大数据技术13：HBase分布式列式数据库
前言：2007年Powerset的工作人员，通过google的论文开发出了BigTable的java版本，即HBASE。2008年HBASE贡献给了Apache。HBase 需要依赖 JDK 环境。
一、Hadoop的局限
要想明白为什么产生 HBase，就需要先了解一下 Hadoop 存在的限制？Hadoop 可以通过 HDFS 来存储结构化、半结构甚至非结构化的数据，它是传统数据库的补充，是海量数据存储的最佳方法，它针对 大文件的存储，批量访问和流式访问都做了优化，同时也通过多副本解决了容灾问题。
但是 Hadoop 的缺陷在于它只能执行批处理，并且只能以顺序方式访问数据，这意味着即使是最简单的 工作，也必须搜索整个数据集，无法实现对数据的随机访问。实现数据的随机访问是传统的关系型数据 库所擅长的，但它们却不能用于海量数据的存储。在这种情况下，必须有一种新的方案来解决海量数据存储和随机访问的问题，HBase 就是其中之一 (HBase，Cassandra，couchDB，Dynamo 和 MongoDB 都能存储海量数据并支持随机访问)。
注：数据结构分类：
-
结构化数据：即以关系型数据库表形式管理的数据；
-
半结构化数据：非关系模型的，有基本固定结构模式的数据，例如日志文件、XML 文档、 JSON 文档、Email 等；
-
非结构化数据：没有固定模式的数据，如 WORD、PDF、PPT、EXL，各种格式的图片、视 频等。
二、HBase简介
HBase 是一种类似于 Google’s Big Table 的数据模型，它是 Hadoop 生态系统的一部分，它将数据 储在 HDFS 上，客户端可以通过 HBase 实现对 HDFS 上数据的随机访问。它具有以下特性：
-
不支持复杂的事务，只支持行级事务，即单行数据的读写都是原子性的；
-
由于是采用 HDFS 作为底层存储，所以和 HDFS 一样，支持结构化、半结构化和非结构化的存储；
-
支持通过增加机器进行横向扩展；
-
支持数据分片；
-
支持 RegionServers 之间的自动故障转移；
-
易于使用的 Java 客户端 API；
-
支持 BlockCache 和布隆过滤器；
-
过滤器支持谓词下推。
三、HBase Table
HBase 是一个面向 列 的数据库管理系统，这里更为确切的而说，HBase 是一个面向列族的数据库管 理系统。表 schema 仅定义列族，表具有多个列族，每个列族可以包含任意数量的列，列由多个单元格 （cell ）组成，单元格可以存储多个版本的数据，多个版本数据以时间戳进行区分。
下图为 HBase 中一张表的：
-
RowKey 为行的唯一标识，所有行按照 RowKey 的字典序进行排序；
-
该表具有两个列族，分别是 personal 和 office;
-
其中列族 personal 拥有 name、city、phone 三个列，列族 office 拥有 tel、addres 两个列。
Hbase 的表具有以下特点：
-
容量大：一个表可以有数十亿行，上百万列；
-
面向列：数据是按照列存储，每一列都单独存放，数据即索引，在查询时可以只访问指定列的数据，有效地降低了系统的 I/O 负担；
-
稀疏性：空 (null) 列并不占用存储空间，表可以设计的非常稀疏 ；
-
数据多版本：每个单元中的数据可以有多个版本，按照时间戳排序，新的数据在最上面；
-
存储类型：所有数据的底层存储格式都是字节数组 (byte[])。
四、Phoenix
Phoenix 是 HBase 的开源 SQL 中间层，它允许你使用标准 JDBC 的方式来操作 HBase 上的数据。在 Phoenix 之前，如果你要访问 HBase，只能调用它的 Java API，但相比于使用一行 SQL 就能实现数据 查询，HBase 的 API 还是过于复杂。 Phoenix 的理念是 we put sql SQL back in NOSQL ，即你可 以使用标准的 SQL 就能完成对 HBase 上数据的操作。同时这也意味着你可以通过集成 Spring Data JPA 或 Mybatis 等常用的持久层框架来操作 HBase。
其次 Phoenix 的性能表现也非常优异， Phoenix 查询引擎会将 SQL 查询转换为一个或多个 HBase Scan，通过并行执行来生成标准的 JDBC 结果集。它通过直接使用 HBase API 以及协处理器和自定义过 滤器，可以为小型数据查询提供毫秒级的性能，为千万行数据的查询提供秒级的性能。同时 Phoenix 还 拥有二级索引等 HBase 不具备的特性，因为以上的优点，所以 Phoenix 成为了 HBase 最优秀的 SQL 中间层。
五、Hbase表的数据结构
5.1 Row Key (行键)
Row Key 是用来检索记录的主键。想要访问 HBase Table 中的数据，只有以下三种方式：
-
通过指定的 Row Key 进行访问；
-
通过 Row Key 的 range 进行访问，即访问指定范围内的行；
-
进行全表扫描。
Row Key 可以是任意字符串，存储时数据按照 Row Key 的字典序进行排序。这里需要注意以下两点：
-
因为字典序对 Int 排序的结果是 1,10,100,11,12,13,14,15,16,17,18,19,2,20,21, …,9,91,92,93,94,95,96,97,98,99。如果你使用整型的字符串作为行键，那么为了保持整型的自然序，行键必须用 0 作左填充。
-
行的一次读写操作时原子性的 (不论一次读写多少列)。
5.2 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，所以列族需要在创建表时进行定义。列族的所有列都以列族名作为前缀，例如 courses:history ， courses:math 都属于
courses 这个列族。
5.3 Column Qualifier (列限定符)
列限定符，你可以理解为是具体的列名，例如 courses:history ， courses:math 都属于 courses
这个列族，它们的列限定符分别是 history 和 math 。需要注意的是列限定符不是表 Schema 的一部 分，你可以在插入数据的过程中动态创建列。
5.4 Column(列)
HBase 中的列由列族和列限定符组成，它们由 : (冒号) 进行分隔，即一个完整的列名应该表述为 列族名 ：列限定符 。
5.5 Cell
Cell 是行，列族和列限定符的组合，并包含值和时间戳。你可以等价理解为关系型数据库中由指定行 和指定列确定的一个单元格，但不同的是 HBase 中的一个单元格是由多个版本的数据组成的，每个版 本的数据用时间戳进行区分。
1.6 Timestamp(时间戳)
HBase 中通过 row key 和 column 确定的为一个存储单元称为 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，也可以由客户显式指定。每个 Cell 中，不同版本的数据按照时间戳倒序排列，即最新的数据排在最前面。