【HBase入门】1. HBase基础

简介

Hadoop

• 从 1970 年开始，大多数的公司数据存储和维护使用的是关系型数据库
• 大数据技术出现后，很多拥有海量数据的公司开始选择像Hadoop的方式来存储海量数据
• Hadoop使用分布式文件系统HDFS来存储海量数据，并使用 MapReduce 来处理。Hadoop擅长于存储各种格式的庞大的数据，任意的格式甚至非结构化的处理

Hadoop的局限

• Hadoop主要是实现批量数据的处理，并且通过顺序方式访问数据
• 要查找数据必须搜索整个数据集， 如果要进行随机读取数据，效率较低

HBase 与 NoSQL

• NoSQL是一个通用术语，泛指一个数据库并不是使用SQL作为主要语言的非关系型数据库
• HBase是BigTable的开源java版本。是建立在HDFS之上，提供高可靠性、高性能、列存储、可伸缩、实时读写NoSQL的数据库系统
• HBase仅能通过主键(row key)和主键的range来检索数据，仅支持单行事务
• 主要用来存储结构化和半结构化的松散数据
• Hbase查询数据功能很简单，不支持join等复杂操作，不支持复杂的事务（行级的事务），从技术上来说，HBase更像是一个「数据存储」而不是「数据库」，因为HBase缺少RDBMS中的许多特性，例如带类型的列、二级索引以及高级查询语言等
• Hbase中支持的数据类型：byte[]
• 与Hadoop一样，Hbase目标主要依靠横向扩展，通过不断增加廉价的商用服务器，来增加存储和处理能力，例如，把集群从10个节点扩展到20个节点，存储能力和处理能力都会加倍
• HBase中的表一般有这样的特点
  • 大：一个表可以有上十亿行，上百万列
  • 面向列:面向列(族)的存储和权限控制，列(族)独立检索
  • 稀疏:对于为空(null)的列，并不占用存储空间，因此，表可以设计的非常稀疏

HBase 应用场景

1. 对象存储
   不少的头条类、新闻类的的新闻、网页、图片存储在HBase之中，一些病毒公司的病毒库也是存储在HBase之中
2. 时序数据
   HBase之上有OpenTSDB模块，可以满足时序类场景的需求
3. 推荐画像
   用户画像，是一个比较大的稀疏矩阵，蚂蚁金服的风控就是构建在HBase之上
4. 时空数据
   主要是轨迹、气象网格之类，滴滴打车的轨迹数据主要存在HBase之中，另外在技术所有大一点的数据量的车联网企业，数据都是存在HBase之中
5. CubeDB OLAP
   Kylin一个cube分析工具，底层的数据就是存储在HBase之中，不少客户自己基于离线计算构建cube存储在hbase之中，满足在线报表查询的需求
6. 消息/订单
   在电信领域、银行领域，不少的订单查询底层的存储，另外不少通信、消息同步的应用构建在HBase之上
7. Feeds流
   典型的应用就是xx朋友圈类似的应用，用户可以随时发布新内容，评论、点赞。
8. NewSQL
   之上有Phoenix的插件，可以满足二级索引、SQL的需求，对接传统数据需要SQL非事务的需求
9. 其他
   存储爬虫数据、海量数据备份、短网址、…

发展历程

年份	重大事件
2006年11月	Google发布BigTable论文.
2007年10月	发布第一个可用的HBase版本，基于Hadoop 0.15.0
2008年1月	HBase称为Hadoop的一个子项目
2010年5月	HBase称为Apache的顶级项目

HBase 特点

• 强一致性读/写：HBASE不是“最终一致的”数据存储，它非常适合于诸如高速计数器聚合等任务
• 自动分块：HBase表通过Region分布在集群上，随着数据的增长，区域被自动拆分和重新分布
• 自动RegionServer故障转移
• Hadoop/HDFS集成：HBase支持HDFS开箱即用作为其分布式文件系统
• MapReduce：HBase通过MapReduce支持大规模并行处理，将HBase用作源和接收器
• Java Client API：HBase支持易于使用的 Java API 进行编程访问
• Thrift/REST API
• 块缓存和布隆过滤器：HBase支持块Cache和Bloom过滤器进行大容量查询优化
• 运行管理：HBase为业务洞察和JMX度量提供内置网页。

RDBMS与HBase的对比

关系型数据库

• 结构

数据库以表的形式存在
支持FAT、NTFS、EXT、文件系统
使用主键（PK）
通过外部中间件可以支持分库分表，但底层还是单机引擎
使用行、列、单元格

• 功能

支持向上扩展（买更好的服务器）
使用SQL查询
面向行，即每一行都是一个连续单元
数据总量依赖于服务器配置
具有ACID支持
适合结构化数据
传统关系型数据库一般都是中心化的
支持事务
支持Join

HBase

• 结构

以表形式存在
支持HDFS文件系统
使用行键（row key）
原生支持分布式存储、计算引擎
使用行、列、列蔟和单元格

• 功能

支持向外扩展
使用API和MapReduce、Spark、Flink来访问HBase表数据
面向列蔟，即每一个列蔟都是一个连续的单元
数据总量不依赖具体某台机器，而取决于机器数量
HBase不支持ACID（Atomicity、Consistency、Isolation、Durability）
适合结构化数据和非结构化数据
一般都是分布式的
HBase不支持事务，支持的是单行数据的事务操作
不支持Join

HDFS对比HBase

HDFS

HDFS是一个非常适合存储大型文件的分布式文件系统
HDFS它不是一个通用的文件系统，也无法在文件中快速查询某个数据

HBase

HBase构建在HDFS之上，并为大型表提供快速记录查找(和更新)
HBase内部将大量数据放在HDFS中名为「StoreFiles」的索引中，以便进行高速查找
Hbase比较适合做快速查询等需求，而不适合做大规模的OLAP应用

Hive对比Hbase

Hive

• 数据仓库工具
  Hive的本质其实就相当于将HDFS中已经存储的文件在Mysql中做了一个双射关系，以方便使用HQL去管理查询
• 用于数据分析、清洗
  Hive适用于离线的数据分析和清洗，延迟较高
• 基于HDFS、MapReduce
  Hive存储的数据依旧在DataNode上，编写的HQL语句终将是转换为MapReduce代码执行

HBase

• NoSQL数据库
  是一种面向列存储的非关系型数据库。
• 用于存储结构化和非结构化的数据
  适用于单表非关系型数据的存储，不适合做关联查询，类似JOIN等操作。
• 基于HDFS
  数据持久化存储的体现形式是Hfile，存放于DataNode中，被ResionServer以region的形式进行管理
• 延迟较低，接入在线业务使用
  面对大量的企业数据，HBase可以直线单表大量数据的存储，同时提供了高效的数据访问速度

总结Hive与HBase

• Hive和Hbase是两种基于Hadoop的不同技术
• Hive是一种类SQL的引擎，并且运行MapReduce任务
• Hbase是一种在Hadoop之上的NoSQL 的Key/value数据库
• 这两种工具是可以同时使用的。就像用Google来搜索，用FaceBook进行社交一样，Hive可以用来进行统计查询，HBase可以用来进行实时查询，数据也可以从Hive写到HBase，或者从HBase写回Hive