首先确保本地已经启动好hdfs集群,因为hbase是建立在hdfs之上的
版本号是一个非常大的坑,可以预先下载好一个hbase,然后再lib中找到相应的hadoop版本,然后就去下载相应的hadoop版本
我使用的是hbase2.1.0,hadoop版本用的是2.7.4
接下去就是配置了,首先配置hbase-env.sh
jdk路径
export JAVA_HOME=/Library/Java/JavaVirtualMachines/jdk1.8.0_181.jdk/Contents/Home
是否使用hbase中已经存在zk,如果你自己部署了一套zk集群,这里可以选择false
export HBASE_MANAGES_ZK=true
hbase-site.xml
<configuration>
<property>
<name>hbase.rootdir</name>
<value>hdfs://127.0.0.1:9000/hbase</value>
</property>
<property>
<name>hbase.cluster.distributed</name>
<value>true</value>
</property>
<property>
<name>hbase.zookeeper.quorum</name>
<value>127.0.0.1</value>
</property>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
regionservers
这里配置regionservers的地址
localhost
然后就可以运行bin/start-hbase.sh
----------------
架构图
组成部件说明
Client:
使用HBase RPC机制与HMaster和HRegionServer进行通信
Client与HMaster进行通信进行管理类操作
Client与HRegionServer进行数据读写类操作
Zookeeper:
Zookeeper Quorum存储-ROOT-表地址、HMaster地址
HRegionServer把自己以Ephedral方式注册到Zookeeper中,HMaster随时感知各个HRegionServer的健康状况
Zookeeper避免HMaster单点问题
HMaster:
HMaster没有单点问题,HBase中可以启动多个HMaster,通过Zookeeper的Master Election机制保证总有一个Master在运行
主要负责Table和Region的管理工作:
1 管理用户对表的增删改查操作
2 管理HRegionServer的负载均衡,调整Region分布
3 Region Split后,负责新Region的分布
4 在HRegionServer停机后,负责失效HRegionServer上Region迁移
HRegionServer:
HBase中最核心的模块,主要负责响应用户I/O请求,向HDFS文件系统中读写数据
HRegionServer管理一些列HRegion对象;
每个HRegion对应Table中一个Region,HRegion由多个HStore组成;
每个HStore对应Table中一个Column Family的存储;
Column Family就是一个集中的存储单元,故将具有相同IO特性的Column放在一个Column Family会更高效
HStore:
HBase存储的核心。由MemStore和StoreFile组成。
MemStore是Sorted Memory Buffer。用户写入数据的流程:
Client写入 -> 存入MemStore,一直到MemStore满 -> Flush成一个StoreFile,直至增长到一定阈值 -> 触发Compact合并操作 -> 多个StoreFile合并成一个StoreFile,同时进行版本合并和数据删除 -> 当StoreFiles Compact后,逐步形成越来越大的StoreFile -> 单个StoreFile大小超过一定阈值后,触发Split操作,把当前Region Split成2个Region,Region会下线,新Split出的2个孩子Region会被HMaster分配到相应的HRegionServer上,使得原先1个Region的压力得以分流到2个Region上。
由此过程可知,HBase只是增加数据,有所得更新和删除操作,都是在Compact阶段做的,所以,用户写操作只需要进入到内存即可立即返回,从而保证I/O高性能。
HLog
引入HLog原因:
在分布式系统环境中,无法避免系统出错或者宕机,一旦HRegionServer意外退出,MemStore中的内存数据就会丢失,引入HLog就是防止这种情况
工作机制:
每个HRegionServer中都会有一个HLog对象,HLog是一个实现Write Ahead Log的类,每次用户操作写入Memstore的同时,也会写一份数据到HLog文件,HLog文件定期会滚动出新,并删除旧的文件(已持久化到StoreFile中的数据)。当HRegionServer意外终止后,HMaster会通过Zookeeper感知,HMaster首先处理遗留的HLog文件,将不同region的log数据拆分,分别放到相应region目录下,然后再将失效的region重新分配,领取到这些region的HRegionServer在Load Region的过程中,会发现有历史HLog需要处理,因此会Replay HLog中的数据到MemStore中,然后flush到StoreFiles,完成数据恢复。
HBase存储格式
HBase中的所有数据文件都存储在Hadoop HDFS文件系统上,格式主要有两种:
1 HFile HBase中KeyValue数据的存储格式,HFile是Hadoop的二进制格式文件,实际上StoreFile就是对HFile做了轻量级包装,即StoreFile底层就是HFile
2 HLog File,HBase中WAL(Write Ahead Log) 的存储格式,物理上是Hadoop的Sequence File
HFile
图片解释:
HFile文件不定长,长度固定的块只有两个:Trailer和FileInfo
Trailer中指针指向其他数据块的起始点
File Info中记录了文件的一些Meta信息,例如:AVG_KEY_LEN, AVG_VALUE_LEN, LAST_KEY, COMPARATOR, MAX_SEQ_ID_KEY等
Data Index和Meta Index块记录了每个Data块和Meta块的起始点
Data Block是HBase I/O的基本单元,为了提高效率,HRegionServer中有基于LRU的Block Cache机制
每个Data块的大小可以在创建一个Table的时候通过参数指定,大号的Block有利于顺序Scan,小号Block利于随机查询
每个Data块除了开头的Magic以外就是一个个KeyValue对拼接而成, Magic内容就是一些随机数字,目的是防止数据损坏
HFile里面的每个KeyValue对就是一个简单的byte数组。这个byte数组里面包含了很多项,并且有固定的结构。
KeyLength和ValueLength:两个固定的长度,分别代表Key和Value的长度
Key部分:Row Length是固定长度的数值,表示RowKey的长度,Row 就是RowKey
Column Family Length是固定长度的数值,表示Family的长度
接着就是Column Family,再接着是Qualifier,然后是两个固定长度的数值,表示Time Stamp和Key Type(Put/Delete)
Value部分没有这么复杂的结构,就是纯粹的二进制数据
HLog File
HLog文件就是一个普通的Hadoop Sequence File,Sequence File 的Key是HLogKey对象,HLogKey中记录了写入数据的归属信息,除了table和region名字外,同时还包括 sequence number和timestamp,timestamp是“写入时间”,sequence number的起始值为0,或者是最近一次存入文件系统中sequence number。
HLog Sequece File的Value是HBase的KeyValue对象,即对应HFile中的KeyValue
--------------------------------
Hbase的一些操作
get rowKey rowKey获取
scan 全变扫描
scan table ,{STARTROW=>rowkey}
-------------
Hbase物理模型
Table中所有的行都按照row key字典排序
Table在行的方向上会分割为多个Region
Region是按照大小分割的,每个表最开始只有一个region,随着数据增多,region会不断增大,当region增大到一个阀值的时候会分裂成两个Region
Region是hbase中分布式存储和负载均衡的最小单位
Region虽然是分布式最小存储但愿,但不是存储的最小单元 region由很多store组成,每个store保存一个cloumn family,每个store由一个memStore和多个StoreFile组成,memStore是存储在内存中,StoreFile存储在HDFS上
--------------------
Hbase的查询过程
Hbase有类似于mysql的database概念,
用户定义表存储在default中
hbase自身定义的表在hbase目录下
可以观察hbase的web ui和hadoop的web ui
通过查询hbase中的meta表,可以看到是这样的信息
scan 'hbase:meta'
ROW COLUMN+CELL
hbase:namespace column=table:state, timestamp=1566811048014, value=\x08\x0
0
hbase:namespace,,156 column=info:regioninfo, timestamp=1566811047992, value={EN
6811047256.3c5b909fa CODED => 3c5b909fa211a42f1f976a6e6b79575b, NAME => 'hbase:
211a42f1f976a6e6b795 namespace,,1566811047256.3c5b909fa211a42f1f976a6e6b79575b.
75b. ', STARTKEY => '', ENDKEY => ''}
user,,1566811406144. column=info:seqnumDuringOpen, timestamp=1566811406703, val
f4517be1a5d82e54f0ac ue=\x00\x00\x00\x00\x00\x00\x00\x02
aa72c29e157f.
user,,1566811406144. column=info:server, timestamp=1566811406703, value=30.11.1
f4517be1a5d82e54f0ac 77.75:16020
aa72c29e157f.
这张表的rowKey就记录了某个Region的基本信息,表,startRow,endRow,时间戳
meta表本身也在一个region中,这个region的元数据信息就存储在zk的/hbase/meta-region-server节点中
用户请求过来时候先得到meta表的region所在的regionServer,然后找到meta表之后扫描meta表,得到要 查询的表的信息
-----------------------
Hbase特点:
适合场景:表数据量大,append型业务,读取量远少于写入量,读取量相对简单,RowKey不经常变化
不适合场景:Hbase仅支持行级事务 类似DW等全量读取,不太适合