hadoop -- Hbase

HBase是一个分布式、可扩展、面向列的数据存储（百万级别列）、可伸缩、高可靠性、实时读写的NoSQL 数据库。

HBase利用 Hadoop的 HDFS作为其文件存储系统， 利用MapReduce 来处理HBase中的海量数据， 利用Zookeeper作为分布式协同服务。

HBase 基本的操作命令： 

# 进入HBase 客户端
[zsm@hadoop102 hbase-1.3.1]$ bin/hbase shell

# 查看所有的表
hbase(main):002:0> list
TABLE                                                                                                                                                                                                                       
stu                                                                                                                                                                                                                    
stu2                                                                                                                                                                                                                   
stu3                                                                                                                                                                                                                   
stu4 

创建表： 

create 'tableName', 'cf1', 'cf2'

创建一个包含cf1、cf2 两个列族的表

插入数据： 

put 'tableName', 'row1', 'cf1:column1', 'value1'

在表的【row1】 行，【cf1】 列族下的 【column1】 列 中插入值 【value1】

更新数据：

put 'tableName', 'row1', 'cf1:column1', 'value2'

将表的【row1】 行，【cf1】 列族下的 【column1】 列值修改为【value2】

查看数据： 

# 查看指定行
get 'tableName', 'row1'

# 查看指定行的指定列族的指定列
get 'tableName', 'row1', 'cf1:column1'

全表扫描数据： 

# 全表扫描
scan 'tableName'

# 分段扫描 ,从row1行开始 【， 到row2行结束】
scan 'tableName', {STARTROW => 'row1' [, STOPROW => 'row2']}

条件过滤： 

# 单列值过滤器（SingleColumnValueFilter）
scan 'mytable', {FILTER => "SingleColumnValueFilter('cf1', 'column1', '=', 'value1')"}

# 组合过滤
scan 'mytable', {FILTER => "FilterList(AND, SingleColumnValueFilter('cf1', 'column1', '=', 'value1'), SingleColumnValueFilter('cf2', 'column2', '>=', '100'))"}

# 页码过滤
scan 'mytable', {FILTER => "PageFilter(10)"}

# 行键范围过滤器（RowFilter）
scan 'mytable', {FILTER => "RowFilter(>=, 'binary:row1')"}

删除表、数据

# 删除表
disable 'tableName'
drop 'tableName'

# 清空表
truncate 'tableName'

# 删除某一行
delete 'tableName', 'row1'

# 删除某一列
delete 'tableName', 'row1', 'cf1:column1'

HBase 数据模型

HBase 的数据模型同关系型数据库很类似，数据存储在一张表中，有行有列。但从HBase 的底层物理存储结构（K-V）来看，HBase 更像是一个multi-dimensional map（多维度 K-V）。它是一个面向列的数据存储, 可容纳百万级别列。

HBase物理存储结构：

HBase的数据模型的主要组成部分：

1. 表(Table)：HBase中的数据存储在表中，每个表有一个唯一的名称。表由行和列组成，以键值对的形式存储数据。

2. 行(Row)：在HBase中，每一行由一个唯一的行键标识。行键是一个可变长的字节数组，以字典序排序。行键是HBase中数据访问和查询的主要方式。

3. 列族(Column Family)：表中的列按照列族进行组织，列族定义了一组具有相似属性的列。每个列族都有一个唯一的名字。不同列族的列在物理存储上是分开存储的，这样可以为不同列族的数据设置不同的存储和压缩策略。

4. 列限定符(Column Qualifier)：列限定符用于标识列族中的每个列，它是在列族内唯一的。例如，如果列族是"user"，那么列限定符可以是"age"、"name"等。

5. 单元格(Cell)：一个单元格由行键、列族、列限定符和时间戳组成。一个表中的数据由多个单元格组成。

6. 版本号(Version)：HBase支持存储多个版本的数据。每个单元格可以存储多个版本的值，每个版本都有一个对应的时间戳。通过版本号可以实现数据的历史查询和版本控制。

7. 命名空间(Namespace)：命名空间是对表的逻辑分组，相当于一个命名空间的容器。它提供了一种逻辑隔离和管理表的方式。

HBase架构原理：

• client： 包含访问HBase的接口并维护cache来加快对HBase的访问
• zookeeper： 
  • 保证任何时候，集群中只有一个活跃的master
  • 存储所有的region的寻址入口
  • 实时监控Region server 的上线和下线信息，并实时通知Master
  • 存储HBase的schema和table的元数据 
• Master
  • 为RegionServer 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的增删改操作
• RegionServer
  • 存储HBase的实际数据
  • 刷新缓存到HDFS
  • 维护region， 处理对这些region的IO请求
  • 切分在运行过程中变化过大的region
• Region： HBase分布式存储和负载均衡的最小单元，包含一个或多个store，每个store保存一个columns family。
• Store: 包括位于内存中的memstore和位于磁盘的storefile。客户端检索数据，先在memstore找，找不到再找storefile 。
  • MemStore：放在内存里的，保存修改的数据即keyValues。当MemStore的大小达到一个阀值（默认64MB）时，MemStore会被Flush到文件。
  • StoreFile：MemStore内存中的数据写到文件后就是StoreFile，StoreFile底层是以HFile的格式保存。
    • 当storefile文件的数量增长到一定阈值后，系统会进行合并（minor、major compaction），在合并过程中会进行版本合并和删除工作（majar），形成更大的storefile
    • 当一个region所有的storefile的大小和超过一定阈值后，会把当前的region分割为两个，并有hmaster分配到相应的regionserver服务器，实现负载均衡
  • HFile：HBase中KeyValue数据的存储格式，是Hadoop的二进制格式文件。
• HLog：WAL log --- WAL意为write ahead log， 用来做灾难恢复使用，HLog记录数据的所有变更，一旦region server 宕机，就可以从log中进行恢复。