2019年最新大数据Hbase详细解析

前言
　　大数据领域在2019年似乎上了另一个台阶，像云计算，人工智能，物联网等都离不开大数据，在本文将着重讲解大数据中的Hbase，希望各位小伙伴能够将这个只是点掌握牢固。

正文
一、hbase与列式存储
　　hbase最早起源于谷歌的一篇BigTable的论文，它是由java编写的、开源的一个nosql数据库，同时它也是一个列式存储的、支持分布式(基于hdfs)的数据库。什么是列式存储呢？简单来讲就是：传统的关系数据库几乎都是行式存储的，这种存储的特点是，将每一行的数据连起来进行存储；而列式存储是将每一列的数据连起来进行存储的。
　　列式存储相对于行式存储有哪些优点呢？
　　1.压缩空间：一张表里面，我存储的数据可以是非常松散的，就是说这一列可以有值也可以没有值，没有值就不会占用空间，而行式存储不行，它的结构非常规范，就算是某一列不赋值，那么这一行的这一列空间也是占用的，而且后期如果我想对某张表扩张字段的话，前面的的数据都必须强制开辟这个字段的存储空间。
　　2.查询性能：行式存储在查询的时候若我们制定某一个字段进行查询，他会遍历这一行的所有字段，然后找到匹配的字段进行返回，这样是很耗费IO的，而列式存储由于它本来就是按列来进行数据存储的，就是说不同的列的数据是存储在不同地方的，所以检索指定列的时候只需要找到对应的列存储的位置，然后针对性检索就行了。
二、hbase的表结构
　　既然hbase是一个数据库，那么必然会有表的概念，它也有行键和列名的概念，不过与传统关系数据库不同的是它引入了列族的概念。
　　hbase的表分为两类，一类的系统表（又称meta表），另一类是用户表。meta表由系统创建与维护，主要存储表和分区的元数据信息，用户权限等。而用户表是我们自己创建的表，我们用户用来存储业务数据的表。
　　hbase的表里面有很多概念：行、列、行键、单元格、值、时间戳等。
　　如下图所示是一张hbase表，RowKey就是行键的概念，一行只有一个用来作为唯一标示。同时下图有两个列族，CF1和CF2，在它们下面又各有两个列，分别是name/age和sex/class，每一个行可以有多个时间戳标示不同的版本，例如下面的00001就有3个不同的时间戳版本，而hbase在查询的时候默认是获取最新的时间戳版本的数据。由rowkey、列(clomun)、timestamp可以确定一个唯一的单元格，如00001的t1时间的name是zhangsan。
　　
　　　　同时我们可以看到有些列里面是没有值的，而hbase只对于有值的列存储进文件系统。
　　这里有一个rowkey排序的问题，hbase是根据rowkey的字节值进行数据排序的，且rowkey一般都是字符串形式存储的，存储的时候会将字符串转换为二进制流。也就是说，对于这里的rowkey00001和00002来说，00001是排在00002前面的。同时由于这么一个排序的问题，如果rowkey的设计不合理的话，很有可能会导致hbase的热点问题。
三、hbase的表存储
　　下图是hbase的一个table的存储结构，一个table有一个或者多个region组成，这也是hbase能够支持分布式存储的重要原因。同时一个region里由一个或者多个列族组成，一个列族有一个store实体组成，store实体里面有MEMStore、HFil，MEMStore是内存实体，HFile是实际的存储物理文件，HFile里面又由多个block组成，block里面存储的就是单元格数据cell。
　　
　　　　Region
　　如果是单机的话，所有行和列组成的单元格数据全部存储在一张表中就可以了，但是hbase为了支持集群分布式，就必须把一张很大的表拆分成多个region。每个region都有一个起始的rowkey和一个结束的rowkey来定义它的边界。同时每个region里面存储的那些rowkey都会保存在hbase的meta表中，查询的时候可以通过meta数据快速定位到需要查询的rowkey数据在哪个region里面。hbase里面有一个regionserver的角色，每个region会被分配到各自的regionserver中，这个是有hbase的负载均衡器自动完成的。同时当某个region很大的时候，它是可以分裂的，当然如果有需要，多个小的region也是可以合并的。
　　列族
　　列族是hbase独有的概念，在同一个region里面，不同的列族的数据会存储在不同的文件中。而列族如何分配，可以根据存储的数据的类型来决定，不同类型的数据可以存储在不同的列族中，如文本数据和图片数据就可以分开存储。
　　但是列族数量不宜过多，因为有一个列族就会有一个store，而region达到一定的大小之后就会进行分裂，这个时候列族过多就会出现问题。
　　例如：一个region里面有列族A和列族B，A有1000万数据，而B有10万数据，当region到达设定的阈值之后开始执行分裂，假设分裂为10份。那么对于列族A来说每一份就是有100万数据，但是对于B来说每一份就只有1万数据，那么当去检索B的数据的时候就需要遍历很多region从而导致性能降低。
　　Store
　　一个store对应一个列族。store对象由memstore和hfile组成，memstore是数据写入的缓存区，而hflie是物理文件。数据写进来的时候首先进入到memstore里面，当memstore达到一定的阈值的时候Hfile就会被创建。
　　Block
　　Hflie是由block组成的，这里的block与hdfs的block不同，一个hdfs的block可能会包含多个hfile的block。
四、Hbase的角色
　　hbase在集群的情况下主要有两个角色：HMaster和RegionServer。
　　HMaster
　　职责：1.Region分配 2.负载均衡 3.RegionServer恢复 4.监控Region分裂 5.追踪活跃或者宕机的服务器
　　RegionServer
　　RegionServer是托管并且服务Region以及Hbase数据的应用程序。
　　如下图所示是一个9台的hbase集群，其中3台主机，6台从机。主机上面运行Hmaster，hdfs的NN服务，以及zk服务，而从机上面运行RegionServer服务以及hdfs的DN服务。我们连接hbase进行读写的时候都是先连接主机的zk，然后zk找到对应的master服务器，然后master服务器通过meta数据找到数据在哪个region上面，然后找到这个region在具体哪个regionserver上面并且建立连接，由regionserver再执行数据操作。
　　
　　结尾
　　通过本文的详细讲解各位小伙们对于Hbase有了一个初步的了解了？那么以后就要多多联系了。