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>