大数据技术原理 复习二 hdfs+hbase
分布式文件系统HDFS
3.1 分布式文件系统
计算机集群结构：分布式文件系统把文件分布存储到多个计算机节点上，降低硬件开销
分布式文件系统的结构：分布式文件系统在物理结构上是由计算机集群中的多个节点构成的，这些节点分为两类，一类叫主节点”(Master Node)/名称结点(NameNode)，另
一类叫从节点（Slave Node）/数据节点”(DataNode)
3.2 HDFS简介
目标：兼容廉价硬件设备，流数据读写，大数据及，简单文件模型，强大的跨平台兼容性
局限：不适合低延迟数据访问、无法高效存储大量小文件、不支持多永不写入即任意修改文件
3.3 HDFS相关概念
- 块：HDFS默认一个块64MB，一个文件被分成多个块，以块作为存储单位
支持大规模文件存储、简化系统设计、适合数据备份 - 名称节点和数据节点：
存储元数据 |存储文件内容
内存 |磁盘
保存文件，块，数据节点之间的映射关系 |维护块id到数据节点本地文件的映射关系 - 名称节点的数据结构
名称节点的启动
•在名称节点启动的时候，它会将FsImage文件中的内容加载到内存中，之后再执行
EditLog文件中的各项操作，使得内存中的元数据和实际的同步，存在内存中的元数
据支持客户端的读操作。
•一旦在内存中成功建立文件系统元数据的映射，则创建一个新的FsImage文件和一个
空的EditLog文件
•名称节点起来之后， HDFS中的更新操作会重新写到EditLog文件中，因为FsImage
文件一般都很大（GB级别的很常见），如果所有的更新操作都往FsImage文件中添
加，这样会导致系统运行的十分缓慢，但是，如果往EditLog文件里面写就不会这样
，因为EditLog 要小很多。每次执行写操作之后，且在向客户端发送成功代码之前，
edits文件都需要同步更新
名称节点运行期间EditLog不断变大的问题
- 第二名称节点是HDFS架构中的一个组成部分，它是用来保存名称节点中对HDFS 元数据信息的备份，并减少名称节点重启的时间。 SecondaryNameNode一般是单独运行在一台机器上
名称节点和数据节点
SecondaryNameNode的工作情况：
（1） SecondaryNameNode会定期和NameNode
通信，请求其停止使用EditLog文件，暂时将新的
写操作写到一个新的文件edit.new上来，这个操
作是瞬间完成，上层写日志的函数完全感觉不到
差别；
（2） SecondaryNameNode通过HTTP GET
方式从NameNode上获取到FsImage和EditLog文
件，并下载到本地的相应目录下；
（3） SecondaryNameNode将下载下来的
FsImage载入到内存，然后一条一条地执行
EditLog文件中的各项更新操作，使得内存中的
FsImage保持最新；这个过程就是EditLog和
FsImage文件合并；
（4） SecondaryNameNode执行完（3）操
作之后，会通过post方式将新的FsImage文件发
送到NameNode节点上
（5） NameNode将从SecondaryNameNode
接收到的新的FsImage替换旧的FsImage文件，
同时将edit.new替换EditLog文件，通过这个过程
EditLog就变小了
数据节点
•数据节点是分布式文件系统HDFS的工作节点，负责数据的存储和读取，会根据客
户端或者是名称节点的调度来进行数据的存储和检索，并且向名称节点定期发送自己
所存储的块的列表
•每个数据节点中的数据会被保存在各自节点的本地Linux文件系统中
3.4 HDFS体系结构
3.4.1 HDFS体系结构概述
HDFS采用了主从（Master/Slave）结构模型，一个HDFS集群包括一个名称节点（
NameNode）和若干个数据节点（DataNode）
。名称节点作为中心服务器，负责管理文件系统的命名空间及客户端对文件的访问。集群中的数据节点一般是一个节点运行一个数据节点进程，负责处理文件系统客户端的读/写请求，在名称节点的统一调度下进行数据块的创建、删除和复制等操作。每个数据节点的数据实际上是保存在本地Linux文件系统中的
3.4.2 HDFS命名空间管理
命名空间包含目录，文件，块
使用传统分级文件体系，像使用普通文件系统一样
3.4.3 通信协议
• HDFS是一个部署在集群上的分布式文件系统， 因此， 很多数据需要通过网络进行
传输
• 所有的HDFS通信协议都是构建在TCP/IP协议基础之上的
• 客户端通过一个可配置的端口向名称节点主动发起TCP连接， 并使用客户端协议与
名称节点进行交互
• 名称节点和数据节点之间则使用数据节点协议进行交互
• 客户端与数据节点的交互是通过RPC（ Remote Procedure Call） 来实现的。 在设
计上， 名称节点不会主动发起RPC， 而是响应来自客户端和数据节点的RPC请求
3.4.4 客户端
• 客户端是用户操作HDFS最常用的方式， HDFS在部署时都提供了客户端
• HDFS客户端是一个库， 暴露了HDFS文件系统接口， 这些接口隐藏了HDFS实现中的
大部分复杂性
• 严格来说， 客户端并不算是HDFS的一部分
• 客户端可以支持打开、 读取、 写入等常见的操作， 并且提供了类似Shell的命令行
方式来访问HDFS中的数据
• 此外， HDFS也提供了Java API， 作为应用程序访问文件系统的客户端编程接口
3.4.5 HDFS体系结构的局限性
HDFS只设置唯一一个名称节点，这样做虽然大大简化了系统设计，但也带来了一些
明显的局限性，具体如下：
（1） 命名空间的限制：名称节点是保存在内存中的，因此，名称节点能够容纳的
对象（文件、块）的个数会受到内存空间大小的限制。
（2） 性能的瓶颈：整个分布式文件系统的吞吐量，受限于单个名称节点的吞吐量。
（3） 隔离问题：由于集群中只有一个名称节点，只有一个命名空间，因此，无法
对不同应用程序进行隔离。
（4） 集群的可用性：一旦这个唯一的名称节点发生故障，会导致整个集群变得不
可用。
3.5 HDFS存储原理
冗余数据保存
为了保证系统的容错性和可用性， HDFS采用了多副本方式对数据进行冗余存储
优点：加快数据传输速度、容易检查数据错误、保证数据可靠性
数据存取策略
数据存放
•第一个副本：放置在上传文件的数据节点；如果是集群外提交，则随机挑选一台磁盘
不太满、 CPU不太忙的节点
•第二个副本：放置在与第一个副本不同的机架的节点上
•第三个副本：与第一个副本相同机架的其他节点上
•更多副本：随机节点
数据读取
•HDFS提供了一个API可以确定一个数据节点所属的机架ID，客户端也可以调用API
获取自己所属的机架ID
•当客户端读取数据时，从名称节点获得数据块不同副本的存放位置列表，列表中包
含了副本所在的数据节点，可以调用API来确定客户端和这些数据节点所属的机架ID，
当发现某个数据块副本对应的机架ID和客户端对应的机架ID相同时，就优先选择该副
本读取数据，如果没有发现，就随机选择一个副本读取数据
数据错误与恢复
- 名称节点出错
名称节点保存了所有的元数据信息，其中，最核心的两大数据结构是FsImage
和Editlog，如果这两个文件发生损坏，那么整个HDFS实例将失效。因此， HDFS设
置了备份机制，把这些核心文件同步复制到备份服务器SecondaryNameNode上。当
名称节点出错时，就可以根据备份服务器SecondaryNameNode中的FsImage和
Editlog数据进行恢复。 - 数据节点出错
•每个数据节点会定期向名称节点发送“心跳”信息，向名称节点报告自己的状态
•当数据节点发生故障，或者网络发生断网时，名称节点就无法收到来自一些数据节
点的心跳信息，这时，这些数据节点就会被标记为“宕机”，节点上面的所有数据都
会被标记为“不可读”，名称节点不会再给它们发送任何I/O请求
•这时，有可能出现一种情形，即由于一些数据节点的不可用，会导致一些数据块的
副本数量小于冗余因子
•名称节点会定期检查这种情况，一旦发现某个数据块的副本数量小于冗余因子，就
会启动数据冗余复制，为它生成新的副本
•HDFS和其它分布式文件系统的最大区别就是可以调整冗余数据的位置 - 数据出错
•网络传输和磁盘错误等因素，都会造成数据错误
•客户端在读取到数据后，会采用md5和sha1对数据块进行校验，以确定读取到正确
的数据
•在文件被创建时，客户端就会对每一个文件块进行信息摘录，并把这些信息写入到
同一个路径的隐藏文件里面
•当客户端读取文件的时候，会先读取该信息文件，然后，利用该信息文件对每个读
取的数据块进行校验，如果校验出错，客户端就会请求到另外一个数据节点读取该文
件块，并且向名称节点报告这个文件块有错误，名称节点会定期检查并且重新复制这
个块
3.6 HDFS数据读写过程
import java.io.BufferedReader;
import java.io.InputStreamReader ;
import org.apache.hadoop.conf.Configuration ;
import org.apache.hadoop.fs.FileSystem ;
import org.apache.hadoop.fs.Path ;
import org.apache.hadoop.fs.FSDataInputStream ;
public class Chapter3 {
public static void main(String[] args) {
try {
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(conf);
Path filename = new Path(“hdfs://localhost:9000/user/hadoop/test.txt");
FSDataInputStream is = fs.open(filename);
BufferedReader d = new BufferedReader(new InputStreamReader(is));
String content = d.readLine(); //读取文件一行
System.out.println(content);
d.close(); //关闭文件
fs.close(); //关闭hdfs
} catch (Exception e) {
e.printStackTrace();
}
}
}
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.Path;
public class Chapter3 {
public static void main(String[] args) {
try {
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(conf);
byte[] buff = "Hello world".getBytes(); // 要写入的内容
String filename = " hdfs://localhost:9000/user/hadoop/test.txt "; //要写入的文件名
FSDataOutputStream os = fs.create(new Path(filename));
os.write(buff,0,buff.length);
System.out.println("Create:"+ filename);
} catch (Exception e) {
e.printStackTrace();
}
}
}
•FileSystem是一个通用文件系统的抽象基类，可以被分布式文件系统继承，所有可能使用Hadoop文件系统的代码，都要使用这个类
•Hadoop为FileSystem这个抽象类提供了多种具体实现
•DistributedFileSystem就是FileSystem在HDFS文件系统中的具体实现
•FileSystem的open()方法返回的是一个输入流FSDataInputStream对象，在HDFS文件系统中，具体的输入流就是DFSInputStream； FileSystem中的create()方法返回的是一个输出流FSDataOutputStream对象，在HDFS文件系统中，具体的输出流就是DFSOutputStream
读数据过程如下图
写数据过程如下图
3.7 HDFS编程实践
启动hadoop命令
cd /usr/local/hadoop
./bin/hdft namenode -format #格式化hdfs文件系统
./sbin/start-dfs.sh
浏览器访问HDFS文件系统http://[NameNodeIP]:50070
分布式数据库HBase
4.1概述
一个高可靠、高性能、面向列、可伸缩的分布式数据库，是谷歌BigTable的
开源实现，主要用来存储非结构化和半结构化的松散数据。
什么需要HBase?
Hadoop无法满足大规模数据实时处理应用的需求
HDFS面向批量访问模式，不是随机访问模式
传统的通用关系型数据库无法应对在数据规模剧增时导致的系统扩展性和性能问题
HBase与传统的关系数据库的区别:
1.数据类型：关系数据库采用关系模型，具有丰富的数据类型和存储方式。HBase采用更加简单的数据模型，把数据存储为字符串
2.数据操作：HBase操作不存在复杂的表和表之间的关系。只有简单的插入，查询，删除，清空等
3.存储模式：关系数据库基于行模式存储。HBase基于列存储，每个列族由几个文件保存
4.数据索引：关系数据库可构建复杂的多个索引提高数据访问性能。HBase只有一个索引-行健，不会降低系统查找速度
5.数据维护：更新后保留旧版本
6.可伸缩性：可轻易通过再及群众增加或者减少硬件数量来实现性能伸缩性
4.2 HBase访问接口
4.3 HBase数据模型
4.3.1 数据模型概述
HBase是一个稀疏、多维度、排序的映射表，这张表的索引是行键、列族、列限
定符和时间戳
4.3.2 数据模型相关概念
• 表：由列、行组成，列划分为若干个列族
• 行：每个HBase表都由若干行组成，每个行
由行键（row key）来标识。
• 列族：一个HBase表被分组成许多“列族”
（Column Family）的集合，它是基本的访
问控制单元
• 列限定符：列族里的数据通过列限定符（或
列）来定位
• 单元格：在HBase表中，通过行、列族和列
限定符确定一个“单元格”（cell），单元
格中存储的数据没有数据类型，总被视为字
节数组byte[]
• 时间戳：每个单元格都保存着同一份数据的
多个版本，这些版本采用时间戳进行索引
4.3.3 数据坐标
四维坐标，行键、列族、列限定符和时间戳来确定一个单元格
4.3.4 概念视图
4.3.5 物理视图
4.3.6 面向列的存储
4.4 HBase的实现原理
4.4.1 HBase功能组件
库函数(链接到每个客户端）,一个主master服务器,许多从region服务器
• 主服务器Master负责管理和维护HBase表的分区信息，维护Region服务器列表，分
配Region，负载均衡
• Region服务器负责存储和维护分配给自己的Region，处理来自客户端的读写请求
• 客户端并不是直接从Master主服务器上读取数据，而是在获得Region的存储位置信
息后，直接从Region服务器上读取数据
• 客户端并不依赖Master，而是通过Zookeeper来获得Region位置信息，大多数客户
端甚至从来不和Master通信，这种设计方式使得Master负载很小
4.4.2 表和Region
- 每个Region默认大小是100MB到200MB
•每个Region的最佳大小取决于单台服务器的有效处理能力
•目前每个Region最佳大小建议1GB-2GB - 同一个Region不会被分拆到多个Region服务器
- 每个Region服务器存储10-1000个Region
4.4.3 Region的定位
•元数据表，又名.META.表，存储了Region和Region服务器的映射关系
•当HBase表很大时， .META.表也会被分裂成多个Region
•根数据表，又名-ROOT-表，记录所有元数据的具体位置
•-ROOT-表只有唯一一个Region，名字是在程序中被写死的
•Zookeeper文件记录了-ROOT-表的位置
•为了加快访问速度， .META.表的全部Region都会被保存在内存中
•假设.META.表的每行（一个映射条目）在内存中大约占用1KB，并且每个Region限制为128MB，那么，上面的三层结构可以保存的用户数据表的Region数目的计算方法是：
•（-ROOT-表能够寻址的.META.表的Region个数）×（每个.META.表的 Region可以寻址的用户数据表的Region个数）
•一个-ROOT-表最多只能有一个Region，也就是最多只能有128MB，按照每行（一个映射条目）占用1KB内存计算， 128MB空间可以容纳128MB/1KB=217行，也就是说，一个-ROOT-表可以寻址217个.META.表的Region。
•同理，每个.META.表的 Region可以寻址的用户数据表的Region个数是128MB/1KB=217。
•最终，三层结构可以保存的Region数目是(128MB/1KB) × (128MB/1KB) = 234个Region
客户端访问数据时的“三级寻址”
•为了加速寻址，客户端会缓存位置信息，同时，需要解决缓存失效问题
•寻址过程客户端只需要询问Zookeeper服务器，不需要连接Master服务器
4.5 HBase运行机制
• 4.5.1 HBase系统架构
- 客户端
– 客户端包含访问HBase的接口，同时在缓存中维护着已经访问过的Region位置
信息，用来加快后续数据访问过程 - Zookeeper服务器
– Zookeeper可以帮助选举出一个Master作为集群的总管，并保证在任何时刻总
有唯一一个Master在运行，这就避免了Master的“单点失效”问题
（Zookeeper是一个很好的集群管理工具，被大量用于分布式计算，
提供配置维护、域名服务、分布式同步、组服务等。） - Master
• 主服务器Master主要负责表和Region的管理工作：
– 管理用户对表的增加、删除、修改、查询等操作
– 实现不同Region服务器之间的负载均衡
– 在Region分裂或合并后，负责重新调整Region的分布
– 对发生故障失效的Region服务器上的Region进行迁移 - Region服务器
– Region服务器是HBase中最核心的模块，负责维护分配给自己的Region，并
响应用户的读写请求
• 4.5.2 Region服务器工作原理
1.用户读取数据过程
•用户写入数据时，被分配到相应Region服务器去执行
•用户数据首先被写入到MemStore和Hlog中
•只有当操作写入Hlog之后， commit()调用才会将其返回给客户端
•当用户读取数据时， Region服务器会首先访问MemStore缓存，如果
找不到，再去磁盘上面的StoreFile中寻找
2.缓存的刷新
•系统会周期性地把MemStore缓存里的内容刷写到磁盘的StoreFile文
件中，清空缓存，并在Hlog里面写入一个标记
•每次刷写都生成一个新的StoreFile文件，因此，每个Store包含多个
StoreFile文件
•每个Region服务器都有一个自己的HLog 文件，每次启动都检查该文
件，确认最近一次执行缓存刷新操作之后是否发生新的写入操作；如
果发现更新，则先写入MemStore，再刷写到StoreFile，最后删除旧
的Hlog文件，开始为用户提供服务
3.storeFile合并
•每次刷写都生成一个新的StoreFile，数量太多，影响查找速度
•调用Store.compact()把多个合并成一个
合并操作比较耗费资源，只有数量达到一个阈值才启动合并
• 4.5.3 Store工作原理
•Store是Region服务器的核心
•多个StoreFile合并成一个
•单个StoreFile过大时，又触发分裂操作， 1个父Region被分裂成两个子
Region
• 4.5.4 HLog工作原理
• 分布式环境必须要考虑系统出错。 HBase采用HLog保证系统恢复
• HBase系统为每个Region服务器配置了一个HLog文件，它是一种预
写式日志（Write Ahead Log）
• 用户更新数据必须首先写入日志后，才能写入MemStore缓存，并且
，直到MemStore缓存内容对应的日志已经写入磁盘，该缓存内容才
能被刷写到磁盘
• Zookeeper会实时监测每个Region服务器的状态，当某个Region服
务器发生故障时， Zookeeper会通知Master
• Master首先会处理该故障Region服务器上面遗留的HLog文件，这个
遗留的HLog文件中包含了来自多个Region对象的日志记录
• 系统会根据每条日志记录所属的Region对象对HLog数据进行拆分，
分别放到相应Region对象的目录下，然后，再将失效的Region重新
分配到可用的Region服务器中，并把与该Region对象相关的HLog日
志记录也发送给相应的Region服务器
• Region服务器领取到分配给自己的Region对象以及与之相关的HLog
日志记录以后，会重新做一遍日志记录中的各种操作，把日志记录中
的数据写入到MemStore缓存中，然后，刷新到磁盘的StoreFile文件
中，完成数据恢复
• 共用日志优点：提高对表的写操作性能；缺点：恢复时需要分拆日志
4.6 HBase应用方案
•4.6.1 HBase实际应用中的性能优化方法
行键：行健按照字典序存储，将进场一起读取的数据存储一块
inmemory 将表放在regon服务器的缓存汇总，保证读取时候被cache命中
max version 值保留最新版本数据
timeToLive 删除过期数据
•4.6.2 HBase性能监视
•Master-status(自带)
HBase Master默认基于Web的UI服务端口为60010， HBase region服务器默
认基于Web的UI服务端口为60030
•Ganglia
•OpenTSDB
•Ambari
•4.6.3 在HBase之上构建SQL引擎
为什么在HBASE少年宫提供SQL接口？
易使用 减少编码
方案：
1.Hive整合HBase
整合功能从Hive0.6.0版本已经开始出现，利用两者对外的API接口互相通信，通信主要依靠hive_hbase-handler.jar工具包
2.Phoenix
Phoenix由Salesforce.com开源，是构建在Apache HBase之上的个SQL中间层，可以让开发者在HBase上执行SQL查询。
4.6构建HBase二级索引
访问HBase表中的行，只有三种方式：
•通过单个行健访问
•通过一个行健的区间来访问
•全表扫描
使用其他产品为HBase行健提供索引功能：
•Hindex二级索引
•HBase+Redis
HBase+solr
4.7 HBase编程实践
4.7.1 HBase的安装与配置
安装+配置
单机模式、伪分布式模式、分布式模式
启动关闭Hadoop和HBase的顺序一定是：
启动Hadoop—>启动HBase—>关闭HBase—>关闭Hadoop
cd /usr/local/hadoop
./sbin/start-all.sh
jps命令查看是否启动成功
启动hbase
cd /usr/local/hbase
./bin/start-hbase.sh //启动HBase
./bin/hbase shell //启动hbase shell
4.7.1 HBase常用Shell命令
list：列出HBase中所有的表信息
put：向表、行、列指定的单元格添加数据一次只能为一个表的一行数据的一个列添加一个数据
scan：浏览表的相关信息
get：通过表名、行、列、时间戳、时间范围和版本号来获得相应单元格的值
•enable/disable：使表有效或无效
•drop：删除表
4.7.3 HBase常用Java API及应用实例
…