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。