HBase

Posted @想太多先森

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了HBase相关的知识,希望对你有一定的参考价值。

HBase概述

1.HBase是一个构建在HDFS上的分布式列存储系统

2.HBase是Apache Hadoop生态系统中的重要一员,主要用于海量结构化数据存储

3.从逻辑上讲,HBase讲数据按照表、行和列进行存储

 

HBase是Hadoop生态系统的一个组成部分

Hbase与HDFS对比

两者都具有良好的容错性和扩展性,都可以扩展到成百上千个节点;

HDFS适合批处理场景

  不支持数据随机查找

  不适合增量数据处理

  不支持数据更新

 Hbase表的特点

  大:一个表可以有数十亿行,上百万列;

  无模式:每行对都有一个可排序的主键和任意多的列,列可以根据需要动态的增加,同一张表中不同的行可以有截然不同的列;

  面向列:面向列(族)的存储和权限控制,列(族)独立检索

  稀疏:对于空(null)的列,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,默认情况下版本号自动分配,是单元插入时的时间戳;

  数据类型单一:Hbase中的数据都是字符串,没有类型

 

行存储与列存储

  数据是按行存储的

  没有索引的查询实用大量I/O

  建立索引和物化视图需要花费大量时间和资源

  面向查询的需求,数据库必须被大量膨胀才能满足性能要求

 

 

  数据是按列存储-每一列单独存放

  数据即是索引

  指访问查询涉及的列-大量降低系统I/O

  每一列由一个线索来处理-查询的并发处理

  数据类型一致,数据特征相似-高效压缩

 

 

 Hbase数据模型

  HBase是基于Google Big Table模型开发的,典型的key/value系统;

 Hbase逻辑视图

 Rowkey与Column Family

 

 Hbase基本概念

  Row Key

    Byte array

    表中每条记录的 “主键"

    方便快速查找

  Column Family

    拥有一个名称(string)

    包含一个或者多个相关列

  Column

    属于某一个column family

    包含在某一列中 Column Family

  Version Number

    每个rowkey唯一

    默认值->系统时间戳

    类型为Long

  Value(Cell)

    Byte array

Hbase数据模型

 

 

  HBase schema可以有多个Table

  每个表可由多个Column Family组成

  HBase可以有Dynamic Column

    列名称是编码在cell中的

    不同的cell可以拥有不同的列

  version number 可由用户提供

    无需以递增的顺序插入

    每一行的rowkey必须是唯一的

  Table可能非常稀疏

    很多cell可以是空的

  Row Key是主键

Hbase支持的操作

  所有操作均是基于rowkey的;

  支持CRUD(Create、Read、Update和Delete)和Scan;

  单行操作

    Put

    Get

    Scan

  多行操作

    Scan

    MultiPut

  没有内置join操作,可使用MapReduce解决

Hbase物理模型

  每个column family存储在HDFS上的一个单独文件中;

  Key和Version number在每个column family中均有一份;

  HBase 为每个值维护了多级索引,即:key,column family,column name,timestamp

  空值不会被保存。

物理存储

  Table中的所有行都按照row key的字典序排列

  Table在行的方向上分割为多个Region;

  Region按大小分割的,每个表开始只有一个region,随着数据增多,region不断增大,当增大到一个阀值的时候,region就会等分成两个新的region,之后会有越来越多的region;

  Table在行的方向上分割为多个Region;

  Region是HBase中分布式存储和负载均衡的最小单元。

  不同Region分布到不同RegionServer上;Table在行的方向上分割为多个Region;

  Region虽然是分布式存储的最小单元,但并不是存储的最小单元。

  Region由一个或者多个Store组成,每个store保存一个columns family;

  每个Store又由一个memStore和0至多个StoreFile组成;

  memStore存储在内存中,StoreFile存储在HDFS上;

  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。并实时通知给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的增删改查操作

Zookeeper作用

  HBase依赖Zookeeper

  默认情况下,HBase管理ZooKeeper实例

  Master与RegionServers启动时会向Zookeeper注册

  Zookeeper的引入使得Master不再是单点故障

HBase容错性

  Master容错:Zookeeper重新选择一个新的Master

    无Master过程中,数据读取仍照常进行

    无Master过程中,region切分、负载均衡等无法进行

  RegionServer容错:定时向Zookeeper汇报心跳,如果一段时间内为出现心跳

    Master将该RegionServer上的Region重新分配到其他RegionServer上

    失效服务器上"预写"日志由住服务器进行分割并派送给新的RegionServer

  Zookeeper容错:Zookeeper是一个可靠地服务

    一般配置3或5个Zookeeper实例

Region定位

  第一次读取:

    步骤1:读取ZooKeeper中ROOT表的位置

    步骤2:读取ROOT表中.META表的位置

    步骤3:读取.META表中用户表的位置

    步骤4:读取数据

如果已经读取过一次,则root和.META都会缓存到本地则直接去用户表的位置读取数据

ROOT表与.META表

  ROOT表

    ROOT表包含.META表所在的region列表,该表只会有一个Region;

    Zookeeper中记录了ROOT表的location

  .META表

  .META表包含所有的用户空间region列表,以及REgionServer的服务器地址

何时使用HBase

  需数据进行随机读操作或者随机写操作

  大数据上高并发操作,比如每秒对PB级数据进行上千次操作

  读写访问均是非常简单的操作

Hbase在淘宝的应用

  交易历史记录查询系统

    百亿行数据表,千亿级二级索引表

    每天千万行更新

    查询场景简单,检索条件少

    关系型数据库所带来的问题

    基于userId+time+id的rowkey设计

    成本考虑

 

以上是关于HBase的主要内容,如果未能解决你的问题,请参考以下文章

HBaseHBase集群Shell操作

Hbasehbase和phoenix的整合

HbaseHbase 一些面试题

HBaseHBase的RK设计避免热点

hbasehbase配置独立的zookeeper的安装与测试

大数据技术之HBaseHBase简介HBase快速入门HBase进阶