Hbase学习（一）零基础开始学习

hbase是谷歌bigdata论文的一个代码实现，hbase是开源软件，在大数据处理领域应用广泛。今天楼主先来介绍一些基本原理，后面用工程代码方式来叙述API的用法。楼主是新手，如有错误，欢迎大家指正。

简介

Hbase（Hadoop database）是一个高可靠性（数据存储在HDFS文件存储系统上，十分可靠，有机会楼主再写HDFS的博文）、高性能（传统单机数据库在数据量高于百万数量级后性能很差）、面向列、可伸缩实时读写的分布式数据库。
hbase主要用来存储非结构化和半结构化的松散数据。

数据结构

首先介绍一下基本概念

row key

决定一行数据；按照字典顺序排序，数据有结构；row key最大为64K（注意只能存储字节数组，要先转换成字节数组才能存入hbase）

time stamp 时间戳

hbase每个cell存储单元对同一份数据由多个版本，根据时间戳来区分不同版本，不同版本的数据按照时间倒序排列，最新的数据排在最前面。时间戳是64为整形数据，在写入数据时自动赋值（用户也可以自己给时间戳赋值）。hbase并不会存储每个时间戳的历史数据，由用户设置一个最大版本数来约束版本的数量，多余的版本在合并时被删除。

column family

（新手可以暂时这样理解：传统关系型数据库里面的列的集合就是hbase里面的列族）hbase把同一列族里面的数据存在同一目录下，一个列族可以有多个列成员（eg：course这个列族可以有以下几列 math、cs
访问时，列名为：course：math）

cell

由行和列的坐标决定，单元格是有版本的。

数据结构总述

要想唯一确定一个单元格首先确定行，再确定列族，再确定列，再确定时间戳。
话不多说了，一切尽在下图中：

Hlog

除了介绍操作还记录数据（eg 插入5，不仅记录插入这个操作，还记录5这个数字），hlog文件是用来容灾的，在发现意外时，可以恢复数据库。

HBase体系结构

client

包含访问hbase的接口并维护cache加快对hbase访问

zookeeper

任何时候保证集群中只有一个master；存储所有region的寻址入口

master

负责负载均衡，发现失效的region server并重新分配；其实master主要作用是管理协调，并不直接处理请求

region server

维护region；切分在运行过程中变得更大的region

region

hbase的表被水平划分为多个区域，每个region会保存一个表中的某个区域。region增大到一定阈值，会等分成两个region；region server数据太多时，由master协调增加region server个数。一个region由多个store组成，一个store对应一个CF。

store（memstore和storefile）

store由一个memstore和多个storefile组成。memstore是写缓存，写操作首先写入memstore，memstore到达一定量级被存储为storefile。store file以hfile格式存在HDFS上面。