Hbase基础全解析

HBASE基础全解析

标签： 大数据生态
本文使用版本 hbase-0.98.6-cdh5.3.6
源码库： https://github.com/apache/hbase/releases
注：rel = release即发行版本 ， RC=Release Candidate即候选发行版
Write By VinFly

HBASE概述

---

HBASE概述

HBASE是HADOOP数据库，是一个分布式的，可扩展的，存储海量数据的数据库，存储级别一般为数十亿行及数百万列的数据，它是一个非关系型数据库，能随机、实时读写，部署在低廉的商用机上（扩展性好），基于高可用性的分布式系统。

HBASE数据表结构

HBASE是以表的形式存储数据，表有行和列组成，列划分为若干个列族（Column Family）。
在HBASE的表中，Row Key的设计是表中每条记录的“主键”，在查询HBASE中的数据时，也是根据Row Key来查询，所以Row Key的设计非常重要，Row Key的值在表中以字节数组的类型存储。HBASE表结构如下图所示。

数据表结构详解：

- Row Key

与nosql数据库们一样,row key是用来检索记录的主键。访问hbase table中的行，只有三种方式：

1. 通过单个rowkey访问 (get)
2. 通过rowkey的range (scan)
3. 全表扫描

Row key行键 (Row key)可以是任意字符串(最大长度是 64KB，实际应用中长度一般为 10-100bytes)，在hbase内部，row key保存为字节数组。
存储时，数据按照Row key的字典序(byte order)排序存储。设计key时，要充分排序存储这个特性，将经常一起读取的行存储放到一起。(位置相关性)

- 列族（Column Family）

hbase表中的每个列，都归属与某个列族。列族是表的schema的一部分(而列不是)，必须在使用表之前定义。列名都以列族作为前缀。例如courses:history ， courses:math 都属于 courses 这个列族。
访问控制、磁盘和内存的使用统计都是在列族层面进行的。实际应用中，列族上的控制权限能 帮助我们管理不同类型的应用：我们允许一些应用可以添加新的基本数据、一些应用可以读取基本数据并创建继承的列族、一些应用则只允许浏览数据（甚至可能因 为隐私的原因不能浏览所有数据）。

• 时间戳（Time Stamp）

HBase中通过row和columns确定的为一个存贮单元称为cell。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。时间戳的类型是 64位整型。时间戳可以由hbase(在数据写入时自动 )赋值，此时时间戳是精确到毫秒的当前系统时间。时间戳也可以由客户显式赋值。如果应用程序要避免数据版本冲突，就必须自己生成具有唯一性的时间戳。每个 cell中，不同版本的数据按照时间倒序排序，即最新的数据排在最前面。
为了避免数据存在过多版本造成的的管理 (包括存贮和索引)负担，hbase提供了两种数据版本回收方式。一是保存数据的最后n个版本，二是保存最近一段时间内的版本（比如最近七天）。用户可以针对每个列族进行设置。maxversion=3 verson=1

• Cell
  唯一确定的单元。cell中的数据是没有类型的，全部是字节码形式存贮
  {rowkey, column( = + ), version}

HBASE安装部署及简单SHELL使用

1、下载、解压源码包
使用HBASE要注意其与Hadoop的兼容性，本文使用CDH5.3.6版本的HBASE及HADOOP，下载地址：
http://archive.cloudera.com/cdh5/cdh/5/
下载完成后上传Hbase压缩包，赋予执行权限，解压至指定目录

2、配置

检查jdk是否正确（jdk版本使用1.7以上），启动hadoop，检查dfsadmin是否脱离安全模式

配置{HBASE_HOME}/conf下的hbase-enc.sh
export JAVA_HOME=/opt/modules/jdk1.7.0_67
export HBASE_MANAGES_ZK=false
其中的export HBASE_MANAGES_ZK=false是配置是否使用HBASE自带的zookeeper
配置{HBASE_HOME}/conf下的hbase-site.xml
首先在hbase目录下创建目录(可以在任意目录下)：
mkdir -p data/tmp
配置hbase.tmp.dir属性值为创建的目录

配置hbase.root.dir指定存储的数据在HDFS上的目录

配置hbase.cluster.distributed值为true，指定是否为分布式模式

配置hbase.zookeeper.quorum ，这里配置的是zookeeper所在机器，在设置了主机名与IP地址映射之后，这里写的是主机名，中间用逗号隔开。

配置{HBASE_HOME}/conf下的regionservers，这里配置的是regionserver所在机器，根据需要自己设定。

注：如果下载的hbase版本与使用的hadoop版本不兼容，替换掉{HBASE_HOME}/lib下的hadoop jar包即可。
到这里基本的配置就完成了，如果有其他参数要求，参考官网。
地址：http://hbase.apache.org/book.html#config.files

3、启动与shell基本使用

启动命令：
${HBASE_HOME}/bin/hbase-daemon.sh start master
${HBASE_HOME}/bin/hbase-daemon.sh start regionserver

查看启动的进程：

启动Hbase命令行：bin/hbase shell

在命令行中，如果不熟悉某个命令，可以使用 help：查看帮助信息 比如help+’create’查看create命令使用方法
基本命令举例
创建表
create 'user', 'info' //创建user表，列族名为info
PUT/UPDATE //插入数据
put 'user', '100001', 'info:name', 'zhangsan'

查询
get
依据ROWKEY进行查询，速度最快的
get 'user', '100001'

scan
全表扫描，也就测试用用，实际慎用
scan 'user'
scan range
范围查询
使用最多最广泛
scan 'user' , {STARTROW => ‘100001’}

HBASE也有它的端口号，默认为60010，可在浏览器中监控HBASE运行状况。

---

HBASE的物理结构

首先看HBASE的物理模型图

从图中可以看出一下几点：

1. 在HBASE的表中，所有的行都是按照Row Key的字典序排列（a~z,1~9…）

2. 在行的方向上分割为多个Region，而Region是按大小进行分割的，每个表初始只有一个Region，随着数据的增多，Region不断增大，当增大到一定阀值得时候，Region就会等分为两个新的Region
   

3. Region是HBASE中分布式存储的最小单元，不同的Region分布到不同的RegionServer上
   

4. Region是分布式存储的最小单元，但它不是存储的最小单元，Region又由一个或者多个Store组成，每个Store保存一个column family，每个Store由一个memStore和0到多个StoreFile组成，其中的memStore存储在内存中，StoreFile存储在HDFS文件系统上。
   

5. HBASE在HDFS上的存储
   HBASE中所有数据文件都存储在了HDFS文件系统上，HBASE主要包括两种文件类型：
   HFile：HBase中KeyValue数据的存储格式，HFile是Hadoop的二进制格式文件，实际上上面提到的StoreFile就是对HFile做了轻量级包装，即StoreFile底层就是HFile
   HLog File：HBASE中的WAL（Write Ahead Log ：预写日志）的存储格式，物理上是Hadoop的Sequence File，具体的WAL将在后面讲解。

---

HBASE架构

HBase架构也是主从服务器架构，它由HRegion服务器（HRegion Server）群和HBase Master服务器（HBaseMaster Server)构成。HBase Master服务器负责管理所有的HRegion服务器，而HBase中所有的服务器都是通过ZooKeeper来进行协调，并处理HBase服务器运行期间可能遇到的错误。HBase Master Server本身不存储HBase中的任何数据，HBase中的表可能会被划分为多个HRegion，然后存储到HRegion Server群中，HBase Master Server中存储的是从数据到HRegionServer中的映射。
HBASE架构见图

HBASE架构中的组件解析

Client

客户端Client是整个集群的访问入口
Client使用HBase RPC机制与HMaster和HRegionserver进行通信
与HMaster进行通信进行管理类操作
与HRegionserver进行数据读写类操作
包含访问HBase的接口，并维护cache来加快对HBase的访问

协作组件zookeeper
zookeeper作为一个大数据协作框架，它的HBASE中的地位相当重要。

1、 zookeeper管理着HBASE的meta表的region等相关信息，那么何谓meta表？
在HBASE中，有命名空间——NAMESPACE的概念，它类似于数据库，我们用户自定义的表存储在名为default的namespace下，而meta表是hbase自带的系统表，它存储在名为hbase的命名空间下，见图。

其中的user table是我们自定义的表，而catalog tables是系统自带的表，那么meta表中存储的是什么数据呢？
通过完整的hbase命令hbase(main):005:0> scan 'hbase:meta'查看meta表中的信息

在这个meta表中可以看到user表的信息，比如user表的某个region存储在了哪个regionserver上，region的startRowKey和endRowKey等信息。但是meta表也是HBASE中的一张表，它也遵循HBASE表的一般特性，那么它也有自己的region，比如某个region存储某张用户自定义的表，这些region的信息（表名、表的唯一标识符、startRowKey、endRowKey/存储在哪个regionserver上…）存储在哪里呢？
这里我们进入zookeeper的znode里面查看zookeeper存储的一些数据
使用命令：bin/zkCli.sh -> ls -> ls /hbase


在这里可以看到zookeeper存储了关于hbase的数据，其中的meta-region-server中就是存储了hbase中meta表的region的相关数据。所以，这里我们总结出对HBASE中数据操作的流程：
client->zookeeper->meta-region-server->regionServer上meta数据查找具体Regioin
2、 zookeeper中存储了监控着regionserver是否存活的数据，见图。也就是说，zookeeper实时监控了Hregionserver的上线和下线信息，并通知给HMaster。

3、 zookeeper保证了在任何时候，集群只有一个HMaster，如果一个HMaster宕掉，那么zookeeper会通过它的选举机制再重新选取一个regionserver作为新的HMaster，所以HBase集群不会有单节点故障。

主节点HMaster

为Region server分配region
负责Region server的负载均衡
发现失效的Region server并重新分配其上的region
管理用户对table的增删改查操作
Client访问hbase中的数据的过程并不需要master参与（寻址访问的是zookeeper和Regionserver，数据读写访问的是HRegionserver），HMaster仅仅维护元数据信息，负载很低。

HRegionserver

1、维护HRegion，处理这些Region的IO请求，向HDFS文件系统中读写数据
2、负责切分在运行过程中变大的HRegion
3、一台机器上面一般只运行一个HRegionServer，且每一个区段的HRegion也只会被一个HRegionServier维护
4、当用户需要更新数据的时候，他会被分配到对应的HRegionServer上提交修改，这些修改先是被写到memStore（内存中的缓存，保存最近更新的数据）缓存和服务器的Hlog（磁盘上面的记录文件，它记录着所有的更新操作）文件里面。在操作写入Hlog之后，commit()调用才会将其返回给客户端。
5、在读取数据的时候，HRegionServier会先访问memStore缓存，如果缓存里没有改数据，才会回到Store磁盘上面寻找，每一个列族都会有一个Store集合，每一个Store集合包含很多storeFile(封装了Hfile）文件

HBASE的数据存储

数据存储原理
这里首先介绍一下LSM树（log-structured merge-tree）

输入数据首先被存储在日志文件，这些文件内的数据完全有序。当有日志文件被修改时，对应的更新会被先保存在内存中来加速查询。当系统经历过许多次数据修改，且内存空间被逐渐被占满后，LSM树会把有序的“键-记录”对写到磁盘中，同时创建一个新的数据存储文件。此时，因为最近的修改都被持久化了，内存中保存的最近更新就可以被丢弃了。

存储文件的组织与B树相似，不过其为磁盘顺序读取做了优化，所有节点都是满的并按页存储。修改数据文件的操作通过滚动合并完成，也就是说，系统将现有的页与内存刷写数据混合在一起进行管理，直到数据块达到它的容量
在内存中多个块存储归并到磁盘的过程，合并写入会产生一个新的结果块，最终多个块被合并为更大块。
多次数据刷写之后会创建许多数据存储文件，后台线程就会自动将小文件聚合成大文件，这样磁盘查找就会 被限制在少数几个数据存储文件中。磁盘上的树结构也可以拆分成独立的小单元，这样更新就可以被分散到多个数据存储文件中。所有的数据存储文件都按键排序， 所以没有必要在存储文件中为新的键预留位置。
查询时先查找内存中的存储，然后再查找磁盘上的文件。这样在客户端看来数据存储文件的位置是透明的。
删除是一种特殊的更改，当删除标记被存储之后，查找会跳过这些删除过的键。当页被重写时，有删除标记的键会被丢弃。
此外，后台运维过程可以处理预先设定的删除请求。这些请求由TTL（time-to-live）触发，例如，当TTL设为20天后，合并进程会检查这些预设的时间戳，同时在重写数据块时丢弃过期的记录。

根据LSM树的原理，可以总结出：在HBASE中数据写入的流程如下：

Client写入 ->存入memStore，一直到memStore满->Flush成一个StoreFile，直到成长到一定阀值->出现Compact合并操作->多个StoreFile合并成一个StoreFile，同时进行版本合并和数据删除->当StoreFile Compact合并后，逐步形成一个大的StoreFile->单个StoreFile超过一定阀值后，触发split操作，把当前的Region split成两个region,老region会下线，新Split出的两个孩子Region会被HMaster分配到相应的HRegionServer上，使得原先一个Region压力得以分流到2个Region上
注：所有的更新和删除操作，都是在Compact阶段做的，所以，用户写操作只需要进入到内存即可，从而保证了IO高性能。

WAL（write-ahead-log)

WAL即为预写日志，它的存储格式是HLog File，WAL主要用作数据恢复，类似于MYSQL中的binlog。
HLog记录着数据的变更，一旦数据更改，就可以通过log进行恢复，每个HRegionserver维护一个HLog，而不是每个Region一个 ，这样不同的Region（来自不同的表）的日志会混在一起，这样做的目的是不断追加单个文件相对于同时写多个文件而言，可以减少磁盘寻址次数，因此提高对table的写性能，但是带的缺点是，如果一台Regionserver下线，为了恢复其上的region，需要将该Regionserver的HLog进行拆分，然后分发到其它Regionserver上进行恢复。
WAL的处理流程如下：

首先客户端启动一个操作来修改数据。例如，可以对put()、delete()和increment()进行调用。每一个修改都封装到一个KeyValue对象实例中，并通过RPC调用发送出去。这些调用（理想情况下）成批地发送给含有匹配region的HRegionServer。一旦KeyValue实例到达，它们会被发送到管理相应行的HRegion实例。数据被写入到WAL，然后被放入到实际拥有记录的存储文件的MemStore中。实质上，这就是HBase大体的写路径。最后，当memstore达到一定的大小或是经历一个特定的时间之后，数据就会异步地连续写入到文件 系统中。在写入的过程中，数据以一种不稳定的状态存放在内存中，即使在服务器完全崩溃的情况下，WAL也能够保证数据不会丢失，因为实际的日志存储在HDFS上。其他服务器可以打开日志文件然后回放这些修改—恢复操作并不在这些崩溃的物理服务器上进行。

---

HBASE的JAVA API基本使用

---

在IDE或者IDEA环境中开发HBASE都使用MAVEN工程来进行管理，所以在开发代码前要做以下几步：

1、 在Maven工程中的 pom.xml 文件中添加HBASE依赖

<hbase.version>0.98.6-hadoop2hbase.version>

        
<dependency>
    <groupId>org.apache.hbasegroupId>
    <artifactId>hbase-serverartifactId>
    <version>${hbase.version}version>
dependency>
<dependency>
    <groupId>org.apache.hbasegroupId>
    <artifactId>hbase-clientartifactId>
    <version>${hbase.version}version>
dependency>

2、确定maven工程中依赖包里有Hbase jar包，并拷贝${HADOOP_HOME} /conf下的core-site.xml 、 hdfs-site.xml配置文件以及${HBASE_HOME}/conf下的hbase-site.xml配置文件到maven工程中，确保所有regionserver启动，master启动即可在eclipse下运行java application

添加数据到HBASE

package hbase_study;
import .......
public class HBaseClientApp {

    public static HTable getHTableByTableName(String tableName)throws Exception{
        // Get instance of Configuration
        Configuration configuration = HBaseConfiguration.create();

        // Get table instance
        HTable table = new HTable(configuration, tableName) ;

//      System.out.println(table);

        return table ;
    }

    public static void putData() throws Exception{
        String tableName = "user" ;

        HTable table = getHTableByTableName(tableName) ;

        // create put instance
        Put put = new Put(Bytes.toBytes("100002")) ;

        // add a column with value
        put.add(
            Bytes.toBytes("info"),
            Bytes.toBytes("name"), 
            Bytes.toBytes("lisi")
        );
        put.add(
                Bytes.toBytes("info"),
                Bytes.toBytes("age"), 
                Bytes.toBytes("22")
            );
        put.add(
                Bytes.toBytes("info"),
                Bytes.toBytes("sex"), 
                Bytes.toBytes("female")
            );
        put.add(
                Bytes.toBytes("info"),
                Bytes.toBytes("address"), 
                Bytes.toBytes("nanjing")
            );
        put.add(
                Bytes.toBytes("info"),
                Bytes.toBytes("tel"), 
                Bytes.toBytes("188888888")
            );  
        // put data into table
        table.put(put);

        // close
        table.close();
    }

查询数据(get Row Key)

/**
     * Get Data From Table By ROWKEY
     * 
     * @throws Exception
     */
    public static void getData() throws Exception{
        String tableName = "user" ;
        //
        HTable table = getHTableByTableName(tableName) ;
        /**
         * get 'user', '10001', 'info:name' 
         */
        // Create Get with rowkey
        Get get = new Get(Bytes.toBytes("1001")) ;
/*      
        get.addColumn(//
            Bytes.toBytes("info"),//
            Bytes.toBytes("name") //
        ) ;
*/      

        // Get Data
        Result result = table.get(get);

        // System.out.println(result);
        /**
         * Key:
         *      rowkey + cf + c + version
         * Value:
         *      value
         */
        for(Cell cell : result.rawCells()){
            System.out.println(// 
                // column family
                Bytes.toString(CellUtil.cloneFamily(cell))
                + ":"
                // column
                + Bytes.toString(CellUtil.cloneQualifier(cell))
                + "->"
                // value
                + Bytes.toString(CellUtil.cloneValue(cell))
                + "     "
                // timestamp
                + cell.getTimestamp()
            );
            System.out.println("=============================");
        }
        // close
        table.close();
    }

查询数据（scan）

/**
     * Scan Data
     * 
     * @throws Exception
     */
    public static void scanData() throws Exception{
        String tableName = "user" ;
        //
        HTable table = null ;
        ResultScanner resultScanner = null ;


        try{
            // 
            table = getHTableByTableName(tableName) ;

            // 
            Scan scan = new Scan() ;

//==========================================================
// Range
        //  scan.setStartRow(startRow) ; // 2016070112000000_
        //  scan.setStopRow(stopRow) ;   // 2016070113000000_

//==========================================================
// Range            
// iterator
    //  Scan scan2 = new Scan(startRow, stopRow) ;

// add Column
    //  scan.addColumn(family, qualifier) ;
    //  scan.addFamily(family) ;    

// Filter
    //  Filter filter = new PrefixFilter(prefix) ;
    //  scan.setFilter(filter) ;

    // page
        //  PageFilter

//
        // 是否缓存查询出来的数据
    //  scan.setCacheBlocks(false);
        //  
    //  scan.setCaching(2);

        scan.setBatch(2);

            // scan all table
            resultScanner =  table.getScanner(scan) ;

            for(Result result : resultScanner){
                System.out.println(Bytes.toString(result.getRow()));
                for(Cell cell : result.rawCells()){
                    System.out.println(// 
                        // column family
                        Bytes.toString(CellUtil.cloneFamily(cell))
                        + ":"
                        // column
                        + Bytes.toString(CellUtil.cloneQualifier(cell))
                        + "->"
                        // value
                        + Bytes.toString(CellUtil.cloneValue(cell))
                        + "     "
                        // timestamp
                        + cell.getTimestamp()
                    );
                }
                System.out.println("=============================");
            }
        }catch(Exception e){
            e.printStackTrace(); 
        }finally{
            IOUtils.closeStream(resultScanner);
            IOUtils.closeStream(table);
        }

    }

删除HBASE中的数据

/**
     * Delete Data
     * 
     * @throws Exception
     */
    public static void deleteData() throws Exception{
        String tableName = "user" ;
        //
        HTable table = getHTableByTableName(tableName) ;
        //
        Delete delete = new Delete(Bytes.toBytes("1004")) ;
/*      
        delete.deleteColumn(
            Bytes.toBytes("info"),//
            Bytes.toBytes("address") //
            ) ;
*/      
        // delete data
        table.delete(delete);

        // close
        table.close();
    }   

HBASE与MapReduce集成

HBASE与MapReduce集成的三种方式：

1、input - source ==== 从HBase表中读取数据
2、output - sink ==== 将MapReduce的计算结果存储到HBase表中
3、input & output - source & sink ====既从HBase表中读取数据，又向HBase表中存储数据，mapreduce程序可以看作是hbase的一个客户端

1、运行测试HBASE自带的mapreduce例子
首先测试运行：
[vin@vin01 hbase-0.98.6-cdh5.3.6]$ /opt/modules/hadoop-2.5.0-cdh5.3.6/bin/yarn jar lib/hbase-server-0.98.6-cdh5.3.6.jar

发现报错，原因是mapreduce运行需要HBASE的jar包，我们通过执行bin/hbase mapredcp来查看需要哪些jar包，而解决这些jar包的方法就是设置classpath：
参考官网：http://hbase.apache.org/book.html#hbase.mapreduce.classpath
设置方式：

export HADOOP_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6
export HBASE_HOME=/opt/modules/hbase-0.98.6-cdh5.3.6
export HADOOP_CLASSPATH=`${HBASE_HOME}/bin/hbase classpath`

设置完成之后再测试运行该jar包：

可以看出该jar包中有多个实例，这里再测试运行rowcounter来计算user表：
执行：

export HADOOP_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6
export HBASE_HOME=/opt/modules/hbase-0.98.6-cdh5.3.6
export HADOOP_CLASSPATH=`${HBASE_HOME}/bin/hbase classpath`
/opt/modules/hadoop-2.5.0-cdh5.3.6/bin/yarn jar lib/hbase-server-0.98.6-cdh5.3.6.jar rowcounter user

测试结果：

测试既从HBase表中读取数据，又向HBase表中存储数据
这里就需要使用MAVEN工程来开发mapreduce程序了，代码如下：

package hbase_study;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.hbase.Cell;
import org.apache.hadoop.hbase.CellUtil;
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.client.Result;
import org.apache.hadoop.hbase.client.Scan;
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;
import org.apache.hadoop.hbase.mapreduce.TableMapReduceUtil;
import org.apache.hadoop.hbase.mapreduce.TableMapper;
import org.apache.hadoop.hbase.mapreduce.TableReducer;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

public class ExportBasicFromUserMapReduce extends Configured implements Tool {

    // step 1: Mapper
    /**
     * Mapper
     */
    public static class ReadFromUserMapper 
            extends TableMapper<ImmutableBytesWritable, Put> {

        @Override
        public void map(ImmutableBytesWritable key, Result value, Context context)
                throws IOException, InterruptedException {
            // get rowkey
            // String rowkey = Bytes.toString(key.get()) ;

            // create put
            Put put = new Put(key.get());

            // iterator
            for (Cell cell : value.rawCells()) {
                // add family: info
                if ("info".equals(Bytes.toString(CellUtil.cloneFamily(cell)))) {
                    // add column : name
                    if ("name".equals(Bytes.toString(CellUtil.cloneQualifier(cell)))) {
                        put.add(cell);
                    }
                    // add column : age
                    else if ("age".equals(Bytes.toString(CellUtil.cloneQualifier(cell)))) {
                        put.add(cell);
                    }
                }
            }
            // output
            context.write(key, put);
        }
    }

    // step 2: Reducer
    /**
     * Reducer
     */
    public static class WriteToBasicReducer 
            extends TableReducer<ImmutableBytesWritable, Put, ImmutableBytesWritable> {

        @Override
        public void reduce(ImmutableBytesWritable key, Iterable values, 
            Context context) throws IOException, InterruptedException {
            for(Put put : values){
                // output
                context.write(key, put);
            }
        }
    }

    // step 3: Driver
    public int run(String[] args) throws Exception {
        // 1) get conf
        Configuration conf = super.getConf();

        // 2) create job
        Job job = Job.getInstance(conf, this.getClass().getSimpleName());

        job.setJarByClass(ExportBasicFromUserMapReduce.class);

        // 3) set job
        // input & mapper
        Scan scan = new Scan();
        scan.setCaching(500);        // 1 is the default in Scan, which will be bad for MapReduce jobs
        scan.setCacheBlocks(false);  // don't set to true for MR jobs

        TableMapReduceUtil.initTableMapperJob(
          "user",        // input table
          scan,               // Scan instance to control CF and attribute selection
          ReadFromUserMapper.class,     // mapper class
          ImmutableBytesWritable.class,         // mapper output key
          Put.class,  // mapper output value
          job //
        );

        // reducer & output
        TableMapReduceUtil.initTableReducerJob(
          "basic",        // output table
          WriteToBasicReducer.class,    // reducer class
          job //
       );

        job.setNumReduceTasks(1);   // at least one, adjust as required

        // 4) submit job
        boolean isSuccess = job.waitForCompletion(true);

        return isSuccess ? 0 : 1;
    }

    /**
     * Entry
     * 
     * @param args
     * @throws Exception
     */
    public static void main(String[] args) throws Exception {
        // create conf
        Configuration configuration = HBaseConfiguration.create();

        // run job
        int status = ToolRunner.run( //
                configuration, new ExportBasicFromUserMapReduce(), args);
        // exit program
        System.exit(status);
    }

}

上述代码完成的功能是编写mapreduce从user表中查询抽取某些字段到basic表中
代码编写完成，打成jar包

上传该jar包并运行：

export HADOOP_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6
export HBASE_HOME=/opt/modules/hbase-0.98.6-cdh5.3.6
export HADOOP_CLASSPATH=`${HBASE_HOME}/bin/hbase classpath`
/opt/modules/hadoop-2.5.0-cdh5.3.6/bin/yarn jar mr-user2basic.jar hbase_study.ExportBasicFromUserMapReduce

注：上述shell代码是在$HBASE_HOME主目录下执行的，上传的jar包也在该主目录下，所以省略了路径，在实际运行中应该写上jar的绝对路径。

---

HBASE的数据迁移

---

HBASE的数据来源一般就是Logs 、 RDBMS，或者本身的备份。
1）数据迁移几种方式：

1、PUT API 写入数据
这种方式主要是通过编写mapreduce，通过连接JDBC，将RDBMS关系型数据库中的数据迁移到HBASE中，编写过程复杂，这里我们使用HBASE自带的一个mapreduce来测试将以制表符分隔的tsv格式的文件导入到HBASE表中，该mapreduce也在自带的jar包中，见图。

测试运行：
查看其用法：
/opt/modules/hadoop-2.5.0-cdh5.3.6/bin/yarn jar lib/hbase-server-0.98.6-cdh5.3.6.jar importtsv

测试步骤：

• 首先在hbase创建表：create ‘person’ ,‘info’ 用来存放要导入的数据
• 将tsv数据上传到hdfs文件系统中，本文使用的是/user/hadoop001/hbase/data/importtsv/目录

• 运行：

  export HADOOP_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6
  export HBASE_HOME=/opt/modules/hbase-0.98.6-cdh5.3.6
  export HADOOP_CLASSPATH=`${HBASE_HOME}/bin/hbase mapredcp`:${HBASE_HOME}/conf \
  /opt/modules/hadoop-2.5.0-cdh5.3.6/bin/yarn jar lib/hbase-server-0.98.6-cdh5.3.6.jar importtsv \
  -Dimporttsv.columns=HBASE_ROW_KEY,\
  info:name,info:age,info:sex,info:address \
  person \
  /user/hadoop001/hbase/data/importtsv

  说明：通常MapReduce在写HBASE时使用的是TableOutputFormat方式，在reduce中直接生成put对象写入Hbase，该方式在大数据量时写入效率低下，HBase会Block写入，频繁进行flush、split、compact等大量IO操作，并对HBase节点的稳定性造成一定影响。
  2、使用bulk load tool
  过程：先将数据转换为HFile格式文件，然后将HFile文件加载到HBase表中。
  BULK LOAD 是利用HBase的数据信息按照特定格式存储在HDFS内这一原理，直接在HDFS中生成持久化的HFile数据格式文件，然后上传至合适位置，完成了海量数据快速入库的方式，配合mapreduce完成， 高效便捷，不占用region资源，消除看对HBase集群插入数据的压力，提高了job运行效率。
  在hbase-server-0.98.6-cdh5.3.6.jar中的importtsv方法也具有bulkload功能，见图。下面对它进行测试
  
  测试步骤：

• 设置HFile存储的目录（该目录会自动创建）
  -Dimporttsv.bulk.output=/user/hadoop001/hbase/hfileOutput
  要处理的数据仍然为
  /user/hadoop001/hbase/data/importtsv目录下的student.tsv文件

• 运行代码,生成HFile文件

export HADOOP_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6
export HBASE_HOME=/opt/modules/hbase-0.98.6-cdh5.3.6
export HADOOP_CLASSPATH=`${HBASE_HOME}/bin/hbase mapredcp`:${HBASE_HOME}/conf \
/opt/modules/hadoop-2.5.0-cdh5.3.6/bin/yarn jar lib/hbase-server-0.98.6-cdh5.3.6.jar importtsv \
-Dimporttsv.bulk.output=/user/hadoop001/hbase/hfileOutput \
-Dimporttsv.columns=HBASE_ROW_KEY, \
info:name,info:age,info:sex,info:address \
person \
/user/hadoop001/hbase/data/importtsv

- 加载HFile数据到HBase表中

export HADOOP_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6
export HBASE_HOME=/opt/modules/hbase-0.98.6-cdh5.3.6
export HADOOP_CLASSPATH=`${HBASE_HOME}/bin/hbase mapredcp`:${HBASE_HOME}/conf \
${HADOOP_HOME}/bin/yarn jar \
${HBASE_HOME}/lib/hbase-server-0.98.6-hadoop2.jar completebulkload \
/user/hadoop001/hbase/hfileOutput \
person

通过运行此条命令，会将/user/hadoop001/hbase/hfileOutput下的文件剪切到/hbase/data/default/person/0731f5632f614b5bfdc2381353eb2d70/目录下

这时我们通过查看HBASE表，就可以看到数据被成功的加载到其中了。

3、 编写mapreduce的固定模式

---

HBASE表的设计

---

1. HBASE创建表的方式及预分区

通过在HBASE SHELL命令行中输入help 'create'可以查看创建表的方法及其常用属性


从HBASE给出的示例中可以总结：

• 创建的表可以有多个列族，列族可以有多个属性
• split
  

  在HBASE中，前面我们谈过了其数据来源有两种，一种是日志文件写入，一种是将文件转换成HFile，通过BULK load导入到HBASE表中，但是我们知道HBASE初始给表设计的是一个Region，而Bulk Load 短时间将大量的数据文件写入到Region，所以管理这个Region的Regionserver负载会非常大，可能会造成节点损坏，那么解决办法就是在创建表的时候指定多个Region（根据表的Row Key进行设计，结合实际业务）。那么如何在创建表的时候创建多个Region呢？
  split就是对HBASE表的预分区，分区是相对于region而已，而Region的划分是根据Row Key划分的，[startRow , endRow)
  测试split：
  create 'ns1:t1', 'f1', SPLITS => ['10', '20', '30', '40']
  
  这其中的’10’, ‘20’, ‘30’, ‘40’就是预估的分区，这里还可以将分区写入到文件中，然后创建表的时候加载该文件即可，在创建很多个region的时候使用这个方式：
  hbase> create 't1', 'f1', SPLITS_FILE => 'splits.txt'
  文件中的格式为

10
20
30
40

• 在设计表的时候，某些不常用但是有需求的业务表设计成索引表，索引表的某个列必须是主表的RowKey，而实现主表与索引表的数据同步需要使用Phoenix的JDBC方式。

2.RowKey的设计原则

- rowkey长度原则

rowkey是一个二进制码流，可以是任意字符串，最大长度 64kb ，实际应用中一般为10-100bytes，以 byte[] 形式保存，一般设计成定长。
建议越短越好，不要超过16个字节，原因如下：
数据的持久化文件HFile中是按照KeyValue存储的，如果rowkey过长，比如超过100字节，1000w行数据，光rowkey就要占用100*1000w=10亿个字节，将近1G数据，这样会极大影响HFile的存储效率；
MemStore将缓存部分数据到内存，如果rowkey字段过长，内存的有效利用率就会降低，系统不能缓存更多的数据，这样会降低检索效率。
目前操作系统都是64位系统，内存8字节对齐，控制在16个字节，8字节的整数倍利用了操作系统的最佳特性。

• rowkey散列原则

如果rowkey按照时间戳的方式递增，不要将时间放在二进制码的前面，建议将rowkey的高位作为散列字段，由程序随机生成，低位放时间字段，这样将提高数据均衡分布在每个RegionServer，以实现负载均衡的几率。如果没有散列字段，首字段直接是时间信息，所有的数据都会集中在一个RegionServer上，这样在数据检索的时候负载会集中在个别的RegionServer上，造成热点问题，会降低查询效率。

• rowkey唯一原则

必须在设计上保证其唯一性，rowkey是按照字典顺序排序存储的，因此，设计rowkey的时候，要充分利用这个排序的特点，将经常读取的数据存储到一块，将最近可能会被访问的数据放到一块。

• 什么是热点

HBase中的行是按照rowkey的字典顺序排序的，这种设计优化了scan操作，可以将相关的行以及会被一起读取的行存取在临近位置，便于scan。然而糟糕的rowkey设计是热点的源头。 热点发生在大量的client直接访问集群的一个或极少数个节点（访问可能是读，写或者其他操作）。大量访问会使热点region所在的单个机器超出自身承受能力，引起性能下降甚至region不可用，这也会影响同一个RegionServer上的其他region，由于主机无法服务其他region的请求。 设计良好的数据访问模式以使集群被充分，均衡的利用。
为了避免写热点，设计rowkey使得不同行在同一个region，但是在更多数据情况下，数据应该被写入集群的多个region，而不是一个。
下面是一些常见的避免热点的方法以及它们的优缺点：

• 加盐

这里所说的加盐不是密码学中的加盐，而是在rowkey的前面增加随机数，具体就是给rowkey分配一个随机前缀以使得它和之前的rowkey的开头不同。分配的前缀种类数量应该和你想使用数据分散到不同的region的数量一致。加盐之后的rowkey就会根据随机生成的前缀分散到各个region上，以避免热点。

• 哈希

哈希会使同一行永远用一个前缀加盐。哈希也可以使负载分散到整个集群，但是读却是可以预测的。使用确定的哈希可以让客户端重构完整的rowkey，可以使用get操作准确获取某一个行数据

• 反转

第三种防止热点的方法时反转固定长度或者数字格式的rowkey。这样可以使得rowkey中经常改变的部分（最没有意义的部分）放在前面。这样可以有效的随机rowkey，但是牺牲了rowkey的有序性。
反转rowkey的例子以手机号为rowkey，可以将手机号反转后的字符串作为rowkey，这样的就避免了以手机号那样比较固定开头导致热点问题

• 时间戳反转

一个常见的数据处理问题是快速获取数据的最近版本，使用反转的时间戳作为rowkey的一部分对这个问题十分有用，可以用 Long.Max_Value - timestamp 追加到key的末尾，例如 [key][reverse_timestamp] , [key] 的最新值可以通过scan [key]获得[key]的第一条记录，因为HBase中rowkey是有序的，第一条记录是最后录入的数据。
比如需要保存一个用户的操作记录，按照操作时间倒序排序，在设计rowkey的时候，可以这样设计
[userId反转][Long.Max_Value - timestamp]，在查询用户的所有操作记录数据的时候，直接指定反转后的userId，startRow是[userId反转][000000000000],stopRow是[userId反转][Long.Max_Value - timestamp]
如果需要查询某段时间的操作记录，startRow是[user反转][Long.Max_Value - 起始时间]，stopRow是[userId反转][Long.Max_Value - 结束时间]

• 其他一些建议

尽量减少行和列的大小在HBase中，value永远和它的key一起传输的。当具体的值在系统间传输时，它的rowkey，列名，时间戳也会一起传输。如果你的rowkey和列名很大，甚至可以和具体的值相比较，那么你将会遇到一些有趣的问题。HBase storefiles中的索引（有助于随机访问）最终占据了HBase分配的大量内存，因为具体的值和它的key很大。可以增加block大小使得storefiles索引再更大的时间间隔增加，或者修改表的模式以减小rowkey和列名的大小。压缩也有助于更大的索引。

• 列族尽可能越短越好，最好是一个字符
  

  冗长的属性名虽然可读性好，但是更短的属性名存储在HBase中会更好

---

HBASE表的压缩属性配置

---

压缩 首先在HBASE SHELL中输入`describe ‘user’`来查看user表的信息： ![image_1arcl4ca6gifhcqn6n1vm1i9u9.png-72.5kB][39] 其中的COMPRESSION =’NONE’表示的表的存储是否使用压缩，而HBASE数据是存储在HDFS上的，检查hadoop支持哪些压缩格式： `bin/hadoop checknative`

• 配置HBASE压缩步骤（以常用的压缩格式snappy为例）：

  – 配置hadoop压缩
  使用bin/hadoop checknative检查
  –配置HBASE
  1、将hadoop与snappy集成的jar包放入HBASE安装目录下的lib目录中
  2、将本地native库放入HBASE安装目录中
  

–在hbase-site.xml文件中配置压缩属性

–在做好上面步骤好，就可以在表中将压缩属性设置为想要的压缩格式
注：已经存在的数据不会因为设置压缩属性而压缩

---

HBASE与Hive集成

参考官网: https://cwiki.apache.org/confluence/display/Hive/HBaseIntegration

喜欢我的文章请关注微信公众号DTSpider

---