聊聊HBase-1

细节📕

概述

HBase是一种分布式、可扩展、支持海量数据存储的NoSQL数据库。

NoSQL：非关系型数据库
MySQL：关系型数据库

MySQL：
优点：读写速度比较快
缺点：数据量大之后，读写速度下降
HDFS：
优点：海量存储
缺点：不能修改、删除某条数据，写入读取速度相对比较慢
实时数据处理：
Hbase：优点：海量数据存储、分布式、读取写入速度比较快
redis、mongdb等也是

逻辑上，HBase的数据模型同关系型数据库很类似，数据存储在一张表中，有行有列。但从HBase的底层物理存储结构（K-V）来看，HBase更像是一个multi-dimensional map。

啥是多维map
Map[String,Map[String,String]]

HBase数据模型

逻辑结构👇

HBase表中数据是有顺序的，按照rowkey字典序排序

啥是字典序排序
10 1001 12 21 3
这是从小到大，先比较第一位然后第二位第三位，10和1001的话10后面是空的所以比1001小

物理结构👇

数据模型

1）Name Space（相当于mysql的库

​ 命名空间，类似于关系型数据库的DataBase概念，每个命名空间下有多个表。HBase有两个自带的命名空间，分别是“hbase”和“default”，“hbase”中存放的是HBase内置的表，“default”表是用户默认使用的命名空间。

2）Region（为了实现数据分布式存储

​ 类似于关系型数据库的表概念。不同的是，HBase定义表时只需要声明列族即可，不需要声明具体的列。这意味着，往HBase写入数据时，字段可以动态、按需指定。因此，和关系型数据库相比，HBase能够轻松应对字段变更的场景。

3）Row（指逻辑结构的一行 eg：rowkey 1001有多行，但是逻辑结构就1行

​ HBase表中的每行数据都由一个RowKey和多个Column（列）组成，数据是按照RowKey的字典顺序存储的，并且查询数据时只能根据RowKey进行检索，所以RowKey的设计十分重要。

4）Column

​ HBase中的每个列都由Column Family(列族)和Column Qualifier（列限定符）进行限定，例如info：name，info：age。建表时，只需指明列族，而列限定符无需预先定义。

5）Time Stamp

​ 用于标识数据的不同版本（version），每条数据写入时，如果不指定时间戳，系统会自动为其加上该字段，其值为写入HBase的时间。

6）Cell

​ 由{rowkey, column Family：column Qualifier, time Stamp} 唯一确定的单元。

​ cell中的数据是没有类型的，全部是字节码形式存储。

Table: Hbase的数据是以表的形式存在
列簇: 相当于mysql Table的字段,是Hbase的表结构
列限定符: 放在列簇下,是数据的形式存在
Region: Table的一个分段,region保存在不同的服务器上
Store: Region中会根据列簇划分,每个列簇对应一个Store,一个Region中Store的个数=列簇的个数
rowkey: 是每一行数据的唯一标识,相当于mysql的主键。
Hbase中的数据是有顺序的,是按照rowkey的字典序存储
version: 在创建表的时候再列簇上指定的版本号,version代表列簇下的列限定符中最多可以保存多少个历史数据
namespace: 命名空间,相当于Mysql的库
Column: 列, hbase的列 = 列簇:列限定符
Cell: 根据 rowkey+列簇:列限定符+时间戳 确定唯一一个cell
Row: 一行数据,主键相同的为一行数据

HBase基本架构

regionserver职责：
1、存储region
2、负责客户端数据读写请求
3、region split

Store: store的个数 = 列簇的个数
memstore: 是一块内存区域,后续数据会先写入memstore中,等达到一定的条件之后,memstore会flush，flush的时候会生成storeFile
storeFile: memstore flush生成,每 flush一次会生成一个storeFile，最终以HFile这种文件格式保存在HDFS
HLog: 预写日志,因为memstore是内存区域m,所以数据如果直接写到memstore中，可能因为regionserver宕机，造成数据丢失，所以后续写入的时候会将数据写入日志中,等到memstore数据丢失之后，可以从日志中回复数据【一个regionserver只有一个Hlog】

master
1、负责region的故障转移
2、负责region的负载均衡
3、监听regionserver的状态

**架构角色：**👇

1）Region Server

​ Region Server为 Region的管理者，其实现类为HRegionServer，主要作用如下:

​ 对于数据的操作：get, put, delete；

​ 对于Region的操作：splitRegion、compactRegion。

2）Master

​ Master是所有Region Server的管理者，其实现类为HMaster，主要作用如下：

​ 对于表的操作：create, delete, alter

​ 对于RegionServer的操作：分配regions到每个RegionServer，监控每个RegionServer的状态，负载均衡和故障转移。

3）Zookeeper

​ HBase通过Zookeeper来做Master的高可用、RegionServer的监控、元数据的入口以及集群配置的维护等工作。

4）HDFS

​ HDFS为HBase提供最终的底层数据存储服务，同时为HBase提供高可用的支持。

HBase快速入门

启动hadoop和zookeeper

在hbase的bin目录下./start-hbase.sh启动hbase

网页端http://hadoop102:16010

提示：如果集群之间的节点时间不同步，会导致regionserver无法启动，抛出ClockOutOfSyncException异常。

修复提示：

a、同步时间服务

请参看帮助文档：Hadoop入门

b、属性：hbase.master.maxclockskew设置更大的值

<property>
        <name>hbase.master.maxclockskew</name>
        <value>180000</value>
        <description>Time difference of regionserver from master</description>
</property>

HBase Shell操作

hbase shell窗口启动
./hbase shell

查看帮助命令👇

help

DDL

Group name: namespace
  Commands: alter_namespace, create_namespace, describe_namespace, drop_namespace, list_namespace, list_namespace_tables

创建所有的命名空间👇

create_namespace ‘bigdata’

查看所有的命名空间👇

list_namespace

删除命名空间👇

drop_namespace ‘bigdata’

注意：命名空间下没有表才可以删除

创建表👇

create ‘student’,‘info’ //在默认’default’命名空间下创建表

create ‘bigdata:student’,‘info’, ‘info2’ //在指定命名空间下创建表

info和info2是列簇

查看所有的表👇

list

查看表的详情👇

describe ‘student’

修改表👇
删除列族信息
alter ‘bigdata:student’,‘delete’=>‘info2’
修改版本信息
alter ‘bigdata:student’,{NAME=>‘info1’,VERSIONS=>3}

删除表👇

disable ‘student’
drop ‘student’

提示：如果直接drop表，会报错：ERROR: Table student is enabled. Disable it first.

DML

Group name: dml
  Commands: append, count, delete, deleteall, get, get_counter, get_splits, incr, put, scan, truncate, truncate_preserve

插入数据到表👇

put ‘student’,‘1001’,‘info:sex’,‘male’

put ‘student’,‘1001’,‘info:age’,‘18’

put ‘student’,‘1002’,‘info:name’,‘Janna’

put ‘student’,‘1002’,‘info:sex’,‘female’

put ‘student’,‘1002’,‘info:age’,‘20’

Scan方式查看数据👇

(全表扫描

扫描全表

scan ‘student’

限定开始位置扫描全表

scan ‘student’,{STARTROW => ‘1001’}

限定开始和结束位置扫描全表

scan ‘student’,{STARTROW => ‘1001’, STOPROW => ‘1001’}

扫描全表数据(包含被标记删除或者应该被覆盖的数据)

scan ‘student’, {RAW => true, VERSIONS => 10}

扫描指定列

scan ‘bigdata:user’,{COLUMNS=>‘base_info:name’}

显示行

scan ‘bigdata:user’,{LIMIT=>1}

Get方式查看数据👇

(必须带上主键查询

指定RowKey查询

get ‘student’,‘1001’

指定RowKey+列族查询

get ‘student’,‘1001’,‘info’

指定RowKey+列族+列名查询

get ‘student’,‘1001’,‘info:name’

指定获取数据版本查询

get ‘student’,‘1001’,{COLUMN=>‘info:name’,VERSIONS=>3}

统计表数据行数👇

count ‘student’

**更新数据(实际上还是Put)**👇

删除数据👇

指定RowKey+列族+列名删除

delete ‘student’,‘1001’,‘info:name’

指定RowKey+列族删除

delete ‘student’,‘1001’,‘info’

指定RowKey删除

deleteall ‘student’,‘1001’

注意：使用的是deleteall命令而不是delete命令

清空表数据👇

truncate ‘student’

HBase进阶

架构原理

store好处：查询时候减少数据量

1）StoreFile

保存实际数据的物理文件，StoreFile以HFile的形式存储在HDFS上。每个Store会有一个或多个StoreFile（HFile），数据在每个StoreFile中都是有序的。
HFile中保存了有数据信息、数据索引信息

2）MemStore

写缓存，由于HFile中的数据要求是有序的，所以数据是先存储在MemStore中，排好序后，等到达刷写时机才会刷写到HFile，每次刷写都会形成一个新的HFile。

3）WAL(HLog

由于数据要经MemStore排序后才能刷写到HFile，但把数据保存在内存中会有很高的概率导致数据丢失，为了解决这个问题，数据会先写在一个叫做Write-Ahead logfile的文件中，然后再写入MemStore中。所以在系统出现故障的时候，数据可以通过这个日志文件重建。

想看这些东西可以去HDFS里面设置的目录找

假如我创建一个表，它有三个region，每一个region都有startrow和stoprow，这时候我put数据，

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-f7tLRcCa-1622215217363)(…/imgs/Snipaste_2021-02-20_16-17-35.png)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5Vq0n7fZ-1622215217366)(…/imgs/Snipaste_2021-02-20_16-18-04.png)]

scan 'hbase:meta’可以看元数据，上面put的时候怎么找数据？就是通过元数据来的

Hbase元数据: hbase:meta
hbase元数据表中数据的rowkey = 表名,region起始rowkey,时间戳.region名称
hbase元数据中保存的有region的起始rowky,结束rowkey,所处于哪个regionserver
hbase元数据表只有一个region

写流程

写流程

1）Client先访问Zookeeper，获取hbase:meta表位于哪个RegionServer。

2）访问对应的RegionServer，获取hbase:meta表，根据读请求的namespace:table/rowkey，查询出目标数据位于哪个RegionServer中的哪个Region中。并将该table的region信息以及meta表的位置信息缓存在客户端的meta cache，方便下次访问。（缓存不一定全缓存完，比如meta有10M大小，缓存只有3M，那么就只会缓存3Mmeta

3）与目标RegionServer进行通讯；

4）将数据顺序写入（追加）到WAL；

5）将数据写入对应的MemStore，数据会在MemStore进行排序；

6）向客户端发送ack；

7）等达到MemStore的刷写时机后，将数据刷写到HFile。

MemStore Flush

触发条件👇

1）MemStore级别
当某个MemStore的大小达到了hbase.hregion.memstore.flush.size（默认值128M），会触发MemStore的刷写。（假如一个128M，1个1K，那么都会flush掉，就会产生小文件（所以一般都用一个列簇

2）HRegion级别
当Region中的MemStore的大小达到了
**hbase.hregion.memstore.flush.size（默认值128M）*hbase.hregion.memstore.block.multiplier（默认值4）**时，会阻止继续往该MemStore写数据。

3）HRegionServer级别

当HRegionServer中MemStore的总大小达到
java_heapsize*hbase.regionserver.global.memstore.size（默认值0.4）
时，会阻止继续往所有的MemStore写数据。

当RegionServer中MemStore的总大小达到
*java_heapsize*hbase.regionserver.global.memstore.size（默认值0.4）hbase.regionserver.global.memstore.size.lower.limit（默认值0.95）
Server会按照其所有MemStore的大小顺序（由大到小）依次进行刷写。

当regionserver上所有的memstore大小小于
java_heapsize*hbase.regionserver.global.memstore.size（默认值0.4） hbase.regionserver.global.memstore.size.lower.limit（默认值0.95）*
会停止flush剩余的region

4）HLog级别
当WAL文件的数量超过hbase.regionserver.maxlogs，region会按照时间顺序依次进行刷写，直到WAL文件数量减小到hbase.regionserver.maxlogs以下（该属性名已经废弃，现无需手动设置，最大值为32）。

5）定期刷写
到达自动刷写的时间，也会触发MemStore flush。自动刷新的时间间隔由该属性进行配置hbase.regionserver.optionalcacheflushinterval（默认1小时），指的是当前MemStore最后一次编辑时间。

6）手动刷写

用户通过shell命令“flush ‘table’”或者“flush ‘regionname’”分别对一个Region或者多个Region进行flush

读流程

布隆过滤器
特点：如果判断存在则不一定存在，如果判断不存在则一定不存在

读流程

1）Client先访问Zookeeper，获取hbase:meta表位于哪个RegionServer。

2）访问对应的RegionServer，获取hbase:meta表，根据读请求的namespace:table/rowkey，查询出目标数据位于哪个RegionServer中的哪个Region中。并将该table的region信息以及meta表的位置信息缓存在客户端的meta cache，方便下次访问。

3）与目标RegionServer进行通讯；

4）分别在BlockCache（读缓存），MemStore中查询目标数据，如果BlockCache中未查到相应数据则扫描对应的HFile文件，HFile中扫描到的数据块（默认64K）写入BlockCache，并将查到的所有数据进行合并。此处所有数据是指同一条数据的不同版本（timestamp）或者不同的类型（Put/Delete）。
假如用setCache缓存了Block Cache100M，查到了2M结果，但是已经有100M了，还是会缓存的，会把老的删掉 然后再次调用会getCache

5）将合并后的最终结果返回给客户端。

StoreFile Compaction

由于memstore每次刷写都会生成一个新的HFile，且同一个字段的不同版本（timestamp）和不同类型（Put/Delete）有可能会分布在不同的HFile中，因此查询时需要遍历所有的HFile。为了减少HFile的个数，以及清理掉过期和删除的数据，会进行StoreFile Compaction。

Compaction分为两种，分别是Minor Compaction和Major Compaction。

（1）Minor Compaction会将临近的若干个较小的HFile合并成一个较大的HFile，但不会清理过期和删除的数据。

（2）Major Compaction会将一个Store下的所有的HFile合并成一个大HFile，并且会清理掉过期和删除的数据。

触发条件👇

Major compact：7天一次
Minor：一次合并要3-10个小文件（符合条件的小文件数必须>=hbase.hstore.compaction.min）。小于128M的称为小文件

Region Split

​ 默认情况下，每个Table起初只有一个Region，随着数据的不断写入，Region会自动进行拆分。刚拆分时，两个子Region都位于当前的Region Server，但处于负载均衡的考虑，HMaster有可能会将某个Region转移给其他的Region Server。

**Region Split时机：**👇

1）0.94版本之前：使用的是ConstantSizeRegionSplitPolicy策略。

​ 当1个region中的某个Store下所有StoreFile的总大小超过hbase.hregion.max.filesize（默认10g），该Region就会进行拆分。

2）0.94版本-2.0版本：使用的是IncreasingToUpperBoundRegionSplitPolicy。

否则就按照下面的切分方法

​ 当1个Region中的某个Store下所有StoreFile的总大小超过Min(2R^3 * “hbase.hregion.memstore.flush.size”(128M),“hbase.hregion.max.filesize”(10G))，该Region就会进行拆分，其中R为当前Region Server中属于该Table的Region个数。Eg：一个Region Server中有个person表，有两个region里都是person表，那么R就为2
3）2.0版本：使用的是SteppingSplitPolicy。

当前RegionServer中属于该Table的Region个数为1，分裂阈值等于flushSize2(256M)，否则为hbase.hregion.max.filesize(10G)。
# HBase API

在IDEA中创建hbase-demo模块并添加如下依赖

<dependencies>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-client</artifactId>
            <version>2.0.5</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-server</artifactId>