中数据列是由列簇来组织的。一个列簇相当于你在mysql中这个表的多个列定义的总和。但是特别的是，一个表可以对多个列簇。具体列簇里面有哪些列是开始时不用指定的。暂时只需要知道这么多，等做了以后慢慢去理解消化，我们学习的时候一定要掌握方法，先做再想为什么这么做，是最高效的学习方式。
为什么要有列簇？
在同一个列簇中的列是存放在一个实例上的。所以对于列簇的理解我的猜测是这样的，刚开始可能没有列簇。虽然nosql是不用定义列的，但是由于我们的hadoop是分布式的，肯定会有一些列在这台机子上，有一些列在那些机子上，为了性能问题，需要弄出一个算法来把一些经常在一起使用的列放到一台机子上，最简单的算法就是由用户自己去定，这就产生了列簇，也就是列的集合，在同一个列簇中的列都在一个机子上。
说完了概念，我们来建立一下这个表
hbase(main):001:0> create 'student', 'info'
0 row(s) in 4.3300 seconds
=> Hbase::Table - student增加数据
使用put增加一行，这里说的一行意思是：一个表的一个列簇中的一个行，在mysql中就相当于只增加 一行中的一列
hbase(main):002:0> put 'student','row1','info:name','jack'
0 row(s) in 0.1990 seconds
我们查一下这条数据
hbase(main):003:0> get 'student','row1','info:name'
COLUMN CELL
info:name timestamp=1408697225683, value=jack
1 row(s) in 0.0490 seconds
怎么样？是不是感觉这么费劲才插入了一个行的一个列？这是以为hbase是基于google的工程师 Fay Chang (应该是个华裔) 的关于bigtable的论坛写的，而bigtable就是拥有超大列数的表格，大到什么程度？大到一台电脑放不下了，必须用多台电脑分布式的存放，才能放的下，所以数据的操作都是以一行一列为最小单位的。
这个row1 是rowkey
rowkey
行以rowkey作为唯一标示。Rowkey是一段字节数组，这意味着，任何东西都可以保存进去，例如字符串、或者数字。行是按字典的排序由低到高存储在表中
我们继续插入这行别的列
hbase(main):004:0> put 'student','row1','info:sid','1'
0 row(s) in 0.0200 seconds
hbase(main):005:0> put 'student','row1','info:age','22'
0 row(s) in 0.0210 secondshbase(main):006:0> scan 'student'
ROW COLUMN+CELL
row1 column=info:age, timestamp=1408697651322, value=22
row1 column=info:name, timestamp=1408697225683, value=jack
row1 column=info:sid, timestamp=1408697640490, value=1
1 row(s) in 0.0580 seconds可以看到有三条记录，但是都是一个row里面的，这个row才是相当于mysql的一行
继续插入别的记录，最终结果是这样
hbase(main):005:0> scan 'student'
ROW COLUMN+CELL
row1 column=info:age, timestamp=1420817226790, value=22
row1 column=info:name, timestamp=1420817205836, value=jack
row1 column=info:sid, timestamp=1420817219869, value=1
row2 column=info:age, timestamp=1420817278346, value=28
row2 column=info:name, timestamp=1420817252182, value=terry
row2 column=info:sid, timestamp=1420817267780, value=2
row3 column=info:age, timestamp=1420817315351, value=18
row3 column=info:name, timestamp=1420817294342, value=billy
row3 column=info:sid, timestamp=1420817304621, value=3
row4 column=info:name, timestamp=1420858768667, value=karry
row4 column=info:sid, timestamp=1420858794556, value=4
4 row(s) in 1.0990 seconds命令介绍
有了基础数据我们就可以通过一边操作一边学习hbase的命令了，比如上个例子我们学习到了一个新的命令
scan
scan 查询数据表
scan命令如果不带任何参数相当于sql中的 select * from table
Limit 查询后显示的条数
用limit可以限制查询的条数
scan 'student',{'LIMIT'=>2}hbase(main):006:0> scan 'student',{'LIMIT'=>2}
ROW COLUMN+CELL
row1 column=info:age, timestamp=1420817226790, value=22
row1 column=info:name, timestamp=1420817205836, value=jack
row1 column=info:sid, timestamp=1420817219869, value=1
row2 column=info:age, timestamp=1420817278346, value=28
row2 column=info:name, timestamp=1420817252182, value=terry
row2 column=info:sid, timestamp=1420817267780, value=2
2 row(s) in 0.8250 secondsSTARTROW 起点rowkey
用startrow可以定义查询返回结果的起点rowkey，相当于大于等于，比如
hbase(main):007:0> scan 'student',{'STARTROW'=>'row2'}
ROW COLUMN+CELL
row2 column=info:age, timestamp=1420817278346, value=28
row2 column=info:name, timestamp=1420817252182, value=terry
row2 column=info:sid, timestamp=1420817267780, value=2
row3 column=info:age, timestamp=1420817315351, value=18
row3 column=info:name, timestamp=1420817294342, value=billy
row3 column=info:sid, timestamp=1420817304621, value=3
row4 column=info:name, timestamp=1420858768667, value=karry
row4 column=info:sid, timestamp=1420858794556, value=4
STARTROW 可以使用通配符，比如
hbase(main):008:0> scan 'student',{'STARTROW'=>'row*'}
ROW COLUMN+CELL
row1 column=info:age, timestamp=1420817226790, value=22
row1 column=info:name, timestamp=1420817205836, value=jack
row1 column=info:sid, timestamp=1420817219869, value=1
row2 column=info:age, timestamp=1420817278346, value=28
row2 column=info:name, timestamp=1420817252182, value=terry
row2 column=info:sid, timestamp=1420817267780, value=2
row3 column=info:age, timestamp=1420817315351, value=18
row3 column=info:name, timestamp=1420817294342, value=billy
row3 column=info:sid, timestamp=1420817304621, value=3
row4 column=info:name, timestamp=1420858768667, value=karry
row4 column=info:sid, timestamp=1420858794556, value=4
4 row(s) in 0.2830 seconds多个参数可以同时使用，比如我要查询startrow = row2 并且只返回一条
hbase(main):009:0> scan 'student',{'STARTROW'=>'row2','LIMIT'=>1}
ROW COLUMN+CELL
row2 column=info:age, timestamp=1420817278346, value=28
row2 column=info:name, timestamp=1420817252182, value=terry
row2 column=info:sid, timestamp=1420817267780, value=2
1 row(s) in 0.1890 secondsSTOPROW 定义查询的结束rowkey
跟startrow类似，同上
COLUMNS 控制返回的字段列表
就相当于sql中的 select xx,xxx,xxx from 这里面的列定义。比如我只需要查询所有学生的名字和年龄，不需要sid信息
hbase(main):011:0> scan 'student',{'COLUMNS'=>['info:name','info:age'],LIMIT=>3}
ROW COLUMN+CELL
row1 column=info:age, timestamp=1420817226790, value=22
row1 column=info:name, timestamp=1420817205836, value=jack
row2 column=info:age, timestamp=1420817278346, value=28
row2 column=info:name, timestamp=1420817252182, value=terry
row3 column=info:age, timestamp=1420817315351, value=18
row3 column=info:name, timestamp=1420817294342, value=billy
3 row(s) in 0.4470 seconds注意写列名的时候要记得带上列簇！比如 info:name
TIMESTAMP 使用时间来精确定位数据
timestamp可以精确的指定某一条记录
hbase(main):012:0> scan 'student',{'TIMESTAMP'=>1420817315351}
ROW COLUMN+CELL
row3 column=info:age, timestamp=1420817315351, value=18
1 row(s) in 0.1920 secondsget 获取一行数据
用get可以只获取一行数据
hbase(main):073:0> get 'student','row1'
COLUMN CELL
info:age timestamp=1420817226790, value=22
info:name timestamp=1420817205836, value=jack
info:sid timestamp=1420817219869, value=1
3 row(s) in 0.1730 seconds可以跟上更复杂的参数
hbase(main):076:0> get 'student','row1',{COLUMN=>['info:name','info:sid']}
COLUMN CELL
info:name timestamp=1420817205836, value=jack
info:sid timestamp=1420817219869, value=1
2 row(s) in 0.0490 seconds
hbase(main):077:0> get 'student','row1',{COLUMN=>['info:name','info:sid'],TIMESTAMP=>1420817219869,VERSION=>1}
COLUMN CELL
info:sid timestamp=1420817219869, value=1
1 row(s) in 0.0740 secondsdescribe 查看表信息
describe 可以查看表的信息，这个命令会常常用到
hbase(main):013:0> describe 'student'
DESCRIPTION ENABLED
'student', {NAME => 'info', DATA_BLOCK_ENCODING => 'NONE', BLOOMFILTER => 'ROW', true
REPLICATION_SCOPE => '0', VERSIONS => '1', COMPRESSION => 'NONE', MIN_VERSIONS
=> '0', TTL => 'FOREVER', KEEP_DELETED_CELLS => 'false', BLOCKSIZE => '65536', I
N_MEMORY => 'false', BLOCKCACHE => 'true'}
1 row(s) in 7.6720 secondsalter 修改表的列簇
用alter可以修改表的列簇，hbase的一个表其实全部信息就是列簇的信息了，比如我们可以增加一个列簇f2
alter 'student', {NAME => 'f2', VERSION => 2}这个VERSION官方说是每个字段可以有2个版本，就是一个行的一个列元素可以存成两个值，拥有不同的version
添加完再看下表结构
hbase(main):057:0> describe 'student'
DESCRIPTION ENABLED
'student', {NAME => 'f2', DATA_BLOCK_ENCODING => 'NONE', BLOOMFILTER => 'ROW', R true
EPLICATION_SCOPE => '0', COMPRESSION => 'NONE', VERSIONS => '1', TTL => 'FOREVER
', MIN_VERSIONS => '0', KEEP_DELETED_CELLS => 'false', BLOCKSIZE => '65536', IN_
MEMORY => 'false', BLOCKCACHE => 'true'}, {NAME => 'info', DATA_BLOCK_ENCODING =
> 'NONE', BLOOMFILTER => 'ROW', REPLICATION_SCOPE => '0', VERSIONS => '1', COMPR
ESSION => 'NONE', MIN_VERSIONS => '0', TTL => 'FOREVER', KEEP_DELETED_CELLS => '
false', BLOCKSIZE => '65536', IN_MEMORY => 'false', BLOCKCACHE => 'true'}
1 row(s) in 0.6180 seconds可以看到有两个列簇，一个是f2，一个是info
用 TTL 控制表的数据自动过期
不过我这边用一个比较实用的例子来教大家操作alter：在实际生产环境上经常需要给表增加过期时间，方便表自动清理早期的数据，防止数据过多，毕竟能用hadoop的环境数据量那都是“海量”
现在我把f2这个列簇的TTL修改为20秒
alter 'student', {NAME => 'f2', TTL => 20}然后再看下表信息
hbase(main):061:0> describe 'student'
DESCRIPTION ENABLED
'student', {NAME => 'f2', DATA_BLOCK_ENCODING => 'NONE', BLOOMFILTER => 'ROW', R true
EPLICATION_SCOPE => '0', COMPRESSION => 'NONE', VERSIONS => '1', TTL => '20 SECO
NDS', MIN_VERSIONS => '0', KEEP_DELETED_CELLS => 'false', BLOCKSIZE => '65536',
IN_MEMORY => 'false', BLOCKCACHE => 'true'}, {NAME => 'info', DATA_BLOCK_ENCODIN
G => 'NONE', BLOOMFILTER => 'ROW', REPLICATION_SCOPE => '0', VERSIONS => '1', CO
MPRESSION => 'NONE', MIN_VERSIONS => '0', TTL => 'FOREVER', KEEP_DELETED_CELLS =
> 'false', BLOCKSIZE => '65536', IN_MEMORY => 'false', BLOCKCACHE => 'true'}
1 row(s) in 0.1540 seconds可以看到f2的 TTL 被设置为20 seconds。
然后我们测试一下添加一个记录到f2去，然后等20秒再去看下
hbase(main):065:0> put 'student','row3','f2:grade','2'
0 row(s) in 0.0650 seconds
hbase(main):066:0> scan 'student',{STARTROW=>'row3',LIMIT=>1}
ROW COLUMN+CELL
row3 column=f2:grade, timestamp=1420872179176, value=2
row3 column=info:age, timestamp=1420817315351, value=18
row3 column=info:name, timestamp=1420817294342, value=billy
row3 column=info:sid, timestamp=1420817304621, value=3
1 row(s) in 0.0630 seconds
hbase(main):067:0> scan 'student',{STARTROW=>'row3',LIMIT=>1}
ROW COLUMN+CELL
row3 column=info:age, timestamp=1420817315351, value=18
row3 column=info:name, timestamp=1420817294342, value=billy
row3 column=info:sid, timestamp=1420817304621, value=3
1 row(s) in 0.1370 seconds会看到刚添加进去的时候row2还有 f2:grade的数据，但是过了一会儿去看就没了
使用alter删除列簇
使用alter删除列簇的操作是带上一个METHOD参数，并写值为 delete
hbase(main):068:0> alter 'student', {NAME => 'f2', METHOD=>'delete'}
Updating all regions with the new schema...
0/1 regions updated.
1/1 regions updated.
Done.
0 row(s) in 3.9750 seconds
hbase(main):069:0> describe 'student'
DESCRIPTION ENABLED
'student', {NAME => 'info', DATA_BLOCK_ENCODING => 'NONE', BLOOMFILTER => 'ROW', true
REPLICATION_SCOPE => '0', VERSIONS => '1', COMPRESSION => 'NONE', MIN_VERSIONS
=> '0', TTL => 'FOREVER', KEEP_DELETED_CELLS => 'false', BLOCKSIZE => '65536', I
N_MEMORY => 'false', BLOCKCACHE => 'true'}
1 row(s) in 0.2210 secondscount 统计表中的数据
跟传统的关系型数据库不一样，这个命令可能会执行很久
hbase(main):082:0> count 'student'
4 row(s) in 0.6410 seconds
=> 4这个命令还有一个很奇怪的功能，就是在统计的时候可以每隔X行显示一下数据的rowkey，可能是方便统计的时候看下统计到哪里了，比如我分别用间隔2行跟间隔1行做了实验
hbase(main):083:0> count 'student',2
Current count: 2, row: row2
Current count: 4, row: row4
4 row(s) in 0.0480 seconds
=> 4
hbase(main):084:0> count 'student',1
Current count: 1, row: row1
Current count: 2, row: row2
Current count: 3, row: row3
Current count: 4, row: row4
4 row(s) in 0.0650 seconds
=> 4list 查看数据库中的所有表
用list可以列出当前hbase中的所有表
hbase(main):079:0> list
TABLE
employee
employee2
student
3 row(s) in 0.2020 seconds
=> ["employee", "employee2", "student"]status 命令
查询服务状态
hbase(main):013:0> status
1 servers, 0 dead, 3.0000 average loadhbase(main):070:0> list
TABLE
employee
employee2
student
3 row(s) in 0.6380 seconds
=> ["employee", "employee2", "student"]version
查询版本号
whoami
看连接用户
hbase(main):014:0> whoami
root (auth:SIMPLE)truncate 快速清除数据
跟一般数据库中的truncate不太一样，如果你执行 truncate，hbase就是帮你把表停掉，删掉再重建一次，只是这个动作不用你手动做了而已
hbase(main):086:0> truncate 'student'
Truncating 'student' table (it may take a while):
- Disabling table...
- Dropping table...
- Creating table...
0 row(s) in 4.6330 seconds主要的命令就介绍到这里，更详细的命令参考 http://wiki.apache.org/hadoop/Hbase/Shell
参考资料
- http://wiki.apache.org/hadoop/Hbase/Shell