HBase——基础篇

稀疏的，多维的，分布式的，持久的，排序的map

HBase数据模型

1. table：表，一个表中有多行数据
2. row：行，有唯一标识rowkey，多个column family。一张表中所有row都是按照rowkey的字典序排序的。
3. column:列，有column family 列簇 和qualifer 列组成，两者用: 相连。列簇下的列是可动态扩展的。在存储结构上，一个列簇就是一个HFile。
4. timestamp：时间戳，每个cell在写入时都带有一个时间戳，resign级别的。
5. cell：单元，由五元组（row,column,timestamp,type,value）组成，k-v结构。

HBase特性：

1. 稀疏：存储是按照列簇存储的，列中允许有空值。其他的数据库中，空值一般需要填充null，而HBase不需要填充。也就是HBase在理论上允许无线扩展，对于百万列来讲，存在的大量空值不会占用空间。
2. 排序：所有的KV在文件中都是按照rowkey的字典序排序的，先比较rowkey在比较column family以此比较。
3. 分布式：
4. 多维：key是row,column,timestamp,type构成的

行存储，列存储，列簇存储

1. 行存储：将一行数据存储在一起，一行写完在写下一行，MySQL。在获取行数据时搞笑，但如果只查询某一列，这种方式引入大量无用的列信息，占内存。
2. 列存储：将一列数据存在一起，不同列分开处理，HDFS。同一列具有相同的属性，所以列式存储具有高压缩性。
3. 列簇存储：上述两者的综合，所有列簇存储在一起。

HBase体系结构

1. Client：HBase客户端访问数据之前，根据通过元数据表先定位数据在哪个RegionServer，再发送请求到RegionServer。
2. ZooKeeper：协调管理分布式系统，主要有以下几个作用：
   1. 实现Master高可用，zk检测master是否宕机，若宕机再选举出一个新的master。
   2. 参与RegionServer的宕机恢复：zk通过心跳感知RS是否宕机，若宕机通知Master。
   3. 实现分布式表锁。
3. Master：管理各种用户请求（建表 修改），管理集群中的RegionServer（负载，迁移），清理过期的日志文件（HLog HFile是否过期）
4. RegionServer：响应用户的IO请求，由HLog，Region和BlockCache组成。
   1. HLog：HBase的随机写时，先写HLog，再写缓存，最后异步刷新到磁盘
   2. BlockCache：块缓存，由物理上相邻的多个KV数据组成，缓存策略LRUBlockCache和BucketCache策略
   3. Region：数据表的一个分片，当数据表大小超过阈值就水平切分，分成两个Region。Region是负载均衡的单位。
5. HDFS：数据实际HDFS落盘，只支持顺序写，随机写需第三方插件

HBase优缺点：

优点

1. 容量巨大，支持千亿行数据规模，传统的数据库MySQL如果单标超过亿行，读写速度下降。
2. 良好的扩展性，HBase底层依赖HDFS系统，HDFS可以通过简单的增加节点进行扩展，HBase也可以增加RegionServer扩展。
3. 稀疏：允许大量的列的值为空，并不占用任何存储空间。上百万列的数据，即使有大量空值也不占用额外的空间。
4. 高性能：数据的写性能强劲，随机单点读及小范围读扫描也可以保证性能，大范围的读使用MapReduce能够高效扫描。
5. 多版本：每个KV都是带时间戳的，更新操作实际上是插入，会保留所有版本。
6. 支持过期：可以设置TTL，数据过期会自动清理。
7. Hadoop原生支持。

缺点

1. 本身不支持复杂的聚合操作，join，group by等，需要第三方组件，如Phoenix
2. 本身不支持二级索引，需要组件，Phoenix
3. 本身不支持全局跨行事务，需要组件，Phoenix

算法与数据结构

LSM树

HBase的一个列簇就是一个LSM树。LSM分为内存部门和磁盘部分。内存部分采用跳跃链表维护一个有序的KV集合，磁盘部分有多个内部的KV有序文件。

先写入内存部分，超过一定阈值石刷到磁盘部分（顺序读写），磁盘中的有序文件定期通过多路归并进行合并，

跳跃链表

跳跃表的插入，删除，查找时间复杂度O(logn)，平衡度是按照概率的，是非严格的平衡，跳跃链表在redis中也使用，此处不详述。。。

布隆过滤器

布隆过滤器占用小的空间可以给出，“可能存在”和“一定不存在”的判断，可以提前过滤掉很多不必要的数据库，节省IO。这里先不详述。。。

 

二级索引

HBase本身不支持二级索引，可以借助组件，也可以自行设计。

比如：学生信息，假设学号id和name分别对应mysql中的聚集索引和辅助索引。

HBase原生支持Region内部的多行操作原子性，若一次RPC的多个操作都落在同一个Region内，则操作是原子的，单显然这种情况不能保证。

1. 局部二级索引，把region-A的索引数据也存在region-A内，这样能够保证索引数据和主表数据是原子的。额外增加一个列簇放索引数据。rowKey设置成：rowkey=startKey:name:id。读取的时候要考虑每个region是否包含对应数据。
2. 全局二级索引，通过分布式事务协议保证跨region的原子性。读的性能更优。

事务

HBase支持region内部的事务，即保证同个region内部多个操作的acid。根本原因是cell的时间戳是region级别的，不同region间无法保证全局的时间戳顺序。

单行事务：一行数据下多个列簇，保证该行内的多个列簇的多个操作室原子的。

跨行事务。

设计分布式跨行事务系统需要考虑哪些：

1. 一个全局的时间戳。不精确的时间戳无法评定众多并发事务的顺序，无法保证事务的隔离性 isolation
2. 一个全局的锁检测服务。两个并发事务不能修改同行记录，避免死锁。这就需要一个全局的锁检测服务。
3. 分布式系统中事务操作高吞吐，高并发。所以设计出来的分布式系统要具备扩展能力。
4. 保证跨行事务的acid。

题目：

每天百亿数据存入HBase，如何保证数据的存储正确和在规定时间里全部录入完毕

百亿数据的话就是每秒百万量级的写入，所以实时写入不适用，应该批量导入。

保证数据的正确，这里要考虑rowkey的设计。

预建分区和列簇

HBase优化方案

预建分区，否则随着region的增加，region会进行分裂，增加IO开销。

开启布隆过滤器，提高查找速度。（布隆过滤器是列簇级别的）

rowkey的合理设计，能够保证相似的rowkey聚合，相异的分散。如果查询条件比较多，那么rowkey就应该支持多条件查询。如果是查最近插入的数据优先，那么可以让rawkey递减排序。

HBase和Hive对比

HBase KV形式存储，Hive是类似SQL的

HBase适用的场景是实时的，hive适用离线处理

HBase支持增删，hive只支持导入和查询