hbase表结构以及操作

HBase以表的形式存储数据。表有行和列组成。列划分为若干个列族(row family)

Row Key	column-family1		column-family2			column-family3
	column1	column1	column1	column2	column3	column1
key1	t1:abc t2:gdxdf		t4:dfads t3:hello t2:world
key2	t3:abc t1:gdxdf		t4:dfads t3:hello		t2:dfdsfa t3:dfdf
key3		t2:dfadfasd t1:dfdasddsf				t2:dfxxdfasd t1:taobao.com

 

column-family1,column-family2,column-family3是三个列族，每个列族下又包括几列。比如column-family1这个列族下包括两列，名字是column1和column2，t1:abc,t2:gdxdf是由row key1和column-family1-column1唯一确定的一个单元cell。这个cell中有两个数据，abc和gdxdf。两个值的时间戳不一样，分别是t1,t2, hbase会返回最新时间的值给请求者。 这些名词的具体含义如下： 
(1) Row Key 
与nosql数据库们一样,row key是用来检索记录的主键。访问hbase table中的行，只有三种方式： 
(1.1) 通过单个row key访问 
(1.2) 通过row key的range 
(1.3) 全表扫描 
Row key行键 (Row key)可以是任意字符串(最大长度是 64KB，实际应用中长度一般为 10-100bytes)，在hbase内部，row key保存为字节数组。 
存储时，数据按照Row key的字典序(byte order)排序存储。设计key时，要充分排序存储这个特性，将经常一起读取的行存储放到一起。(位置相关性) 注意： 
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。要保持整形的自然序，行键必须用0作左填充。 
行的一次读写是原子操作 (不论一次读写多少列)。这个设计决策能够使用户很容易的理解程序在对同一个行进行并发更新操作时的行为。 
(2) 列族 column family 
hbase表中的每个列，都归属与某个列族。列族是表的chema的一部分(而列不是)，必须在使用表之前定义。列名都以列族作为前缀。例如courses:history ， courses:math 都属于 courses 这个列族。 
访问控制、磁盘和内存的使用统计都是在列族层面进行的。实际应用中，列族上的控制权限能帮助我们管理不同类型的应用：我们允许一些应用可以添加新的基本数据、一些应用可以读取基本数据并创建继承的列族、一些应用则只允许浏览数据（甚至可能因为隐私的原因不能浏览所有数据）。 
(3) 单元 Cell 
HBase中通过row和columns确定的为一个存贮单元称为cell。由{row key, column( =<family> + <label>), version} 唯一确定的单元。cell中的数据是没有类型的，全部是字节码形式存贮。 
(4) 时间戳 timestamp 
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，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。每个cell中，不同版本的数据按照时间倒序排序，即最新的数据排在最前面。 
为了避免数据存在过多版本造成的的管理 (包括存贮和索引)负担，hbase提供了两种数据版本回收方式。一是保存数据的最后n个版本，二是保存最近一段时间内的版本（比如最近七天）。用户可以针对每个列族进行设置。

create 'test', 'cf'

put 'test', 'row1', 'cf:a', 'value1'

put 'test', 'row2', 'cf:b', 'value2'

put 'test', 'row3', 'cf:c', 'value3'

创建一个test表，其有一个列族cf

添加3行数据，row1是行id，cf.a中cf是列族，b表示cf列族的某个列，value1为值

scan 'test'

使用脚本执行，之前需在/etc/profile中添加hbase的环境变量

hbase shell xxx可执行

地址

在Hbase中建立两张表：

一张用户表：USER ，该表含有两个列族：一个为用户属性列族（族名：userProperty）；另外一个为用户行为属性（actionProperty）。行健为:用户ip

另外一张为广告表：ADVERT ,其含有一个列族（adProperty）

下面说说两个表，三个列族的列分别是什么：

USER：userProperty：用户Ip区域（ipArea），用户ip国际(ipCountry)，用户名ID(userId)

USER：actionProperty：点击链接(link)；广告行健（adId）；点击时间（time）,

ADERT：adProperty：广告所属行业（adHy）,广告利润（adMoney），广告所属商家comp，

创建表这两个表；

向广告表的adProperty插入一个行健数据：

put 'ADERT','ad00120311', ' adProperty:adHy  ',' 家具 '
put 'ADERT','ad00120311', ' adProperty: adMoney','11.11'
put 'ADERT','ad00120311', ' adProperty: comp ',' 淘宝 '

下面分析一下用户的流程并创建数据：

1：用户第一次点击凤凰网的广告，凤凰网获取到用户的Ip与用户id(如果登陆了)，

2：凤凰网根据用户ip从USER表中从actionProperty中查询该ip的操作记录。如果没有该ip的操作记录：

       则保存该用户的ip，并保存这次的操作记录，都是保存在USER表中但是保存的列族分别属于actionProperty与userProperty中。

例子数据：

保存用户属性

put 'USER','11.11.11.1','userProperty:ipArea ',' 上海 '
put 'USER','11.11.11.1','userProperty:ipCountry ',' 中国 '
put 'USER','11.11.11.1','userProperty:userId','100001213'
保存用户行为
put 'USER','11.11.11.1', 'actionProperty: link,'/ifeng.com/……'
put 'USER','11.11.11.1', 'actionProperty:adId','ad00120311'
put 'USER','11.11.11.1', 'actionProperty:time','20130623172900'