了解Hbase的工作原理

Posted 2022-09-05 jstarseven

前言

　　HBase是一个分布式的、面向列的开源数据库，该技术来源于 Fay Chang 所撰写的Google论文“Bigtable：一个结构化数据的分布式存储系统”。就像Bigtable利用了Google文件系统（File System）所提供的分布式数据存储一样，HBase在Hadoop之上提供了类似于Bigtable的能力。HBase是Apache的Hadoop项目的子项目。HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。另一个不同的是HBase基于列的而不是基于行的模式。

一、Hadoop生太圈

　　通过Hadoop生态圈，可以看到HBase的身影，可见HBase在Hadoop的生态圈是扮演这一个重要的角色那就是  实时、分布式、高维数据 的数据存储；

二、HBase简介

　　– HBase – Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩、 实时读写的分布式数据库 

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

　　– 主要用来存储非结构化和半结构化的松散数据（列存NoSQL数据库）

三、HBase数据模型

　　以关系型数据的思维下会感觉，上面的表格是一个5列4行的数据表格，但是在HBase中这种理解是错误的，其实在HBase中上面的表格只是一行数据；

　　Row Key:

　　　　– 决定一行数据的唯一标识

　　　　– RowKey是按照字典顺序排序的。

　　　　– Row key最多只能存储64k的字节数据。

　　Column Family列族（CF1、CF2、CF3） & qualifier列：

　　　　– HBase表中的每个列都归属于某个列族，列族必须作为表模式(schema) 定义的一部分预先给出。如create ‘test’, ‘course’；

　　　　– 列名以列族作为前缀，每个“列族”都可以有多个列成员(column，每个列族中可以存放几千~上千万个列)；如 CF1:q1, CF2:qw,

　　　　   新的列族成员（列）可以随后按需、动态加入，Family下面可以有多个Qualifier，所以可以简单的理解为，HBase中的列是二级列，

　　　　　也就是说Family是第一级列，Qualifier是第二级列。两个是父子关系。

　　　　– 权限控制、存储以及调优都是在列族层面进行的；

　　　　– HBase把同一列族里面的数据存储在同一目录下，由几个文件保存。

　　　　– 目前为止HBase的列族能能够很好处理最多不超过3个列族。

　　Timestamp时间戳：

　　　　– 在HBase每个cell存储单元对同一份数据有多个版本，根据唯一的时间 戳来区分每个版本之间的差异，不同版本的数据按照时间倒序排序，

　　　　　最新的数据版本排在最前面。

　　　　– 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。

　　Cell单元格：

　　　　– 由行和列的坐标交叉决定；

　　　　– 单元格是有版本的（由时间戳来作为版本）；

　　　　– 单元格的内容是未解析的字节数组（Byte[]），cell中的数据是没有类型的，全部是字节码形式存贮。

　　　　　• 由row key，column(=<family> +<qualifier>)，version唯一确定的单元。

　

四、HBase体系架构

　　

　　　　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master

　　　　　• 存贮所有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元数据

　　　　Master

　　　　　• 为Region server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

　　　　　• Region server维护region，处理对这些region的IO请求

　　　　　• Region server负责切分在运行过程中变得过大的region　

 

　　　  HLog(WAL log)：

　　　　　　– HLog文件就是一个普通的Hadoop Sequence File，Sequence File 的Key是 HLogKey对象，HLogKey中记录了写入数据的归属信息，

　　　　   　　除了table和 region名字外，同时还包括sequence number和timestamp，timestamp是” 写入时间”，sequence number的起始值为0，

　　　　　　　或者是最近一次存入文件系 统中sequence number。

　　　　　　– HLog SequeceFile的Value是HBase的KeyValue对象，即对应HFile中的 KeyValue

　　　　Region

　　　　　　– HBase自动把表水平划分成多个区域(region)，每个region会保存一个表 里面某段连续的数据；每个表一开始只有一个region，随着数据不断插 入表，

　　　　　　　region不断增大，当增大到一个阀值的时候，region就会等分会 两个新的region（裂变）；

　　　　　　– 当table中的行不断增多，就会有越来越多的region。这样一张完整的表 被保存在多个Regionserver上。

　　　　Memstore 与 storefile

　　　　　　– 一个region由多个store组成，一个store对应一个CF（列族）

　　　　　　– store包括位于内存中的memstore和位于磁盘的storefile写操作先写入 memstore，当memstore中的数据达到某个阈值，

　　　　　　　hregionserver会启动 flashcache进程写入storefile，每次写入形成单独的一个storefile

　　　　　　– 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storefile的大小和超过一定阈值后，会把当前的region 分割为两个，并由hmaster分配到相应的regionserver服务器，实现负载均衡。

　　　　　　– 客户端检索数据，先在memstore找，找不到再找storefile

　　　　　　– HRegion是HBase中分布式存储和负载均衡的最小单元。最小单元就表 示不同的HRegion可以分布在不同的HRegion server上。

　　　　　　– HRegion由一个或者多个Store组成，每个store保存一个columns family。

　　　　　　– 每个Strore又由一个memStore和0至多个StoreFile组成。

　　　　　　　如图：StoreFile 以HFile格式保存在HDFS上。

　　　　

　　           

  

加七哥微信：kinyseven，来扯犊子啊

动动手，关注一下，扎心了

大道七哥