HBase系列(一)：HBase表结构及数据模型的理解

专栏：大数据核心原理与实践

HBase适用场景

首先在搞HBase之前我们要对其建立感性认识，其适用场景如下：

• 并发、简单、随机查询。
  （注：HBase不太擅长复杂join查询，但可以通过二级索引即全局索引的方式来优化性能，后续博文会进行讲解）
• 半结构化、非结构化数据存储。

一般我们从数仓中离线统计分析海量数据，将得到的结果插入HBase中用于实时查询。

HBase表结构

这里以一个公司员工表为案例来讲解，此表中包含员工基本信息（员工姓名、年龄），员工详细信息（工资、角色），以及时间戳。整体表结构如下：

如上，每一行有一个RowKey用于唯一地标识和定位行，各行数据按RowKey的字典序排列。其中ImployeeBasicInfoCLF和DetailInfoCLF是两个列族，列族下又有多个具体列。（员工基本信息列族：姓名、年龄。详细信息列族：薪水、角色）

（注1：图中列族下面每一行中特定列中只画了最新版本的数据，实际上HBase最小存储单元为cell，图中每个单元格中其实有多个MVCC version版本的cell，Hbase的更新操作会带时间戳，对每个数据单元cell，可存取指定数量版本的cell，client端可以指定查询某时间点后的最新数据，也可以一次性得到cell的所有版本。）
（注2：刚刚评论里有同学提到cell的概念，这里详细说一下，cell里可得道的信息包含: row、 column family、 column qualifier(列限定符)、timestamp、type6、MVCC version、value。其中每个cell 由 row、column family、column qualifier、timestamp,、and type唯一标识。
HBase Cell 参考链接（Apache HBase API）

HBase数据模型

• 命名空间
  命名空间是对表的逻辑分组，不同的命名空间类似于关系型数据库中的不同的Database数据库。利用命名空间，在多租户场景下可做到更好的资源和数据隔离。

• 表
  对应于关系型数据库中的一张张表，HBase以“表”为单位组织数据，表由多行组成。

• 行
  行由一个RowKey和多个列族组成，一个行有一个RowKey，用来唯一标示。

• 列族
  每一行由若干列族组成，每个列族下可包含多个列，如上ImployeeBasicInfoCLF和DetailInfoCLF即是两个列族。列族是列共性的一些体现。注意：物理上，同一列族的数据存储在一起的。

• 列限定符
  列由列族和列限定符唯一指定，像如上的name、age即是ImployeeBasicInfoCLF列族的列限定符。

• 单元格
  单元格由RowKey、列族、列限定符唯一定位，单元格之中存放一个值（Value）和一个版本号。

• 时间戳
  单元格内不同版本的值按时间倒序排列，最新的数据排在最前面

HBase表特点

• 数据规模大，单表可容纳数十亿行，上百万列。
• 无模式，不像关系型数据库有严格的Scheme，每行可以有任意多的列，列可以动态增加，不同行可以有不同的列，列的类型没有限制。
• 稀疏，值为空的列不占存储空间，表可以非常稀疏，但实际存储时，能进行压缩。
• 面向列族，面向列族的存储和权限控制，支持列族独立查询。
• 数据多版本，利用时间戳来标识版本
• 数据无类型，所有数据以字节数据形式存储

这篇比较基础，介绍了HBase的适用场景、表的形式、数据模型以及特点，主要是让大家从感性上认识HBase。