大数据之Hbase（心得）

1. 什么是HBase
   （1）HBase的原型是Google的BigTable论文，受到了该论文思想的启发，目前作为Hadoop的子项目来开发维护，用于支持结构化的数据存储。
   （2）HBase是一个高可靠性、高性能、面向列、可伸缩（可扩展）的分布式存储系统，利用HBASE技术可在廉价PC Server上搭建起大规模结构化存储集群。
   （3）HBase的目标是存储并处理大型的数据，更具体来说是仅需使用普通的硬件配置，就能够处理由成千上万的行和列所组成的大型数据。

2. Hbase的特点：
   HBase特点
   1）海量存储
   HBase适合存储PB级别的海量数据，在PB级别的数据以及采用廉价PC存储的情况下，能在几十到百毫秒内返回数据。这与HBase的极易扩展性息息相关。正式因为HBase良好的扩展性，才为海量数据的存储提供了便利。
   2）列式存储
   这里的列式存储其实说的是列族存储，HBase是根据列族来存储数据的。列族下面可以有非常多的列，列族在创建表的时候就必须指定。
   3）极易扩展
   HBase的扩展性主要体现在两个方面，一个是基于上层处理能力（RegionServer）的扩展，一个是基于存储的扩展（HDFS）。
   通过横向添加RegionSever的机器，进行水平扩展，提升HBase上层的处理能力，提升Hbsae服务更多Region的能力。
   备注：RegionServer的作用是管理region、承接业务的访问，这个后面会详细的介绍通过横向添加Datanode的机器，进行存储层扩容，提升HBase的数据存储能力和提升后端存储的读写能力。
   4）高并发
   由于目前大部分使用HBase的架构，都是采用的廉价PC，因此单个IO的延迟其实并不小，一般在几十到上百ms之间。这里说的高并发，主要是在并发的情况下，HBase的单个IO延迟下降并不多。能获得高并发、低延迟的服务。
   5）稀疏
   稀疏主要是针对HBase列的灵活性，在列族中，你可以指定任意多的列，在列数据为空的情况下，是不会占用存储空间的。

3. HBase架构
   
   从图中可以看出HBase是由Client、Zookeeper、Master、HRegionServer(存数据的)、HDFS等几个组件组成，下面来介绍一下几个组件的相关功能：
   （官方推荐：不建议用多个列族）
   1）Client
   Client包含了访问HBase的接口，另外Client还维护了对应的cache来加速Hbase的访问，比如cache的.META.元数据的信息。
   2）Zookeeper
   HBase通过Zookeeper来做Master的高可用、RegionServer的监控、元数据的入口以及集群配置的维护等工作。具体工作如下：
   （1）通过Zoopkeeper来保证集群中只有1个Master在运行，如果Master异常，会通过竞争机制产生新的Master提供服务
   （2）通过Zoopkeeper来监控RegionServer的状态，当RegionSevrer有异常的时候，通过回调的形式通知Master RegionServer上下线的信息
   （3）通过Zoopkeeper存储元数据的统一入口地址
   3）Hmaster
   Master节点的主要职责如下：
   （1）为RegionServer分配Region；
   （2）维护整个集群的负载均衡；
   （3）维护集群的元数据信息；
   （4）发现失效的Region，并将失效的Region分配到正常的RegionServer上；
   （5）当RegionSever失效的时候，协调对应Hlog的拆分；
   4）HregionServer
   HregionServer直接对接用户的读写请求，是真正的“干活”的节点。它的功能概括如下：
   （1）管理master为其分配的Region；
   （2）处理来自客户端的读写请求；
   （3）负责和底层HDFS的交互，存储数据到HDFS；
   （4）负责Region变大以后的拆分；
   （5）负责Storefile的合并工作；
   5）HDFS
   HDFS为HBase提供最终的底层数据存储服务，同时为HBase提供高可用（Hlog存储在HDFS）的支持，具体功能概括如下：
   （1）提供元数据和表数据的底层分布式存储服务
   （2）数据多副本，保证的高可靠和高可用性

4. Hbase的其他组件
   其他组件
   1）Write-Ahead logs
   HBase的修改记录，当对HBase读写数据的时候，数据不是直接写进磁盘，它会在内存中保留一段时间（时间以及数据量阈值可以设定）。但把数据保存在内存中可能有更高的概率引起数据丢失，为了解决这个问题，数据会先写在一个叫做Write-Ahead logfile的文件中，然后再写入内存中。所以在系统出现故障的时候，数据可以通过这个日志文件重建。
   2）Region
   Hbase表的分片，HBase表会根据RowKey值被切分成不同的region存储在RegionServer中，在一个RegionServer中可以有多个不同的region。
   3）Store
   HFile存储在Store中，一个Store对应HBase表中的一个列族。
   4）MemStore
   顾名思义，就是内存存储，位于内存中，用来保存当前的数据操作，所以当数据保存在WAL中之后，RegsionServer会在内存中存储键值对。
   5）StoreFile
   这是在磁盘上保存原始数据的实际的物理文件，是实际的存储文件。StoreFile是以Hfile的形式存储在HDFS的。Hfile是一种文件格式，例如txt、orc、parquet等

5. Hbase端口号：http://hadoop102:16010

6. HBase Shell操作：
   (hbase)$ bin/hbase/shell

查看帮助命令
hbase(main):001:0> help
3）查看当前数据库中有哪些表
hbase(main):002:0> list
3.2 表的操作
1）创建表
hbase(main):002:0> create ‘student’,‘info’
2）插入数据到表
hbase(main):003:0> put ‘student’,‘1001’,‘info:sex’,‘male’
hbase(main):004:0> put ‘student’,‘1001’,‘info:age’,‘18’
hbase(main):005:0> put ‘student’,‘1002’,‘info:name’,‘Janna’
hbase(main):006:0> put ‘student’,‘1002’,‘info:sex’,‘female’
hbase(main):007:0> put ‘student’,‘1002’,‘info:age’,‘20’
3）扫描查看表数据
hbase(main):008:0> scan ‘student’
hbase(main):009:0> scan ‘student’,{STARTROW => ‘1001’, STOPROW => ‘1001’}
hbase(main):010:0> scan ‘student’,{STARTROW => ‘1001’}
4）查看表结构
hbase(main):011:0> describe ‘student’
5）更新指定字段的数据
hbase(main):012:0> put ‘student’,‘1001’,‘info:name’,‘Nick’
hbase(main):013:0> put ‘student’,‘1001’,‘info:age’,‘100’
6）查看“指定行”或“指定列族:列”的数据
hbase(main):014:0> get ‘student’,‘1001’
hbase(main):015:0> get ‘student’,‘1001’,‘info:name’
7）统计表数据行数
hbase(main):021:0> count ‘student’
8）删除数据
删除某rowkey的全部数据：
hbase(main):016:0> deleteall ‘student’,‘1001’
删除某rowkey的某一列数据：
hbase(main):017:0> delete ‘student’,‘1002’,‘info:sex’
9）清空表数据
hbase(main):018:0> truncate ‘student’
提示：清空表的操作顺序为先disable，然后再truncate。
10）删除表
首先需要先让该表为disable状态：
hbase(main):019:0> disable ‘student’
然后才能drop这个表：
hbase(main):020:0> drop ‘student’
提示：如果直接drop表，会报错：ERROR: Table student is enabled. Disable it first.
11）变更表信息
将info列族中的数据存放3个版本：
hbase(main):022:0> alter ‘student’,{NAME=>‘info’,VERSIONS=>3}
hbase(main):022:0> get ‘student’,‘1001’,{COLUMN=>‘info:name’,VERSIONS=>3}

7. HBase数据结构
   4.1 RowKey（重点）
   与nosql数据库们一样,RowKey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
   2）通过RowKey的range（正则）
   3）全表扫描
   RowKey行键 (RowKey)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，RowKey保存为字节数组。存储时，数据按照RowKey的字典序(byte order)排序存储。设计RowKey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)
   4.2 Column Family
   列族：HBASE表中的每个列，都归属于某个列族。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。
   4.3 Cell（单元格）
   由{rowkey, column Family:column, version} 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。
   关键字：无类型、字节码。
   4.4 Time Stamp
   HBASE 中通过rowkey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。
   4.5 命名空间
   命名空间的结构:

1. Table：表，所有的表都是命名空间的成员，即表必属于某个命名空间，如果没有指定，则在default默认的命名空间中。
2. RegionServer group：一个命名空间包含了默认的RegionServer Group。
3. Permission：权限，命名空间能够让我们来定义访问控制列表ACL（Access Control List）。例如，创建表，读取表，删除，更新等等操作。
4. Quota：限额，可以强制一个命名空间可包含的region的数量。