《HBase企业应用开发实战》—— 3.2 数据模型的重要概念

本节书摘来自华章出版社《HBase企业应用开发实战》一 书中的第3章，第3.2节，作者：马延辉　孟鑫　李立松 ，更多章节内容可以访问云栖社区“华章计算机”公众号查看。

3.2　数据模型的重要概念

HBase是一种列式存储的分布式数据库，其核心概念是表(Table)。与传统的关系型数据库一样，表由行和列组成，但HBase同一列可以存储不同时刻的值，同时多个列可以组成一个列族(Column Family)，这种组织形式是出于存取性能考虑的。理解HBase的这些概念是很重要的，因为数据模型设计的好坏将直接影响你的查询性能。本节我们将讨论最重要的概念。

3.2.1　表

在HBase中数据以表的形式存储。使用表的主要原因是把某些列组织起来一起访问，同一个表中的数据通常是相关的，通过列族进一步把一些列组织在一起进行访问。用户可以通过命令行或Java API来创建表。表名通常使用Java String类型或byte[]（二进制数组）表示，表名作为HDFS存储路径的一部分来使用，因此必须要符合文件名规范，所以构成表名的字符是有限制的。可以直接查看底层存储系统，在HDFS中可以看到每个表的表名都作为独立的目录结构，在某些情况下，用户可能需要查看这部分信息。
HBase列式存储格式允许用户存储大量的信息到相同的表中，而在RDBMS模型中，大量信息则需要切分成多个表存储。通常的数据库规范规则不适用于HBase，因此HBase中表的数量相对较少。
虽然理论上HBase的表是由行和列组成的，但是从物理结构上看，表存储在不同的分区，即不同的Region。每个Region只在一个RegionServer中提供服务，而Region直接向客户端提供存储和读取服务。
与传统的关系型数据库一样，HBase提供了命令行创建表，创建表时只需要指定表名和至少一个列族。列族影响表的物理存储结构，创建表后列族还可以更改，但是比较麻烦。
这就是HBase表中的全部，和传统关系型数据库不同，HBase的表没有列定义，没有类型，这就是HBase被称为无模式数据库的原因。
如何与HBase建立连接呢？可以使用Shell，或者通过Java API，与使用JDBC或ODBC访问关系型数据库不同，访问HBase不需要用户名和密码，没有Schema；将hbase-site.xml配置文件复制一份到自己的工程中，HBase API会读取配置文件完成对HBase的连接。创建连接是一项非常消耗资源的工作，HBase为我们提供了一个连接池，可以更好地管理资源重用。

3.2.2　行键

行键，即Rowkey，是HBase中最为重要的概念之一，在本书4.3节会详细讲解关于行键的设计原则。行键是不可分割的字节数组。行键是按字典排序由低到高存储在表中的，以一个空的数组来标识表空间的起始或者结尾。图3-2展示了行键的排列规则。

这可能和你预期的顺序不太一样，在字典序中，数据按照二进制字节从左至右逐一对比形成最终的次序。例如row-1小于row-2，无论后面如何，row-1都排在row-2之前。
在HBase中行键是唯一的索引，不过在新版本的HBase中考虑了对辅助索引的支持。
为了高效检索数据，应该仔细设计Rowkey以获得最高的查询性能：首先Rowkey被冗余存储，所以长度不宜过长，过长的Rowkey将会占用大量的空间同时会降低检索效率；其次Rowkey应该尽量分布均匀，这样不会产生热点现象；最后是Rowkey唯一原则，必须在设计上保证其唯一性。
在4.3节将学习Rowkey的设计，针对不同的场景Rowkey需要有不同的设计以提高检索的效率。

3.2.3　列族

HBase中的列族是一些列的集合。一个列族中所有列成员有着相同的前缀。比如，列courses:history和courses:math都是列族courses的成员。冒号（:）是列族的分隔符，用来区分列族前缀和列名。Column前缀必须是可打印的字符，剩下的部分（称为Column Qualifier），可以由任意字节数组组成。
在物理上，一个列族的成员在文件系统上都是存储在一起的。因为存储优化都是针对列族级别的，这就意味着，一个列族的所有成员是通过相同的方式访问的。
在创建表的时候至少要指定一个列族，新的列族可以随后按需、动态地加入，但是修改列族要先停用表。应该将经常一起查询的列放在一个列族中，合理划分列族将减少查询时加载到缓存的数据，提高查询的效率，但也不要有太多的列族，因为跨列族访问是非常低效的。

3.2.4　单元格

HBase中的单元格由行键、列族、列、时间戳唯一确定。单元格的内容是不可分割的字节数组。每个单元格都保存着同一份数据的多个版本，不同时间版本的数据按照时间顺序倒序排序，最新时间的数据排在最前面，时间戳是64位的整数，可以由客户端在写入数据时赋值，也可以由RegionServer自动赋值。