HBase

一、简介

• HBase：Hadoop Database，是一个高可靠性、高性能、面向列、可伸缩、实时读写的分布式数据库。
• 利用Hadoop HDFS作为其文件存储系统，利用Hadoop MapReduce来处理HBase中的海量数据，利用Zookeeper作为其分布式协同服务。
• 主要用来存储非结构化和半结构化的松散数据（列存 NoSQL数据库）。

二、数据模型

      

1、Row Key

• 决定一行数据。
• 按照字典顺序排序。
• Row Key只能存储64k的字节数据。

2、Column Family列族 & qualifier列

• HBase表中的每个列都属于某个列族，列族必须作为表模式(schema)定义的一部分预先给出。如：create 'test', 'course'。
• 列名以列族为前缀，每个列族都可以有多个列成员(clumn)。如：course:match，course:english，新的列族成员(列)可以随后按需动态加入。
• 权限控制、存储以及调优都是在列族层面进行的。
• HBase把同一列族里面的数据存储在同意目录下，由几个文件保存。

3、Timestamp时间戳

• 早HBase每个cell存储单元对同一份数据有多个版本，根据唯一的时间戳来区分每个版本之间的差异，不同版本的数据安卓时间倒序排序，最新的数据版本排在最前面。
• 时间戳的类型是64位整形。
• 时间戳可以有HBase(在数据写入是自动)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端显示赋值，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。

3、Cell单元

• 由行和列的坐标交叉决定。
• 单元格是有版本的。
• 单元格的内容是未解析的字节数组：数据是没有类型的，全部是字节码形式存储。

4、HLog(WAL log)

• 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的sequence number。

二、架构

    

1、Client

• 包含访问HBase的接口并维护cache来加快对HBase的访问。

2、Zookeeper

• 保证任何时候，集群中只有一个master。
• 存储所有Region的寻址入口。
• 实时监控Regin server的线上和线下信息。并实时通知Master。
• 存储HBase的schema和table元数据。

3、Master

• 为Region server分配region。
• 负责Region server的负载均衡。
• 发现失效的Region server并重新分配其上的region。
• 管理用户对table的增删改查。

4、Region server

• Region server维护region，处理对这些region的IO请求。
• Region server负责切分在运行过程中变得过大的region。

5、Region

• HBase自动把表水平划分成多个区域(region)，每个region会保存一个表里面的某段连续的数据。
• 每个表一开始只有一个region，随着数据不断插入表，region不断增大，当增大到一个阈值时，region就会等分为两个新的region(裂变)。
• 当table中的行不断增多就会有越来越多的region。这样一张完整的表被保存在多个RegionServer上。

6、Memstore 与 storefile

• 一个region由多个store组成，一个store对应一个CF(列族)。
• store包括位于内存中的memstore和位于磁盘的storefile，写操作先写入memstore，当memstore中的数据达到某个阈值，hregionserver会启动flashcache进程写入storefile，每次写入形成单独的一个storefile。
• 当storefile文件的数量增长到一定的阈值后，系统会进行合并(minor、major compaction)。minor：小文件一个个个合并。major compaction：在合并过程中会进行版本的合并和删除工作，形成更大的storefile，会影响正常的读写，一般定在访问少的凌晨三四点左右。
• 当一个region所有storefile的大小和数量超过一定阈值后，会把当前的region分割为两个，并由hmaster分配到相应的regionserver服务器，实现负载均衡。
• 客户端检索数据，先在memstore找，找不到再找storefile。

三、总结

• HRegion是HBase中分布式存储和负载均衡的最小单元。最小单元就表示不同的HRegion可以分布在不同的HRegion Server上。
• HRegion由一个或多个Store组成，每个Store保存一个列族(columns family)。
• 每个Store又由一个Memstore和0至多个StoreFile组成。如图：StoreFile以HFile格式保存在HDFS上。