万字HBase详解带你畅游大数据的海豚湾

写在前面：我是「且听风吟」，目前是某上市游戏公司的大数据开发工程师，热爱大数据开源技术，喜欢分享自己的所学所悟，现阶段正在从头梳理大数据体系的知识，以后将会把时间重点放在Spark和Flink上面。

如果你也对大数据感兴趣，希望在这个行业一展拳脚。欢迎关注我，我们一起努力，一起学习。博客地址：https://ropledata.blog.csdn.net

博客的名字来源于：且听风吟，静待花开。也符合我对技术的看法，想要真正掌握一门技术就需要厚积薄发的毅力，同时保持乐观的心态。

你只管努力，剩下的交给时间！

一、前言

本文HBase版本：2.1.3

HBase是大数据从业者必知必会的技能，我们需要掌握HBase的原理，架构设计，存储设计，优点及适用场景等方方面面。由于它的logo是一个海豚的形象，因此本文深入到HBase的起源开始分析，从0开始带你畅游大数据的海豚湾！

二、HBase起源

了解一个技术之前，我们要知道它是怎么来的，解决了什么问题，然后才会根据咱们自己的业务需要来考虑技术选型。

HBase最早起源于Google公司于2006年发表的BigTable论文，而后经过迅速的发展壮大，在2010年的时候成为了Apache的顶级项目。后来很多大公司都对HBase进行了符合自己业务风格的二次开发，就像flume一样，大部分我们也都能使用。

HBase是一个高可靠性、高性能、面向列、可伸缩的分布式开源数据库，也就是NoSQL数据库，注意这里的NoSQL是指not only sql的意思。其实在我看来，HBase不能完全称得上分布式数据库，它其实更像是分布式存储系统，有点像HDFS。因为它没有大多数数据库所具有的RDBMS特性，比如没有触发器，不支持列的类型，也不支持高级查询语句。

那它这么菜，是怎么在大数据圈混的风生水起的呢？

咱们接着往下看！

三、HBase优点及适用场景

前面我们了解了HBase的起源，也吐槽了它的一些缺点，那它还这么火，肯定是有原因的。它的优点可以归纳如下：

1. 高可靠，和hadoop HA一样，可以进行自动的故障转移；
2. 高性能，存储数据时可以自动分片，通过Region分散在整个集群里，同时随着行数不断增长，Region也可以自动的切分和再分配；
3. 强读写一致，保证了读写一致，所以适合高速的计算聚合操作；
4. 最初是Hadoop的子项目，因此和HDFS高度集成，自由衔接；
5. 代码写着简单，HBase提供了便捷高效的API，同时目前还有Phoenix助力，可谓如虎添翼；
6. 优化了列查询，提供了块缓存和布隆过滤器，可以更高效的进行列查询。

结合这些HBase的优点，相信大家可以理解为什么我觉得HBase更像是一个分布式存储系统了吧？那它适合的业务场景也显而易见，可以概括如下：

1. 海量数据存储

   作为大数据的海豚湾，HBase有容乃大，它非常适合存储海量数据，比如百亿行的数据。因此在大数据体系里，可以使用HBase存储日志数据，各种组件的日志，业务操作日志等等疯狂往里塞。

2. 实时列查询

   前面我们介绍HBase优点的时候，已经说了HBase对于列查询做了很多优化，因此即使HBase存储着海量数据，你依然可以很快的查询到想要的RowKey对应的数据，因此在实际业务里HBase也经常应用于实时的查询场景。

看到这里更能感受到它的重要性了吧？下面我们接着分析HBase的结构设计。

四、HBase架构设计

从图中可以看出Hbase是由Client、Zookeeper、Master、HRegionServer、HDFS等几个组件组成，下面来介绍一下几个组件的相关功能：

从上面这个图里，我们可以发现HBase是由Client、Zookeeper、HMaster、HRegionServer、HDFS等几个组件组成，那么它们都有什么作用呢？可以概括如下：

1. Client：其实client不仅包含了访问Hbase的接口，还维护了对应的cache来加速Hbase的访问，比如cache的.META.元数据的信息。
2. Zookeeper：在大数据生态里zookeeper是很常见的，它主要作为分布式的协调。在HBase里它主要负责的工作如下：
   1. 保证集群中只有1个master在运行，如果master异常，会通过竞争机制产生新的master来提供服务；
   2. 监控RegionServer的状态，当RegionSevrer