HBase 一、HBase介紹和工做原理

　　HBase是一個分佈式的、面向列的開源數據庫，該技術來源於 Fay Chang 所撰寫的Google論文「Bigtable：一個結構化數據的分佈式存儲系統」。就像Bigtable利用了Google文件系統（File System）所提供的分佈式數據存儲同樣，HBase在Hadoop之上提供了相似於Bigtable的能力。HBase是Apache的Hadoop項目的子項目。HBase不一樣於通常的關係數據庫，它是一個適合於非結構化數據存儲的數據庫。另外一個不一樣的是HBase基於列的而不是基於行的模式。

一、Hadoop生太圈

　　經過Hadoop生態圈，能夠看到HBase的身影，可見HBase在Hadoop的生態圈是扮演這一個重要的角色那就是  實時、分佈式、高維數據 的數據存儲；

二、HBase簡介 

　　– HBase – Hadoop Database，是一個高可靠性、高性能、面向列、可伸縮、 實時讀寫的分佈式數據庫 

　　– 利用Hadoop HDFS做爲其文件存儲系統,利用Hadoop MapReduce來處理 HBase中的海量數據,利用Zookeeper做爲其分佈式協同服務

　　– 主要用來存儲非結構化和半結構化的鬆散數據（列存NoSQL數據庫）

三、HBase數據模型

　　以關係型數據的思惟下會感受，上面的表格是一個5列4行的數據表格，可是在HBase中這種理解是錯誤的，其實在HBase中上面的表格只是一行數據；

　　Row Key:

　　　　– 決定一行數據的惟一標識

　　　　– RowKey是按照字典順序排序的。

　　　　– Row key最多隻能存儲64k的字節數據。

　　Column Family列族（CF一、CF二、CF3） & qualifier列：

　　　　– HBase表中的每一個列都歸屬於某個列族，列族必須做爲表模式(schema) 定義的一部分預先給出。如create ‘test’, ‘course’；

　　　　– 列名以列族做爲前綴，每一個「列族」均可以有多個列成員(column，每一個列族中能夠存放幾千~上千萬個列)；如 CF1:q1, CF2:qw,

　　　　   新的列族成員（列）能夠隨後按需、動態加入，Family下面能夠有多個Qualifier，因此能夠簡單的理解爲，HBase中的列是二級列，

　　　　　也就是說Family是第一級列，Qualifier是第二級列。兩個是父子關係。

　　　　– 權限控制、存儲以及調優都是在列族層面進行的；

　　　　– HBase把同一列族裏面的數據存儲在同一目錄下，由幾個文件保存。

　　　　– 目前爲止HBase的列族能可以很好處理最多不超過3個列族。

　　Timestamp時間戳：

　　　　– 在HBase每一個cell存儲單元對同一份數據有多個版本，根據惟一的時間 戳來區分每一個版本之間的差別，不一樣版本的數據按照時間倒序排序，

　　　　　最新的數據版本排在最前面。

　　　　– 時間戳的類型是64位整型。

　　　　– 時間戳能夠由HBase(在數據寫入時自動)賦值，此時時間戳是精確到毫 秒的當前系統時間。

　　　　– 時間戳也能夠由客戶顯式賦值，若是應用程序要避免數據版本衝突， 就必須本身生成具備惟一性的時間戳。

　　Cell單元格：

　　　　– 由行和列的座標交叉決定；

　　　　– 單元格是有版本的（由時間戳來做爲版本）；

　　　　– 單元格的內容是未解析的字節數組（Byte[]），cell中的數據是沒有類型的，所有是字節碼形式存貯。

　　　　　• 由{row key，column(=<family> +<qualifier>)，version}惟一肯定的單元。

　

四、HBase體系架構

　　

　　　　Client

　　　　　• 包含訪問HBase的接口並維護cache來加快對HBase的訪問

　　　　Zookeeper

　　　　　• 保證任什麼時候候，集羣中只有一個master

　　　　　• 存貯全部Region的尋址入口。

　　　　　• 實時監控Region server的上線和下線信息。並實時通知Master

　　　　　• 存儲HBase的schema和table元數據

　　　　Master

　　　　　• 爲Region server分配region

　　　　　• 負責Region server的負載均衡

　　　　　• 發現失效的Region server並從新分配其上的region

　　　　　• 管理用戶對table的增刪改操做

　　　　RegionServer

　　　　　• Region server維護region，處理對這些region的IO請求

　　　　　• Region server負責切分在運行過程當中變得過大的region　

 

　　　  HLog(WAL log)：

　　　　　　– HLog文件就是一個普通的Hadoop Sequence File，Sequence File 的Key是 HLogKey對象，HLogKey中記錄了寫入數據的歸屬信息，

　　　　   　　除了table和 region名字外，同時還包括sequence number和timestamp，timestamp是」 寫入時間」，sequence number的起始值爲0，

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

　　　　　　– HLog SequeceFile的Value是HBase的KeyValue對象，即對應HFile中的 KeyValue

　　　　Region

　　　　　　– HBase自動把表水平劃分紅多個區域(region)，每一個region會保存一個表 裏面某段連續的數據；每一個表一開始只有一個region，隨着數據不斷插 入表，

　　　　　　　region不斷增大，當增大到一個閥值的時候，region就會等分會 兩個新的region（裂變）；

　　　　　　– 當table中的行不斷增多，就會有愈來愈多的region。這樣一張完整的表 被保存在多個Regionserver上。

　　　　Memstore 與 storefile

　　　　　　– 一個region由多個store組成，一個store對應一個CF（列族）

　　　　　　– store包括位於內存中的memstore和位於磁盤的storefile寫操做先寫入 memstore，當memstore中的數據達到某個閾值，

　　　　　　　hregionserver會啓動 flashcache進程寫入storefile，每次寫入造成單獨的一個storefile

　　　　　　– 當storefile文件的數量增加到必定閾值後，系統會進行合併（minor、 major compaction），在合併過程當中會進行版本合併和刪除工做 （majar），

　　　　　　　造成更大的storefile。

　　　　　　– 當一個region全部storefile的大小和超過必定閾值後，會把當前的region 分割爲兩個，並由hmaster分配到相應的regionserver服務器，實現負載均衡。

　　　　　　– 客戶端檢索數據，先在memstore找，找不到再找storefile

　　　　　　– HRegion是HBase中分佈式存儲和負載均衡的最小單元。最小單元就表 示不一樣的HRegion能夠分佈在不一樣的HRegion server上。

　　　　　　– HRegion由一個或者多個Store組成，每一個store保存一個columns family。

　　　　　　– 每一個Strore又由一個memStore和0至多個StoreFile組成。

　　　　　　　如圖：StoreFile 以HFile格式保存在HDFS上。